一种短期风速预测方法、系统及电子设备技术方案

本发明专利技术提供一种短期风速预测方法、系统及电子设备，涉及风力发电技术领域。本发明专利技术包括对数据集进行预处理及划分，利用训练集对搭建的SMA‑LSSVM模型进行训练，保留最优模型，并采用保留最优模型进行预测验证，最终将待测数据进行数据预处理后，输入验证后的最优模型，获取风速预测结果。本发明专利技术采用组合分解、优化与预测算法，实现了对算法的有机统一，对风速能够进行较为彻底的分解；SMA‑LSSVM模型能够更好的拟合真实数据，具有较好的拓展能力，对于不同的使用场景与情况可以进行更换相关算法，本发明专利技术具有较高的预测精度和适用范围，提高了风速预测的精度和稳定性。

【技术实现步骤摘要】

本专利技术涉及风力发电，尤其是涉及一种短期风速预测方法、系统及电子设备。

技术介绍

1、风力发电是将风的动能转化成电能，近年来，风电大规模地应用于电力系统。事实上，自然界的风具有间歇性和波动性特点，使得风力发电也存在不稳定性和波动性，随着风力发电的快速发展，风电在电网中的占比越来越大，同时也带来了问题与挑战。对风电场进行准确的超短期风速预测，能够降低由于风机的突然切出而造成的电压和频率波动，在风机控制的角度提高了风电并网的能力，对风电场并网操作和风机的控制都有着重要的作用。

2、现有的风速预测方法包括以下几种：持续预测法、时间序列法、卡尔曼滤波法、人工神经网络法和空间相关性法等。当前，研究者对风速预测的研究更为关注，发现单一的算法难以处理预测不断波动的风速变化序列。一、持续预测法将最近的几点数据进行加权作为下一点的风速预测值，但这种方法的预测误差较大，通常作为基准比较方法，来评价其他预测方法的精确度。二、时间序列法，也称arma模型，利用历史数据，通过模型识别、参数估计以及模型检验来建模，推导出预测模型，从而对风速的时间序列进行预测。三、数据量本文档来自技高网...

【技术保护点】

1.一种短期风速预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的短期风速预测方法，其特征在于，SMA-LSSVM模型中的LSSVM模型包括采用非线性映射，并加入风险最小化原则后转化为最优问题，并加入约束条件，引入Lagrange函数，建立回归方程，确定核函数后，再引入SMA处理获得的最佳的惩罚参数c和核函数参数g，进行回归方程的求解。

3.根据权利要求2所述的短期风速预测方法，其特征在于，LSSVM模型具体包括：

4.根据权利要求1所述的短期风速预测方法，其特征在于，所述数据预处理包括：对数据进行归一化后，再进行VMD分解预处理，归一化公...

【技术特征摘要】

1.一种短期风速预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的短期风速预测方法，其特征在于，sma-lssvm模型中的lssvm模型包括采用非线性映射，并加入风险最小化原则后转化为最优问题，并加入约束条件，引入lagrange函数，建立回归方程，确定核函数后，再引入sma处理获得的最佳的惩罚参数c和核函数参数g，进行回归方程的求解。

3.根据权利要求2所述的短期风速预测方法，其特征在于，lssvm模型具体包括：

4.根据权利要求1所述的短期风速预测方法，其特征在于，所述数据预处理包括：对数...

【专利技术属性】
技术研发人员：魏业文，张轲钦，方豪，张子洵，李艺博，邱天一，李熠俊，吕荣胜，顾佳，刘霁欧，周成，
申请(专利权)人：三峡大学，
类型：发明
国别省市：