风电场短期风速预测方法、系统及电子设备技术方案

本发明专利技术公开了一种风电场短期风速预测方法、系统及电子设备，将风速序列分解为一系列具有不同中心频率的模态分量，可以降低风速序列的波动性与随机性，利用模态分量获取第一预测风速，利用风速序列构建特征集，特征集可以辅助预测模型分析风速序列，并根据这些特征避免模型陷入局部最优，提高其泛化性；训练集中加入了叠加后的第一预测风速，保留了第一预测风速的相关信息，充分利用了风速序列的特征信息。本发明专利技术最终的预测风速能够保留不同模型间的预测精度，使得预测准确的模型分配更大的权重，提高融合后的模型预测准确度。

【技术实现步骤摘要】
风电场短期风速预测方法、系统及电子设备
本专利技术涉及机器学习领域，特别是一种风电场短期风速预测方法、系统及电子设备。
技术介绍
在全球能源转型逐渐成为趋势，风电作为电力市场化改革的重要内容以及信息技术快速发展的背景下，短期风速预测的研究具有更重要的意义。准确的风速预测不仅有助于辅助风电场控制电能质量，优化调度运行管理，充分发挥系统接纳风电潜力，而且对于区域发电计划和统筹协调，配合蓄热式电锅炉等储能设备追踪风电发电情况，减少大规模“弃风”的产生，提升风电资源的实际利用率，从而提高电力系统运行的经济性具有重要战略意义。并且，对于一些危险气体引发的特殊安全事故的预警和应急防护具有重要的现实意义。针对不同时空尺度的风速特征以及不同的应用需求，风速预测方法通常分为物理法、统计法和学习法三类。物理方法通过对风电场所处空间的地形、海拔、粗糙度等环境信息建立空气动力学模型，推理获得风电场风电机组的风速，但在实际应用中，物理法难以建立准确的数学模型描述风电场的地形和大气变化，过程中容易产生误差累积。统计法通过分析大量的历史数据，研究历史风速数据与未来短期风速之间的映射关系，以此为基础建立风速预测数学模型，统计法直接的问题是无法有效的反映风速的随机性，预测误差会随着预测时间的增加而增加。学习法利用智能学习算法通过历史数据以及影响因素拟合风速序列中存在的非线性关系，达到良好的预测效果，但随之而来的，是学习算法中对于大量样本数据普遍存在的训练速度慢、过欠拟合、陷入局部最优和泛化能力差等问题。风速序列内在的随机性与波动性严重的影响了模型的准确性，难以通过原始数据集直接预测获得理想的预测效果。信号处理算法是一种将时序风速序列按不同的中心频率分解为具有规律性的子序列，通过提取子序列的显著特征进行预测重构能够有效降低风速数据的波动性，降低模型复杂度，改善预测精度。传统的经验模态分解(EMD)存在模态分量频率分布不均造成的模态混叠问题。在风速预测现有的方法中，物理法、统计法、学习法都具有各自的优势和局限性，充分利用这些方法的特点构建组合预测模型，减小预测误差，扩展预测时间范围是风速预测的重要发展趋势。不同的模型利用的数据特征信息不尽相同，造成了风速预测模型之间具有不同的预测精度，但是预测精度往往有限。常用的平均加权法存在着预测性能优越的模型被掩盖的问题，无法有效利用其中的特征信息，造成数据信息无法充分利用，影响其预测能力。
技术实现思路
本专利技术所要解决的技术问题是，针对现有技术不足，提供一种风电场短期风速预测方法、系统及电子设备，提高短期风速预测的准确度。为解决上述技术问题，本专利技术所采用的技术方案是：一种风电场短期风速预测方法，包括以下步骤：1)获取风场历史风速数据的风速序列；2)分解所述风速序列，得到一系列具有不同中心频率的模态分量；；3)将每个模态分量分别作为机器学习方法的输入，得到多个第一预测风速；4)叠加所有第一预测风速；5)提取所述风速序列的相关特征，根据这些相关特征构建特征集；将叠加后的第一预测风速作为新的特征加入所述特征集；6)将所述特征集作为机器学习模型的输入，得到第二预测风速；7)通过信息熵融合步骤4)得到的叠加的第一预测风速和步骤6)得到的第二预测风速。