【技术实现步骤摘要】
本专利技术属于风力发电系统中的超短期风速预测
,更为具体地讲,涉及。
技术介绍
目前,国内外对于风力发电各种课题的研究越来越深入,风电作为一种间歇性能源,具有很大的随机性和不可控制性,其输出功率的波动范围通常较大,速度较快,导致电网调峰、无功及电压控制十分困难,给电网的安全稳定及正常调度带来新的问题。基于历史数据的风速预测的常用方法包括持续法、卡尔曼滤波法、随机时间序列法、神经网络法、模糊逻辑法、空间相关性方法和支持向量机法(supportvector machine,SVM)等。目前,风电场短期风速预测的绝对平均误差为25%-40%。其中,基于小波核函数的支持向量机模型(wavelet support vectormachine, WSVM)不仅对非平稳信号具有局部分析和特征提取的优点,而且能够在扩展空间中逼近任意非线性函数,具有较高的精度。然而,单一核函数具有其应用上的局限性,会直接影响风速预测的精度。
技术实现思路
本专利技术的目的在于克服现有技术的不足,提供,采用组合核函数,提高支持向量机模型的预测能力;并通过相似数据提取训练样本,增强了支持向量回归模型的非线性拟合能力,提高了超短期风速预测的精度。本专利技术基于组合核 函数的风电场超短期风速预测方法,其特征在于,包括以下步骤(I)、采集风电场的风速数据,按照时间顺序排列成风速的时间序列数据X,时间序列表达式为X = {xt, t = I, 2, . . . , N. }其中,N为风速时间序列的个数;(2)风速时间序列X的自相关度计算公式为 I NrD=Σ (X1 - μ)( -Vd - μ) ...
【技术保护点】
一种基于组合核函数的风电场超短期风速预测方法,其特征在于,包括以下步骤:(1)、采集风电场的风速数据,按照时间顺序排列成风速的时间序列数据X,时间序列表达式为:X={xt,t=1,2,...,N.}其中,N为风速时间序列的个数;(2)风速时间序列X的自相关度计算公式为:rD=1(N-D)s2Σt=DN(xt-μ)(xt-D-μ)其中,rD为自相关度,0≤rD≤100%,μ和s分别为风速时间序列的均值和标准差,D为嵌入维度,即选择的特征的个数;设定一个自相关度的值rT,计算嵌入维度D;(3)、对风速时间序列X进行归一化处理,换算为[0,1]的范围内的相对风速,归一化处理公式为:x~t=N(xt-x‾)Σt=1N(xt-x‾)其中,为归一化后的时刻t的相对风速,为风速时间序列X的平均值,N为风速时间序列的个数;(4)支持向量机模型的训练样本输入序列为时刻t前的历史风速序列,训练样本输出为t时刻的风速,根据嵌入维度D得到训练样本输入矩阵P:P=x~1,...,x~D-2,x~D-1,x~Dx~2,...,x~D-1,x~D, ...
【技术特征摘要】
1.一种基于组合核函数的风电场超短期风速预测方法,其特征在于,包括以下步骤 (1)、采集风电场的风速数据,按照时间顺序排列成风速的时间序列数据X,时间序列表达式为 其中,N为风速时间序列的个数; (2)风速时间序列X的自相关度计算公式为 其中,rD为自相关度,O ^rD ^ 100%, u和s分别为风速时间序列的均值和标准差,D为嵌入维度,即选择的特征的个数; 设定一个自相关度的值rT,计算嵌入维度D ; (3)、对风速时间序列X进行归一化处理,换算为的范围内的相对风速,归一化处理公式为2.根据权利要求1所述的风电场超短期风速预测方法,其特征在于,所述步骤(6)中可调参...
【专利技术属性】
技术研发人员:凡时财,邹见效,徐红兵,李文茹,
申请(专利权)人:电子科技大学,
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。