一种风电场短期风速组合预测方法技术

本发明专利技术涉及一种短期风速组合预测方法，包括步骤：1.从相关数据采集与监视控制系统中提取历史风速数据；2.对提取的风速数据采用聚类经验模态分解进行序列分析；3.对聚类经验模态分解得到的各子序列分别建立最小二乘支持向量机模型，并采用自适应扰动粒子群算法和学习效果反馈对影响最小二乘支持向量机预测效果的三个参数进行综合选取；4.根据最小二乘支持向量机学习效果选用最优参数进行预测；5.叠加各子序列的预测结果，得到风速预测结果；6.对风速预测结果进行误差分析。本发明专利技术建模过程简单实用，能快速有效的进行风速预测，从而有效进行风功率预测，对电力系统的安全稳定和调度运行具有重要意义，具有广泛的推广应用价值。

【技术实现步骤摘要】
一种风电场短期风速组合预测方法
本专利技术涉及一种短期风速组合预测方法，尤其是涉及一种风电场短期风速组合预测方法。
技术介绍
风能作为一种绿色能源日益受到世界各国的重视并得到迅猛发展。然而风能固有的间歇性和波动性等特点却给电力系统带来了诸多挑战，如果能对风电场风速进行有效预测，则有利于调度部门及时调整调度计划，减少电力系统旋转备用和运行成本，减轻风电对电网的影响，为风电场参与发电竞价奠定基础，具有重大的经济和工程应用价值。目前国内外对风速预测进行了大量研究，建立的预测模型主要包括：时间序列模型、人工神经网络模型、支持向量机模型和最小二乘支持向量机模型等。其中最小二乘支持向量机采用二次规划方法将传统支持向量机中的不等式约束变为等式约束，提高了收敛精度，具有较好的非线性拟合能力。然而风速本身具有典型的非线性和非平稳性特征。如果只使用最小二乘支持向量机建立预测模型，虽然能对风速的非线性部分进行较好的拟合，但是风速的非平稳性却会在一定程度上影响预测结果。为了进一步提高预测精度，需有效降低风速序列信号的非平稳性。目前应用于降低风速信号非平稳性的方法主要有小波分解（waveletdecomposition，WD）和经验模态分解（empiricalmodedecomposition，EMD）。WD需人为设置小波函数，EMD则容易引起模态混叠现象。聚类经验模态分解（ensembleempiricalmodedecomposition，EEMD）以噪声辅助信号处理为基础，通过加入小幅度白噪声来均衡信号，有效解决了经验模态分解的模态混叠现象，是对传统经验模态分解的巨大改进，同时其自适应的信号处理特点减少了人为因素对分解结果的影响。在对风速进行聚类经验模态分解后，需要进一步对各分量特征进行挖掘。以避免学习样本信息丢失和预测模型维数选取的随意性等问题。传统的序列特性挖掘方法主要有相空间重构法（phasespacereconstruction，PSR）和Box-jenkins法。相空间重构可有效挖掘风速序列的非线性动力学特性，Box-jenkins法可有效挖掘风速随机性特征。这两种方法的优点是能为模型提供较高质量的学习样本，缺点是虽然为预测模型提供了高质量的学习样本，然而模型对样本的学习效果却不知道，这在一定程度上会增大预测风险。针对这个缺点，本专利技术专利基于预测模型学习效果反馈机制来优化模型学习样本。从研究风速序列的特性出发，本专利技术提出了一种基于聚类经验模态分解（EEMD）和最小二乘支持向量机（LSSVM）的风电场风速组合预测模型。首先使用聚类经验模态分解将风速信号中真实存在的不同尺度趋势或波动逐级分解出来，然后对分解得到的子序列分别构建最小二乘支持向量机预测模型，并基于自适应扰动粒子群算法和学习效果反馈机制综合优化预测模型。最后将各子序列预测结果叠加得到风速预测值。
技术实现思路
