一种风电场风速的多步预测方法及系统技术方案

本发明专利技术公开了一种风电场风速的多步预测方法及系统，本方法基于并行相关向量机，该方法包括：构建预测模型，得到目标值与特征向量之间的关系；根据CAO计算方法确定所述目标值的嵌入维数m；将每组的训练样本的最后m个样本作为特征向量输入预测模型中进行相关向量机的计算，得到每组训练样本的特征向量对应的预测值；将每组训练样本的特征向量对应的预测值进行排序得到多步预测结果。本发明专利技术将原始风速时间序列分为多个组，再通过相空间重构得到的时间延迟对风速序列进行重构，对每组风速序列进行相关向量机预测，且每组风速序列逻辑上为并列关系，相互间不会发生影响，避免了迭代法产生的迭代误差，保证预测精度的同时大大提高了预测步长。

【技术实现步骤摘要】

本专利技术涉及预测学
，更具体的说，是涉及一种风电场风速的多步预测方法及系统。
技术介绍
在现有技术中，预测学现已广泛应用于国民经济各部门以及社会、科技、军事、政治等领域，成为管理决策不可缺少的重要组成部分。同样对于风电机组而言，由于风能具有间歇性、不可控性和波动性等特点，极大影响了电力系统的发电质量、安全性和稳定性，因而对风速进行准确的预测是实现电网合理调度运行的有效手段，提供风速预测的精度具有很重要的现实意义。目前，风电场风速预测主要包括：迭代预测模型和单纯基于历史数据的预测模型以及将“多输出模型”与“单纯基于历史数据的预测模型”结合起来的预测模型来对进行风速进行直接的多步预测。对于迭代式预测模型，该模型在一些预测中取得了不错的效果，该模型通过将预测值不断地加入到预测模型中来扩充预测模型的样本，从而达到迭代的效果，但每一步产生的误差会向后传递，造成误差的累积，预测步数越多，累积的误差越大；单纯基于历史数据的预测模型，该方法通过模型用同一组历史数据对接下来的几个风速点进行预测，在预测过程中没有引入估计值，即没有累积误差，但这种预测方法没有考虑到时间序列内在的相关性或者说内部的混沌特性，若产生线性或者轻微非线性的模型会对时间序列的混沌性造成破坏；另外就是将以上两种方法组合到一起的预测模型，同基于历史数据的预测模型一样，运用不同模型对每一步进行预测，而且每一步预测中都加入前几步的预测值，这种方法同样无法避免误差累积对结果的影响。因此，提供一种可以解决上述几种风电场风速预测方法带来的问题，是本领域技术人员亟待解决的技术问题。
技术实现思路
有鉴于此，本专利技术提供了一种风电场风速的多步预测方法及系统，以解决现有技术中采用迭代预测模型和将“多输出模型”与“单纯基于历史数据的预测模型”结合起来的预测模型的方法进行风电场风速的预测产生的迭代误差的问题。为实现上述目的，本专利技术提供如下技术方案：一种风电场风速的多步预测方法，该方法基于并行相关向量机，该方法包括：构建预测模型，得到目标值与特征向量之间的关系；根据CAO计算方法确定所述目标值的嵌入维数m；将每组的所述训练样本的最后m个样本作为特征向量输入所述预测模型中进行相关向量机的计算，得到每组所述训练样本的特征向量对应的预测值；将所述每组所述训练样本的特征向量对应的预测值进行排序得到多步预测结果。其中，所述构建预测模型包括：对训练样本构造样本特征，所述训练样本为原始风速时间序列；对所述训练样本的各个样本特征向量与目标值的对应关系进行整合，得到所述训练样本的特征，即得到目标值与特征向量之间的关系。其中，所述对训练样本构造样本特征，所述训练样本为原始风速时间序列包括：将原始风速时间序列按照预设时间间隔进行分组，得到所述预设时间间隔个分组序列；采用相空间重构理论分别对所述预设时间间隔个分组序列进行分析，得到所述分组序列与目标值之间的关系。其中，所述将每组的所述训练样本的特征输入所述预测模型中进行相关向量机的计算，得到每组的所述训练样本的特征对应的预测值包括：分别对每组时间序列进行样本训练，建立相关向量机预测模型；将每组的所述训练样本的最后m个样本作为特征向量输入所述预测模型中计算得到每组的所述训练样本的特征向量对应的预测值。一种风电场风速的多步预测系统，该系统基于并行相关向量机，该系统包括：模型构建单元，用于构建预测模型，得到目标值与特征向量之间的关系；第一计算单元，用于根据CAO计算方法确定所述目标值的嵌入维数m；第二计算单元，用于将每组的所述训练样本的最后m个样本作为特征向量输入所述预测模型中进行相关向量机的计算，得到每组所述训练样本的特征向量对应的预测值；排序单元，用于将所述每组所述训练样本的特征向量对应的预测值进行排序得到多步预测结果。其中，所述模型构建单元包括：构造单元，用于对训练样本构造样本特征，所述训练样本为原始风速时间序列；整合单元，用于对所述训练样本的各个样本特征向量与目标值的对应关系进行整合，得到所述训练样本的特征，即得到目标值与特征向量之间的关系。其中，所述构造单元包括：分组单元，用于将原始风速时间序列按照预设时间间隔进行分组，得到所述预设时间间隔个分组序列；分析单元，用于采用相空间重构理论分别对所述预设时间间隔个分组序列进行分析，得到所述分组序列与目标值之间的关系。其中，所述第二计算单元包括：样本训练单元，用于分别对每组时间序列进行样本训练，建立相关向量机预测模型；计算子单元，用于将每组的所述训练样本的最后m个样本作为特征向量输入所述预测模型中计算得到每组的所述训练样本的特征向量对应的预测值。经由上述的技术方案可知，与现有技术相比，本专利技术公开了一种风电场风速的多步预测方法及系统，本方法及系统基于并行相关向量机，具体该方法包括：构建预测模型，得到目标值与特征向量之间的关系；根据CAO计算方法确定所述目标值的嵌入维数m；将每组的训练样本的最后m个样本作为特征向量输入预测模型中进行相关向量机的计算，得到每组训练样本的特征向量对应的预测值；将每组训练样本的特征向量对应的预测值进行排序得到多步预测结果。本专利技术通过对原始风速时间序列分为多个组，再通过相空间重构得到的时间延迟对风速序列进行重构，对每组风速序列进行相关向量机预测，且每组风速序列逻辑上为并列关系，相互之间不会发生影响，避免了现有技术中迭代法产生的迭代误差，保证了预测精度的同时大大提高了预测步长。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本专利技术实施例提供的一种风电场风速的多步预测方法流程示意图；图2为本专利技术实施例中时间序列并行多步预测结果示意图；图3为本专利技术实施例提供的一种风电场风速的多步预测系统结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本文提出的“基于并行相关向量机(P-RVM)的多步预测方法”提到的相关概念解释如下。“并行”是指通过向空间重构将风速时间序列分为τ组，组与组之间是并列并且同时进行的预测，即所谓的“并行”；“相关向量机”是指相关向量机(RVM)是通过核函数映射把数据由低维向高维空间的转化，相关向量机的训练是基于贝叶斯理论，在先验分布的条件下，利用自动相关决策理论(Automatic Relevance Determination，ARD)来消除无关联的点，从而获得稀疏化的分类模型。核函数：RVM是一种基于核的算法。核函数的定义为设X是Rn中的一个子集，如果存在着从X到某个Hilbert空间H的映射：使得其中(·)表示内积，称定义在X×X上的函数K(x,x/)是核函数。核函数的作用就是把来自低维空间里的两个向量进行某种变换，从而能够计算出他们在高维空间里的向量内积值。多步预测：进行一次预测可以产生在时间序列上顺序排本文档来自技高网...