本专利技术分解风速序列，可以降低风速序列的波动性与随机性，相比于直接对风速序列进行预测，分解后的模态分量使得预测模型能够更加准确地表达该风速序列，避免风速序列可能的剧烈变化造成的误差，特征集可以辅助预测模型分析风速序列，并根据这些特征避免模型陷入局部最优，提高其泛化性；训练集中加入了叠加后的第一预测风速，保留了第一预测风速的相关信息，充分利用了风速序列的特征信息，本专利技术最终的预测风速能够保留不同模型间的预测精度，使得预测准确的模型分配更大的权重，提高融合后的模型预测准确度。步骤1)获取的风速序列可能包含空数据、错误数据等异常数据，需要对所述风场历史风速数据进行异常数据清洗，得到完整的风速序列，避免异常数据造成的不正常波动性影响预测准确度。优选地，对所述风场历史风速数据进行清洗的具体实现过程包括：利用下式对t时刻的异常风速数据进行清洗：其中，N为风速序列长度。步骤2)中，利用变分模态分解法分解所述风速序列，变分模态分解法具有自适应迭代分解模态分量和中心频率的特性，相比传统的分解方法，不会造成模态混叠导致分解不完全，不会影响预测精度，同时可以减小风速序列波动性和随机性对预测精度的影响，其中第k个模态分量获取过程的具体实现步骤包括：I)将所述风速序列按中心频率分解为K个模态分量，获取每个模态分量的单侧频谱，将模态分量变换至频域，获得频域下的K个模态分量：其中，dk(ω)为频域下的第k个模态分量，ωk为分解后的第k个模态分量的中心频率，dk(t)为分解后的第k个模态分量，为模态分量的单边频谱，δ(t)为狄拉克分布；II)将频域下的第k个模态分量和其中心频率根据傅里叶等距变换转化为如下形式：其中，为偏导数计算，d'k(ω)为傅里叶等距变换变换后的第k个模态分量；ω'k为傅里叶等距变换后的第k个模态分量d'k(ω)的中心频率；为α为平衡参数；f(t)为风速序列；λ为拉格朗日乘子；III)对步骤II)中的模态分量和中心频率在非负频域进行二次优化，得到对应模态分量的最优解，然后通过傅里叶逆变换得到中心频率的局部最优解：其中，为优化后的第k个模态分量，为第k个模态分量的优化中心频率，f(ω)为频域下的风速序列；IV)更新拉格朗日乘子其中τ为分解保真噪声；V)重复步骤II)～步骤IV)，直至获得最终的第k个模态分量；其中，ε为设定的分解精度值。步骤3)中，所述多个第一预测风速的具体获取过程包括：对每个所述模态分量针对不同的自回归项数p和滑动平均项数q进行AIC准则计算。通过AIC准则选取模型参数，降低了人工测试模型参数带来的时间成本，避免了经验和直觉等主观因素对预测精度的影响，为参数选择提供更好的依据。获取最小AIC值对应的自回归项数p和滑动平均项数q，利用所述最小AIC值对应的自回归项数p和滑动平均项数q建立累积式自回归移动平均模型；将所述模态分量作为所述累积式自回归移动平均模型的输入，得到第一预测风速。步骤5)中，提取所述风速序列的相关特征的具体实现过程包括：风速是一个连续变化的过程，可以通过一段时间的历史数据来预测下一时刻的风速，通过具有一定相关性特征的历史数据进行预测，相比直接风速预测拥有更好的预测效果，降低预测模型的输入复杂度。因此可以计算某一时间段的风速序列与该时间段的上一时间段的风速序列之间的相关性，当相关性大于设定阈值时，则这两段风速序列之间具有强相关性，输出该时间段的风速数据；重复该过程，直至输出所有符合相关性要求的风速数据，所有输出的风速数据构成所述特征集；其中自相关分析的表达式为：其中，Xt-k、Xt为风速序列，Xt-k＝{x1,x2,...,xt-k}；Xt＝本文档来自技高网...

