本发明专利技术公布了一种插值修匀优化的支持向量回归机风速组合预测方法，包括以下步骤：步骤1：对所获得的风电场风机轮毂高度的风速初始数据进行预处理，并分析样本数据，选择插值修匀优化的时间域；步骤2：对所选择的时间域内的风速时间序列进行插值修匀优化处理；步骤3：对插值修匀优化处理后的风速序列进行相空间重构形成建模所需的样本集；步骤4：利用步骤3中所获得的样本集建立对应的插值修匀优化支持向量回归机风速组合预测模型。该方法在同等数据条件下可以获得比一般的统计方法更高的预测精度，增进风电的可知性和可控性，有利于大规模风电的并网发展，保障风电场和电力调度部门的利益。
【技术实现步骤摘要】
本专利技术涉及风电
，尤其涉及。
技术介绍
风电作为一种清洁可再生能源越来越受到各国的重视，但是由于风速自身所有的随机波动性、间歇性和不可控性增加了风电有功输出的不确定性。这种不确定性将会增加电网调度的难度，影响电网的安全稳定性，有悖于大规模风电并网运行的发展趋势。进行准确的预测是解决该问题的有效措施。风速直接决定了风电场输出的电能，因此可以通过对风机轮毂高度的风速进行准 确的预测来获得风电场有功输出状况，有利于电力系统部门安排更加合理的调度计划，从而有效的减轻风电并网对配电网带来的影响。
技术实现思路
本专利技术解决的技术问题在于获得更高的风速预测精度。为了解决以上问题，，包括以下步骤步骤I :对所获得的风电场风机轮毂高度的风速初始数据进行预处理，并分析样本数据，选择插值修匀优化的时间域；步骤2 :对所选择的时间域内的风速时间序列进行插值修匀优化处理；步骤3 :对插值修匀优化处理后的风速序列进行相空间重构形成建模所需的样本集;步骤4 :利用步骤3中所获得的样本集建立对应的插值修匀优化支持向量回归机风速组合预测模型。进一步，作为一种优选，步骤I中所述选择插值修匀优化的时间域具体包括以下步骤对预处理之后的风速时间序列进行按位作差的比对分析，即对于风速时间序列Ax= (X2-X1),处理为(X2-X1)，(X3-X2) ,, (Xn-Xlri),并对处理后的序列赋予相应的时刻属性，即假定t = I时刻对应风速变化差为Ax = (X2-X1),以此类推,当t = n-1时刻对应风速变化差A X=(Xn-Xlri),对该风速变化差时间序列从大到小排序分析，对该序列赋予排序序号，即风速变化差最大的为X=I号，以此类推，风速变化差最小的序号为x=n-l，按照选择风速变化差最大的对称左右时间邻域或包含从最大风速变化差开始到第X号风速变化差之间的时间域的原则选择所需插值修匀优化的时间域。进一步，作为一种优选，所述步骤2具体包括以下步骤对于风速序列Xl，X2,巧…Xn,在每两个风速时刻假设对应的风速值为Xm和xm+1之间插入一个新的风速时刻，对应的风 Y + Y速值为2_______，从而获得一个新的风速时间序列，设为V1, V2,…v2lri。进一步，作为一种优选，所述步骤3中在进行相空间重构形成所需样本集时假设当前时刻的风速是由P个历史风速决定的，有关系式Vm=f (vm_p, vm_p+1, Vm^1)成立,其中P称为嵌入维数，然后按预测需要分为训练样本集和测试样本集。在重构第n个样本数据时，输入样本的第P维风速数据为Vlrtri,当P+n-1的数值为偶数时令Vlrtri = vp+n_2，若为奇数则不做变换。进一步，作为一种优选，所述步骤4中具体步骤如下步骤4. I :将得到的训练样本集分别输入给BP神经网络和支持向量机，采用对应的算法建立相应的BP神经网络和支持向量机的风速预测模型，对所获得的模型进行测试分析，获得对应的预测输出；步骤4. 2 :对获得的BP神经网络和支持向量机风速预测模型的预测输出值进行后续处理，按照所需预测时刻选择输出值，保存预测输出和对应的时刻属性，并进行预测误差分析； 步骤4. 3 :将插值修匀优化后的BP神经网络和支持向量机预测模型的输出结果作为SVR组合风速预测模型的输入，同时结合预测时刻的真实风速值进行相空间重构获得组合预测样本集，然后建立插值修匀优化的支持向量回归机风速组合预测模型。与现有技术相比本专利技术的有益效果是利用本专利技术的方法进行风速预测时，所建立的预测模型在同等数据条件下可以获得比一般的统计方法更高的预测精度，增进风电的可知性和可控性，有利于大规模风电的并网发展，保障风电场和电力调度部门的利益。