一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法技术

本发明专利技术公开了一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法，包括了以下步骤：S1、获取风速历史数据；S2、采用改进的奇异谱分析将风速序列分解成一系列子序列，其中改进的奇异谱分析引入奇异熵判断风速序列的噪声成分并去除；S3、划分每个子序列的训练数据，分别建立Bp神经网络模型并完成训练；S4、对改进奇异谱分析分解得到的子序列分别预测；S5、组合所有子序列的预测结果完成风速预测。本发明专利技术通过改进的奇异谱分析去除了原始风速序列的噪声影响，进一步提高了风速的预测精度。

【技术实现步骤摘要】
一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法
本专利技术涉及超短期风速预测领域，更具体地，涉及一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法。
技术介绍
：风电作为一种零排放，运行成本低的新能源发电技术，在全球电力生产行业中高速发展。然而，风速的波动性、间接性及低能量密度等特点会提高风电并网的难度，以及降低电力系统运行的可靠性。因此，准确可靠的风速预测对于风电并网以及电力系统的安全稳定分析具有重要意义。目前对于风速预测的研究主要有物理方法、统计方法或者结合二者三类。然而，物理方法需要高精度的气象预报数据，同时更适合用来进行风电场建设前期评估的中长期预测，而单一统计方法不能完全捕捉风速数据的全部特征，其预测精度难以保证。因此，近年来学者们致力于通过组合多个单一模型形成多模型的预测方法以得到更好的预测性能。其中，机器学习模型因其强大的拟合能力被广泛应用于超短期风速预测，但是因为输入数据的限制，无法挖掘出原始风速序列的特征，导致预测精度不高。
技术实现思路
针对风电场采集的风速数据受到较多本文档来自技高网...

【技术保护点】
1.一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法，其特征在于，所述方法包括以下步骤：/n步骤1：采集风速的历史数据，具体是此步骤是获取某地D天内，设定时间间隔的轮毂高度风速(m/s)，共计N个数据；/n步骤2：对原始风速序列利用改进的奇异谱分析进行分解；/n步骤3：对分解得到的子序列划分训练集，并建立Bp神经网络模型完成训练；/n步骤4：分别用训练好的模型对子序列进行多步预测，具体是：将预测初始时刻最近的n个历史风速值作为输入，根据训练好的神经网络预测第一步的风速值；把第一步的风速预测值当作已知量，同时将输入向前推一个，作为神经网络的新输入，预测第二步的风速值；依次进行预测，就可...

【技术特征摘要】
1.一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法，其特征在于，所述方法包括以下步骤：
步骤1：采集风速的历史数据，具体是此步骤是获取某地D天内，设定时间间隔的轮毂高度风速(m/s)，共计N个数据；
步骤2：对原始风速序列利用改进的奇异谱分析进行分解；
步骤3：对分解得到的子序列划分训练集，并建立Bp神经网络模型完成训练；
步骤4：分别用训练好的模型对子序列进行多步预测，具体是：将预测初始时刻最近的n个历史风速值作为输入，根据训练好的神经网络预测第一步的风速值；把第一步的风速预测值当作已知量，同时将输入向前推一个，作为神经网络的新输入，预测第二步的风速值；依次进行预测，就可以完成风速序列的多步预测；
步骤5：组合所有子序列的多步预测结果完成风速的多步预测并进行预测结果评价，评价指标包括：
均方根误差(RMSE)：
平均绝对误差(MAE)：
平均绝对百分比误差(MAPE)：


2.根据权利要求1所述的一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法，其特征在于，步骤2中改进的奇异谱分析具体包括：
步骤2.1、构造轨迹矩阵，定义原始风速序列x＝[x1,x2,…,xN]T，其中，N为风速序列长度，定义窗口长度为L(1＜L＜N/2)；轨迹矩阵X被表示如下；



步骤2.2、奇异值分解，对矩阵XXT进行奇异值分解得到L个按照从大到小排列的特征值...

【专利技术属性】
技术研发人员：邓长虹，杨秋玲，王学斌，甘嘉田，卢国强，傅国斌，丁玉杰，
申请(专利权)人：武汉大学，国网青海省电力公司电力科学研究院，
类型：发明
国别省市：湖北;42