本专利技术的上述技术问题主要是通过下述技术方案得以解决的：一种风电场短期风速组合预测方法，其特征在于：包括以下步骤：步骤1、从风电场数据采集与监视控制系统中进行数据提取并记录，并保存历史风速序列数据；步骤2、对步骤1中所提取的风速序列进行聚类经验模态分解，得到两个以上的子序列和一个余量；步骤3、对步骤2中聚类经验模态分解得到的各子序列分别建立最小二乘支持向量机模型，采用自适应扰动粒子群算法和学习效果反馈对影响最小二乘支持向量机模型预测效果的三个参数进行综合选取，该影响最小二乘支持向量机预测效果的三个参数分别是模型输入维数和两个超参数；步骤4、对各子序列根据最小二乘支持向量机的学习效果选用最优参数进行预测，并将各子序列的预测结果进行叠加，得到风速预测结果；本专利技术创造性的提出一种直接考虑相关历史风速数据与未来风速预测值的关系、建模方法简单的风电场短期风速组合预测方法，是一种基于聚类经验模态分解和最小二乘支持向量机的新型风电场风速组合预测模型。首先使用聚类经验模态分解降低风速信号的非平稳性，其次对聚类经验模态分解得到的各子序列分别建立最小二乘支持向量机模型，并采用自适应扰动粒子群算法和学习效果反馈对影响最小二乘支持向量机预测效果的三个参数（模型输入维数和两个超参数）进行综合选取；然后根据最小二乘支持向量机学习效果选用最优参数进行预测，并叠加各子序列的预测结果，得到风速预测结果；最后对风速预测结果进行误差分析。本专利技术所提的组合预测模型具有较高的预测精度和较大的工程应用潜力。在上述的一种短期风速组合预测方法，所述步骤2中，对采集的风速序列进行聚类经验模态分解包括以下三个步骤：步骤2.1、向风速序列中加入白噪声序列；加入的白噪音信号服从(0，(αε)2)的正态分布，其中ε为信号的标准差，α为噪音的强度参数；然后使用经验模态分解将加入白噪声的风速序列分解为若干个子序列和一个余量；步骤2.2、重复步骤1共n次，每次随机加入服从(0，(αε)2)的正态分布的白噪声序列，其中ε为信号序列的标准差，α为序列的强度参数；应当注意的是，随机加入的白噪声只需要符合正态分布，但是每次加入的白噪声不能相同；步骤2.3、将n次分解得到的若干个子序列分别求整体平均，得到原信号的若干个最终子序列。在上述的一种短期风速组合预测方法，所述步骤2中，所述步骤3中，采用自适应扰动粒子群算法和模型学习效果反馈优化最小二乘支持向量机的具体步骤如下：基于定义：风速做为一组随机序列，下一时刻的风速与之前m个序列相关，即对于t时刻风速x(t)，与之前m个时刻的风速有关，即存在这样的关系：x(t)＝f(x(t-1)，x(t-2)，…，x(t-m))，定义3≤m≤12，即下一时刻的风速与之前3到12个时刻的风速序列数据有关，则综合选取过程如下：步骤3.1、初始化参数并设定最大迭代次数，包括粒子群算法的参数和初始化输入维数3，初始化的粒子群参数包括：种群规模m，维数D，权重系数wmax和wmin，加速常数c1和c2，最大进化代数Tmax以及适应度方差阀值；步骤3.2、基于自适应扰动粒子群算法优化最小二乘支持向量机模型；步骤3.3、对优化后的模型，以训练数据均方差为标准检验模型学习效果；步骤3.4、判断是否结束，即是否达到最大迭代次数，是，比较并输出最佳学习效果情况下的维数及LSSVM超参数；否，维数加1并转到步骤3.2；步骤3.5、以学习效果最佳情况下的输入维数和LSSVM超参数建模进行风速预测，并进行误差分析。在上述的一种短期风速组合预测方法，所述步骤2.1中，经验模态分解的步骤如下：步骤2.1.1、求得风速时间序列{X(t)}中所有的极大值和极小值，采用三次样条函数进行插值拟合上包络线bmax(t)和下包络线bmin(t)；步骤2.1.2、计算上下包络线平均值m(t)，其中m(t)＝[bmax(t)+bmin(t)]/2，提取h(t)＝X(t)-m(t)，判断h(t)是否满足如下两个固有模态分量条件：满足条件一，整个固有模态分量序列中的零点数与极点数至多相差1个;满足条件二，在任意点，由局部极小值点定义的包络线和局部极大值点定义的包络线均值为0；如果满足，则h(t)就是第一个固有模态分量；步骤2.21、如果不满足步骤2.1.2中的两个条件，则将h(t)作为原始序列重复步骤2.1.1和步骤2.1.2，直到本文档来自技高网...