附图说明当结合附图考虑时，通过参照下面的详细描述，能够更完整更好地理解本专利技术以及容易得知其中许多伴随的优点，但此处所说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定，其中图I本专利技术实施例的方法流程图；图2插值修匀优化的支持向量回归机风速组合预测方法效果图。具体实施例方式以下参照图I对本专利技术的实施例进行说明。为使上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。如图I所示，，包括以下步骤SI、预测开始；S2、获取原始风速数据；S3、预处理；S4、选择合适时间域；S5、插值修匀优化；S6、重构样本集；S7、支持向量(SVM)建模； S8、BP 神经网络(BP-ANN)建模；S9、SlO 测试模型；S11、后续处理选择测试样本；S12、重构样本集；S13、支持向量回归机(SVR)风速组合建模； S14、误差分析并输出风速组合预测模型。实施例以下实现方式是举例说明在MATLAB仿真平台上实现的预测方案。采用的预测数据取自山西省某在运营风电场的实测风速数据，目标是对短期风速进行预测，时间尺度选择为I小时。选择该风场2008年3月I日00 :00时刻到5月I日09:00时刻的历史风速数据作为研究对象。具体的实现步骤如下步骤I :对调研获取的风速数据进行预处理，剔除坏值。并对数据进行归一化处理，将其通过式 I = (ymax-ymin) X (x-xmin) + (Xniax-Xniin)+Yniin 转换到之间。步骤2 :在MATLAB平台上导入和读取样本数据，分析样本数据，选择插值修匀优化的时间域对预处理之后的风速时间序列进行按位作差进行比对分析，即对于风速时间序列Ax= (X2-X1),处理为(X2-X1), (X3-X2),…，(Xn-Xlri),并对处理后的序列赋予相应的时刻属性，即假定t = I时刻对应风速变化差为Ax= (X2-X1),以此类推，当t = n-1时刻对应风速变化差Ax= (Xn-Xlri),对风速变化时间序列进行从大到小排序分析，选择风速变化差最大的左右邻域为所需插值修匀优化的时间域，即4月I日00 00时刻到4月10日09:00时刻作为插值的时间域。步骤3 :对所选择的时间域内的风速时间序列进行插值修匀优化处理对于风速序列Xl，X2, x^xn，在每两个风速时刻假设对应的风速值为Xm和Xm+1之间插入一个新的风速时刻，对应的风速值为，从而获得一个新的风速时间序列，设为V1, V2, v2n—I O步骤4 :对处理后的序列进行相关性分析，获得最佳的嵌入维数为6。然后进行数据样本集的重构。但要遵循以下原则因为嵌入维数为6，在重构第n个样本数据时，输入样本的第6维风速数据为当(6+n-l)为偶数时令 Vjj+n-fVjj+ni。步骤5 :利用优化后的样本集在MATLAB平台上分别实现BP神经网络法和支持向量机法的风速预测模型的搭建(I)BP神经网络法建模选择的是单隐层BP网络，隐层节点数为20，输出维数为I维，选择变学习率动量梯度算法，对应样本预测的平均相对误差值为6. 4901%。(2)支持向量机法建模采用交叉验证法获得模型的参数为c=4，g=0. 5 (其中c为惩罚系数，g为核宽度)，对应样本预测的平均相对误差值为6. 8737%。步骤6 :对上述步骤的预测输出进行后续处理，获得风速预测时刻对应的BP-ANN和SVM的预测风速本文档来自技高网...
【技术保护点】
一种插值修匀优化的支持向量回归机风速组合预测方法，其特征在于，包括以下步骤：步骤1：对所获得的风电场风机轮毂高度的风速初始数据进行预处理，并分析样本数据，选择插值修匀优化的时间域；步骤2：对所选择的时间域内的风速时间序列进行插值修匀优化处理；步骤3：对插值修匀优化处理后的风速序列进行相空间重构形成建模所需的样本集；步骤4：利用步骤3中所获得的样本集建立对应的插值修匀优化支持向量回归机风速组合预测模型。
【技术特征摘要】
【专利技术属性】
技术研发人员：王小君，柏丹丹，和敬涵，李智诚，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。