[發(fā)明專利]一種風(fēng)電場風(fēng)速智能預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201210036118.0
• 申請日: 2012-02-17
• 公開（公告）號: CN102609766A
• 公開（公告）日: 2012-07-25
• 發(fā)明（設(shè)計）人: 劉輝;田紅旗;潘迪夫;許平;高廣軍;李燕飛;王中鋼
• 申請（專利權(quán)）人: 中南大學(xué)
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 長沙丁卯專利代理事務(wù)所(普通合伙) 43211
• 代理人: 陳書誠

?

技術(shù)領(lǐng)域

本發(fā)明涉及一種風(fēng)電場風(fēng)速智能預(yù)測方法。

背景技術(shù)

近年來，綠色環(huán)保的風(fēng)力發(fā)電得到了世界各國的普遍重視，發(fā)展也非常迅速。在決定風(fēng)力發(fā)電機組的安裝容量與安裝位置之前，風(fēng)速的超前預(yù)測結(jié)果能夠幫助決策者事先提前獲得預(yù)測地的風(fēng)力發(fā)電的資源潛力。此外，風(fēng)速預(yù)測技術(shù)對于保護(hù)風(fēng)機等設(shè)備、監(jiān)控風(fēng)電并網(wǎng)也非常重要。因此，風(fēng)電場風(fēng)速預(yù)測具有非常重大的社會和經(jīng)濟意義。

中國發(fā)明專利《一種風(fēng)電場短期風(fēng)速預(yù)測方法》（申請?zhí)枺?01019146035.5）公開了基于混沌分析方法和支持向量機的風(fēng)電場風(fēng)速預(yù)測方法。該方法雖然直接通過支持向量機獲得了較高的預(yù)測精度，但支持向量機是通過二次規(guī)劃來求解支持向量，而求解二次規(guī)劃將涉及到大型m階矩陣的計算（m為樣本的個數(shù)），當(dāng)m數(shù)目很大時該矩陣的存儲和計算將耗費大量的機器內(nèi)存和運算時間，模型將無法實時輸出預(yù)測值。其不足之處：該發(fā)明無法用于實時的大型風(fēng)電場風(fēng)速預(yù)警監(jiān)控系統(tǒng)中。

中國發(fā)明專利《基于神經(jīng)網(wǎng)絡(luò)的短時風(fēng)速預(yù)報方法》（申請?zhí)枺?00910219123.3）公開了基于風(fēng)速、風(fēng)向、溫度和氣壓的BP神經(jīng)網(wǎng)絡(luò)風(fēng)電場風(fēng)速預(yù)測方法。該方法選擇了應(yīng)用最為廣泛的BP神經(jīng)網(wǎng)絡(luò)模型來對風(fēng)速、風(fēng)向、溫度和壓力等多維時間序列數(shù)據(jù)進(jìn)行空間擬合，從而實現(xiàn)風(fēng)速的預(yù)測。其不足之處：是由于使用了多種類的樣本數(shù)據(jù)從而造成BP神經(jīng)網(wǎng)絡(luò)模型負(fù)責(zé)、模型的訓(xùn)練和預(yù)測輸出時間偏長、預(yù)測精度不高、預(yù)測實時性難以保障等缺點，同時多種類數(shù)據(jù)的采集也勢必增加實際應(yīng)用系統(tǒng)的負(fù)擔(dān)。上述專利均不能實現(xiàn)超前多步預(yù)測。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)中的不足，基于成熟的小波包分解法、時間序列分析法、神經(jīng)網(wǎng)絡(luò)、支持向量機四種算法的分類混合建模，提供一種高精度、簡單方便、能實現(xiàn)超前多步預(yù)測的風(fēng)電場風(fēng)速智能預(yù)測方法。