【技术保护点】
风电场短期风速组合预测方法，其特征在于：包括以下步骤：步骤1、从风电场数据采集与监视控制系统中进行数据提取并记录，并保存历史风速序列数据；步骤2、对步骤1中所提取的风速序列进行聚类经验模态分解，得到两个以上的子序列和一个余量；步骤3、对步骤2中聚类经验模态分解得到的各子序列分别建立最小二乘支持向量机模型，采用自适应扰动粒子群算法和学习效果反馈对影响最小二乘支持向量机模型预测效果的三个参数进行综合选取，该影响最小二乘支持向量机预测效果的三个参数分别是模型输入维数和两个超参数；步骤4、对各子序列根据最小二乘支持向量机的学习效果选用最优参数进行预测，并将各子序列的预测结果进行叠加，得到风速预测结果。

【技术特征摘要】
1.风电场短期风速组合预测方法，其特征在于：包括以下步骤：步骤1、从风电场数据采集与监视控制系统中进行数据提取并记录，并保存历史风速序列数据；步骤2、对步骤1中所提取的风速序列进行聚类经验模态分解，得到两个以上的子序列和一个余量；步骤3、对步骤2中聚类经验模态分解得到的各子序列分别建立最小二乘支持向量机模型，采用自适应扰动粒子群算法和学习效果反馈对影响最小二乘支持向量机模型预测效果的三个参数进行综合选取，该影响最小二乘支持向量机预测效果的三个参数分别是模型输入维数和两个超参数；步骤4、对各子序列根据最小二乘支持向量机的学习效果选用最优参数进行预测，并将各子序列的预测结果进行叠加，得到风速预测结果；所述步骤2中，对采集的风速序列进行聚类经验模态分解包括以下三个步骤：步骤2.1、向风速序列中加入白噪声序列；加入的白噪音信号服从的正态分布，其中ε为信号序列的标准差，α为噪音序列的强度参数；然后使用经验模态分解将加入白噪声的风速序列分解为若干个子序列和一个余量；步骤2.2、重复步骤2.1共n次，每次随机加入服从(0,(αε)2)的正态分布的白噪声序列，其中ε为信号序列的标准差，α为噪音序列的强度参数；步骤2.3、将n次分解得到的若干个子序列分别求整体平均，得到原信号的若干个最终子序列；所述步骤3中，采用自适应扰动粒子群算法和模型学习效果反馈优化最小二乘支持向量机的具体步骤如下：基于定义：风速做为一组随机序列，下一时刻的风速与之前m个序列相关，即对于t时刻风速x(t)，与之前m个时刻的风速有关，即存在这样的关系：x(t)＝f(x(t-1),x(t-2),…,x(t-m))，定义3≤m≤12，即下一时刻的风速与之前3到12个时刻的风速序列数据有关，则综合选取过程如下：步骤3.1、初始化参数并设定最大迭代次数，包括粒子群算法的参数和初始化输入维数3，初始化的粒子群参数包括：种群规模m，维数D，权重系数wmax和wmin，加速常数c1和c2，最大进化代数Tmax以及适应度方差阈值；步骤3.2、基于自适应扰动粒子群算法优化最小二乘支持向量机模型，具体步骤如下：步骤3.2.1、对风速序列进行归一化整理；采用最大最小法对模型学习样本和测试样本进行归一化处理：式二中：是序列{X(t)}中某一变量数据x(t)归一化后数据，xmin为序列{X(t)}中该变量最小值，xmax为{X(t)}中该变量最大值；x(t)为t时刻风速；步骤3.2.2、粒子群参数设置及种群初始化：设定的参数包括种群规模m＝30...

【专利技术属性】
技术研发人员：胡志坚，王贺，
申请(专利权)人：武汉大学，
类型：发明
国别省市：