一种风电场风速智能预测方法技术

一种风电场风速智能预测方法，所述方法的步骤包括数据采集与输入、数据序列分层、建立数学模型、预测综合计算和预测结果输出；数据序列分层是采用小波包分解法，将原始非平稳风速分解成至少为两个的趋于平稳的风速数据输出，风速数据输出的个数就定义为风速的序列层数；建立数学模型，是对风速的序列层数中每层数据单独进行处理，对于高频序列层建立BP神经网络模型、高频数据计算，然后进入数据栈；对于低频序列层建立时间序列模型、低频数据计算，然后进入数据栈；当所有数据全部到达数据栈后，数据栈中的所有数据才进入预测综合计算步骤进行加权计算，最后执行预测结果输出。本发明专利技术的方法属于智能法，能够实现多步超前预测。

【技术实现步骤摘要】

本专利技术涉及。
技术介绍
近年来，绿色环保的风力发电得到了世界各国的普遍重视，发展也非常迅速。在决定风力发电机组的安装容量与安装位置之前，风速的超前预测结果能够帮助决策者事先提前获得预测地的风力发电的资源潜力。此外，风速预测技术对于保护风机等设备、监控风电并网也非常重要。因此，风电场风速预测具有非常重大的社会和经济意义。中国专利技术专利《一种风电场短期风速预测方法》(申请号201019146035. 5)公开了基于混沌分析方法和支持向量机的风电场风速预测方法。该方法虽然直接通过支持向量机获得了较高的预测精度，但支持向量机是通过二次规划来求解支持向量，而求解二次规划将涉及到大型m阶矩阵的计算(m为样本的个数)，当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间，模型将无法实时输出预测值。其不足之处该专利技术无法用于实时的大型风电场风速预警监控系统中。中国专利技术专利《基于神经网络的短时风速预报方法》(申请号200910219123. 3)公开了基于风速、风向、温度和气压的BP神经网络风电场风速预测方法。该方法选择了应用最为广泛的BP神经网络模型来对风速、风向、温度和压力等多维时间序列数据进行空间拟合，从而实现风速的预测。其不足之处是由于使用了多种类的样本数据从而造成BP神经网络模型负责、模型的训练和预测输出时间偏长、预测精度不高、预测实时性难以保障等缺点，同时多种类数据的采集也势必增加实际应用系统的负担。上述专利均不能实现超前多步预测。
技术实现思路
本专利技术的目的在于克服现有技术中的不足，基于成熟的小波包分解法、时间序列分析法、神经网络、支持向量机四种算法的分类混合建模，提供一种高精度、简单方便、能实现超前多步预测的风电场风速智能预测方法。本专利技术的目的通过下述技术方案予以实现所述方法的步骤包括数据采集与输入、数据序列分层、建立数学模型、预测综合计算和预测结果输出，所述预测综合计算是对数学模型中的数据进行加权计算；所述数据序列分层是采用小波包分解法，将原始非平稳风速分解成至少为两个的趋于平稳的风速数据输出，风速数据输出的个数就定义为风速的序列层数；所述建立数学模型，是对风速的序列层数中每层数据单独进行处理，首先按照事先的设定，判定当前数据为高频序列层还是低频序列层，如果当前数据属于高频序列层，则进行以下处理建立BP神经网络模型、高频数据计算，然后进入数据栈；如果当前数据属于低频序列层，则进行以下处理建立时间序列模型、低频数据计算，然后进入数据栈；当所有数据全部到达数据栈后，数据栈中的所有数据才进入预测综合计算步骤进行加权计算， 最后执行预测结果输出。所述建立BP神经网络模型的步骤包括(1)、当前数据为高频序列层的确认；(2)、数据归一化处理；(3)、BP神经网络结构的确立；(4)、BP神经网络的训练；(5)、BP神经网络的预测输出的确定；(6)、BP神经网络模型的计算及其输出。所述建立时间序列模型的步骤包括(1)、当前数据为低频序列层的确认；(2)、时间序列模型类别辨识；(3)、时间序列模型阶次确定；(4)、时间序列模型参数确定；(5)、时间序列模型的计算及其输出。所述时间序列模型参数确定过程中，引入了能够提高传统时间序列模型的泛化能力的支持向量机法，即将时间序列模型的方程作为支持向量机的结构，按照支持向量机的结构风险最小化原则来确定时间序列模型的参数值，然后将所得的参数值代入时间序列模型的方程进行预测计算。与现有技术相比，本专利技术具有优点(a)本专利技术采用小波包分解法将原始跳跃风速数据预先分解成几层较为平稳的风速序列层的做法提高了模型抗跳跃性的能力，使得模型可以获得高精度的跳跃风速预测精度。该优点在后面的实施例I中得到体现；(b)本专利技术对小波包分解后的低频、高频风速序列层采用分类预测的做法既兼顾了模型的预测精度，又降低了计算难度和保证了预测输出的实时性；(C)从