本發(fā)明的目的通過下述技術(shù)方案予以實現(xiàn)：所述方法的步驟包括數(shù)據(jù)采集與輸入、數(shù)據(jù)序列分層、建立數(shù)學(xué)模型、預(yù)測綜合計算和預(yù)測結(jié)果輸出，所述預(yù)測綜合計算是對數(shù)學(xué)模型中的數(shù)據(jù)進(jìn)行加權(quán)計算；所述數(shù)據(jù)序列分層是采用小波包分解法，將原始非平穩(wěn)風(fēng)速分解成至少為兩個的趨于平穩(wěn)的風(fēng)速數(shù)據(jù)輸出，風(fēng)速數(shù)據(jù)輸出的個數(shù)就定義為風(fēng)速的序列層數(shù)；所述建立數(shù)學(xué)模型，是對風(fēng)速的序列層數(shù)中每層數(shù)據(jù)單獨進(jìn)行處理，首先按照事先的設(shè)定，判定當(dāng)前數(shù)據(jù)為高頻序列層還是低頻序列層，如果當(dāng)前數(shù)據(jù)屬于高頻序列層，則進(jìn)行以下處理：建立BP神經(jīng)網(wǎng)絡(luò)模型、高頻數(shù)據(jù)計算，然后進(jìn)入數(shù)據(jù)棧；如果當(dāng)前數(shù)據(jù)屬于低頻序列層，則進(jìn)行以下處理：建立時間序列模型、低頻數(shù)據(jù)計算，然后進(jìn)入數(shù)據(jù)棧；當(dāng)所有數(shù)據(jù)全部到達(dá)數(shù)據(jù)棧后，數(shù)據(jù)棧中的所有數(shù)據(jù)才進(jìn)入預(yù)測綜合計算步驟進(jìn)行加權(quán)計算，最后執(zhí)行預(yù)測結(jié)果輸出。

所述建立BP神經(jīng)網(wǎng)絡(luò)模型的步驟包括：

（1）、當(dāng)前數(shù)據(jù)為高頻序列層的確認(rèn)；

（2）、數(shù)據(jù)歸一化處理；

（3）、BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確立；

（4）、BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練；

（5）、BP神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出的確定；

（6）、BP神經(jīng)網(wǎng)絡(luò)模型的計算及其輸出。

所述建立時間序列模型的步驟包括：

（1）、當(dāng)前數(shù)據(jù)為低頻序列層的確認(rèn)；

（2）、時間序列模型類別辨識；

（3）、時間序列模型階次確定；

（4）、時間序列模型參數(shù)確定；

（5）、時間序列模型的計算及其輸出。

所述時間序列模型參數(shù)確定過程中，引入了能夠提高傳統(tǒng)時間序列模型的泛化能力的支持向量機法，即：將時間序列模型的方程作為支持向量機的結(jié)構(gòu)，按照支持向量機的結(jié)構(gòu)風(fēng)險最小化原則來確定時間序列模型的參數(shù)值，然后將所得的參數(shù)值代入時間序列模型的方程進(jìn)行預(yù)測計算。

與現(xiàn)有技術(shù)相比，本發(fā)明具有優(yōu)點：

(a)?本發(fā)明采用小波包分解法將原始跳躍風(fēng)速數(shù)據(jù)預(yù)先分解成幾層較為平穩(wěn)的風(fēng)速序列層的做法提高了模型抗跳躍性的能力，使得模型可以獲得高精度的跳躍風(fēng)速預(yù)測精度。該優(yōu)點在后面的實施例1中得到體現(xiàn)；

（b）本發(fā)明對小波包分解后的低頻、高頻風(fēng)速序列層采用分類預(yù)測的做法既兼顧了模型的預(yù)測精度，又降低了計算難度和保證了預(yù)測輸出的實時性；

（c）從背景技術(shù)可知，支持向量機是一種出色的智能算法。但如果將其直接用于預(yù)測計算，由于涉及大矩陣計算使得模型的實時性難以保證。為改進(jìn)這個不足，本發(fā)明采用一種新思路：不將支持向量機直接用于預(yù)測計算，而是用于時間序列模型的參數(shù)估計優(yōu)化中，這樣不僅獲得了其出色的算法性能，而且有效地縮短了預(yù)測輸出的時間；