【技术保护点】
1.一种风电场短期风速预测方法，其特征在于，包括以下步骤：/n1)获取风场历史风速数据的风速序列；/n2)分解所述风速序列，得到一系列具有不同中心频率的模态分量；/n3)将每个模态分量分别作为机器学习方法的输入，得到多个第一预测风速；/n4)叠加所有第一预测风速；/n5)提取所述风速序列的相关特征，构建特征集，并将叠加后的第一预测风速作为新的特征加入所述特征集；/n6)将所述特征集作为机器学习模型的输入，得到第二预测风速；/n7)融合步骤4)得到的叠加的第一预测风速和步骤6)得到的第二预测风速，得到最终的预测风速。/n

【技术特征摘要】
1.一种风电场短期风速预测方法，其特征在于，包括以下步骤：
1)获取风场历史风速数据的风速序列；
2)分解所述风速序列，得到一系列具有不同中心频率的模态分量；
3)将每个模态分量分别作为机器学习方法的输入，得到多个第一预测风速；
4)叠加所有第一预测风速；
5)提取所述风速序列的相关特征，构建特征集，并将叠加后的第一预测风速作为新的特征加入所述特征集；
6)将所述特征集作为机器学习模型的输入，得到第二预测风速；
7)融合步骤4)得到的叠加的第一预测风速和步骤6)得到的第二预测风速，得到最终的预测风速。


2.根据权利要求1所述的风电场短期风速预测方法，其特征在于，步骤1)中，获取风场历史风速数据的风速序列后，还执行如下操作：对所述风场历史风速数据进行异常数据清洗，得到完整的风速序列；优选地，对所述风场历史风速数据进行清洗的具体实现过程包括：利用下式对t时刻的异常风速数据进行清洗：其中，N为风速序列长度。


3.根据权利要求1或2所述的风电场短期风速预测方法，其特征在于，步骤2)中，利用变分模态分解法分解所述风速序列，第k个模态分量获取过程的具体实现步骤包括：
I)将所述风速序列按中心频率分解为K个模态分量，获取每个模态分量的单侧频谱，将模态分量变换至频域，获得频域下的K个模态分量：其中，dk(ω)为频域下的第k个模态分量，ωk为分解后的第k个模态分量的中心频率，dk(t)为分解后的第k个模态分量，为模态分量的单边频谱，δ(t)为狄拉克分布；
II)将频域下的第k个模态分量和其中心频率根据傅里叶等距变换转化为如下形式：






其中，为偏导数计算，d'k(ω)为傅里叶等距变换变换后的第k个模态分量；ω'k为傅里叶等距变换后的第k个模态分量d'k(ω)的中心频率；为α为平衡参数；f(t)为风速序列；λ为拉格朗日乘子；
III)对步骤II)中的模态分量和中心频率在非负频域进行二次优化，通过傅里叶逆变换得到中心频率的局部最优解，然后通过该中心频率得到对应模态分量的最优解：



其中，为第k个模态分量的优化中心频率，为优化后的第k个模态分量，f(ω)为频域下的风速序列；
IV)更新拉格朗日乘子其中τ为分解保真噪声；
V)重复步骤II)～步骤IV)，直至获得最终的第k个模态分量；其中，ε为设定的分解精度值。


4.根据权利要求1或2所述的风电场短期风速预测方法，其特征在于，步骤3)中，所述多个第一预测风速的具体获取过程包括：对每个所述模态分量针对不同的自回归项数p和滑动平均项数q进行AIC准则计算，获取最小AIC值对应的自回归项数p和滑动平均项数q，利用所述最小AIC值对应的自回归项数p和滑动平均项数q建立累积式自回归移动平均模型；将所述模态分量作为所述累积式自回归移动平均模型的输入，得到第一预测风速。


5.根据权利要求1或2所述的风电场短期风速预测方法，其特征在于，步骤5)中，提取所述风速序列的相关特征的具体实现过程包括：计算某一时间段的风速序列与该时间段的上一时间段的风速序列之间的相关性，当相关性大于设定阈值时，则这两段风速序列之间具有强相关性，输出该时间段的风速数据；重复该过程，直至输出所有符合相关性要求的风速数据，所有输出的风速数据构成所述特征集；其中自相关分析的表达式为：



其中，Xt-k、Xt为风速序列，Xt-k＝{x1,x2,...,xt-k}；Xt＝{xt-k+1,xt-k+2...

【专利技术属性】
技术研发人员：邱盛，廖力清，贾骐源，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43