技术介绍
可知，支持向量机是一种出色的智能算法。但如果将其直接用于预测计算，由于涉及大矩阵计算使得模型的实时性难以保证。为改进这个不足，本专利技术采用一种新思路不将支持向量机直接用于预测计算，而是用于时间序列模型的参数估计优化中，这样不仅获得了其出色的算法性能，而且有效地缩短了预测输出的时间；Cd)本专利技术计算简单，预测精度高，能完成超前多步预测计算，可推广于相关实际系统中。该优点在后面的比较例I、比较例2中得到验证。附图说明附图I为本专利技术方法的流程框图。为实施例I在某风电场所采集的非平稳风速数据。为小波包分解示意图。为图2数据经过小波包分解后被转化为8个序列分层数据。 为图4中第(3，0)低频序列层的建模数据集的自相关系数图。 为图4中第(3，0)低频序列层的建模数据集的偏相关系数图。附图2附图3附图4附图5附图6附图7为图4中第(3，0)低频序列层的建模数据集的FPE阶次图。图8为实施例I超前一步预测结果输出；图9为实施例I超前两步预测结果输出；图10为实施例I超前三步预测结果输出。图I中1_数据采集与输入，2-数据序列分层，3-建立数学模型，4-预测综合计算，5-预测结果输出，6-低频序列层，7-建立时间序列模型，8-低频数据计算，9-高频序列层，10-建立BP神经网络模型11-高频数据计算，12-数据栈。具体实施例方式下面结合附图和实施例对本专利技术作进一步说明参照附图，所述方法的步骤包括数据采集与输入I、数据序列分层2、建立数学模型3、 预测综合计算4和预测结果输出5，所述预测综合计算4是对数学模型中的数据进行加权计算；所述数据序列分层2是采用小波包分解法，将原始非平稳风速分解成至少为两个的趋于平稳的风速数据输出，风速数据输出的个数就定义为风速的序列层数；所述建立数学模型3，是对风速的序列层数中每层数据单独进行处理，首先按照事先的设定，判定当前数据为高频序列层9还是低频序列层6，如果当前数据属于高频序列层9，则进行以下处理建立 BP神经网络模型10、高频数据计算11，然后进入数据栈12 ;如果当前数据属于低频序列层 6，则进行以下处理建立时间序列模型7、低频数据计算8，然后进入数据栈12 ;当所有数据全部到达数据栈12后，数据栈12中的所有数据才进入预测综合计算4步骤进行加权计算， 最后执行预测结果输出5。所述建立BP神经网络模型10的步骤包括(1)、当前数据为高频序列层9的确认；(2)、数据归一化处理；(3)、BP神经网络结构的确立；(4)、BP神经网络的训练；(5)、BP神经网络的预测输出的确定；(6)、BP神经网络模型的计算及其输出。所述建立时间序列模型7的步骤包括(1)、当前数据为低频序列层6的确认；(2)、时间序列模型类别辨识；(3)、时间序列模型阶次确定；(4)、时间序列模型参数确定；(5)、时间序列模型的计算及其输出。所述时间序列模型参数确定过程中，引入了能够提高传统时间序列模型的泛化能力的支持向量机法，即将时间序列模型的方程作为支持向量机的结构，按照支持向量机的结构风险最小化原则来确定时间序列模型的参数值，然后将所得的参数值代入时间序列模型的方程进行预测计算。目前，风电场风速短期预测方法主要归纳为三种物理法、统计法和智能法，目前最流行的是智能法。智能法就是利用智能控制理论对风速信号建立预测模型或是优化改进传统物理或统计预测模型本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：刘辉，田红旗，潘迪夫，许平，高广军，李燕飞，王中钢，
申请(专利权)人：中南大学，
类型：发明
国别省市：