【技术保护点】
一种风电场风速的多步预测方法，其特征在于，该方法基于并行相关向量机，该方法包括：构建预测模型，得到目标值与特征向量之间的关系；根据CAO计算方法确定所述目标值的嵌入维数m；将每组的所述训练样本的最后m个样本作为特征向量输入所述预测模型中进行相关向量机的计算，得到每组所述训练样本的特征向量对应的预测值；将所述每组所述训练样本的特征向量对应的预测值进行排序得到多步预测结果。

【技术特征摘要】
1.一种风电场风速的多步预测方法，其特征在于，该方法基于并行相关向量机，该方法包括：构建预测模型，得到目标值与特征向量之间的关系；根据CAO计算方法确定所述目标值的嵌入维数m；将每组的所述训练样本的最后m个样本作为特征向量输入所述预测模型中进行相关向量机的计算，得到每组所述训练样本的特征向量对应的预测值；将所述每组所述训练样本的特征向量对应的预测值进行排序得到多步预测结果。2.根据权利要求1所述的多步预测方法，其特征在于，所述构建预测模型包括：对训练样本构造样本特征，所述训练样本为原始风速时间序列；对所述训练样本的各个样本特征向量与目标值的对应关系进行整合，得到所述训练样本的特征，即得到目标值与特征向量之间的关系。3.根据权利要求2所述的多步预测方法，其特征在于，所述对训练样本构造样本特征，所述训练样本为原始风速时间序列包括：将原始风速时间序列按照预设时间间隔进行分组，得到所述预设时间间隔个分组序列；采用相空间重构理论分别对所述预设时间间隔个分组序列进行分析，得到所述分组序列与目标值之间的关系。4.根据权利要求1所述的多步预测方法，其特征在于，所述将每组的所述训练样本的特征输入所述预测模型中进行相关向量机的计算，得到每组的所述训练样本的特征对应的预测值包括：分别对每组时间序列进行样本训练，建立相关向量机预测模型；将每组的所述训练样本的最后m个样本作为特征向量输入所述预测模型中计算得到每组的所述训练样本的特征向量对应的预测值。5.一种...

【专利技术属性】
技术研发人员：朱霄珣，苑一鸣，周沛，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：河北;13