[發(fā)明專利]一種風(fēng)電場短期風(fēng)速組合預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201310370572.4
• 申請日: 2013-08-22
• 公開（公告）號: CN103400052B
• 公開（公告）日: 2017-02-08
• 發(fā)明（設(shè)計）人: 胡志堅;王賀
• 申請（專利權(quán)）人: 武漢大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 武漢科皓知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙)42222
• 代理人: 魯力

技術(shù)領(lǐng)域

本發(fā)明涉及一種短期風(fēng)速組合預(yù)測方法，尤其是涉及一種風(fēng)電場短期風(fēng)速組合預(yù)測方法。

背景技術(shù)

風(fēng)能作為一種綠色能源日益受到世界各國的重視并得到迅猛發(fā)展。然而風(fēng)能固有的間歇性和波動性等特點(diǎn)卻給電力系統(tǒng)帶來了諸多挑戰(zhàn)，如果能對風(fēng)電場風(fēng)速進(jìn)行有效預(yù)測，則有利于調(diào)度部門及時調(diào)整調(diào)度計劃，減少電力系統(tǒng)旋轉(zhuǎn)備用和運(yùn)行成本，減輕風(fēng)電對電網(wǎng)的影響，為風(fēng)電場參與發(fā)電競價奠定基礎(chǔ)，具有重大的經(jīng)濟(jì)和工程應(yīng)用價值。

目前國內(nèi)外對風(fēng)速預(yù)測進(jìn)行了大量研究，建立的預(yù)測模型主要包括：時間序列模型、人工神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)模型和最小二乘支持向量機(jī)模型等。其中最小二乘支持向量機(jī)采用二次規(guī)劃方法將傳統(tǒng)支持向量機(jī)中的不等式約束變?yōu)榈仁郊s束，提高了收斂精度，具有較好的非線性擬合能力。然而風(fēng)速本身具有典型的非線性和非平穩(wěn)性特征。如果只使用最小二乘支持向量機(jī)建立預(yù)測模型，雖然能對風(fēng)速的非線性部分進(jìn)行較好的擬合，但是風(fēng)速的非平穩(wěn)性卻會在一定程度上影響預(yù)測結(jié)果。

為了進(jìn)一步提高預(yù)測精度，需有效降低風(fēng)速序列信號的非平穩(wěn)性。目前應(yīng)用于降低風(fēng)速信號非平穩(wěn)性的方法主要有小波分解（wavelet?decomposition，WD）和經(jīng)驗?zāi)B(tài)分解（empirical?mode?decomposition，EMD）。WD需人為設(shè)置小波函數(shù)，EMD則容易引起模態(tài)混疊現(xiàn)象。聚類經(jīng)驗?zāi)B(tài)分解（ensemble?empirical?mode?decomposition，EEMD）以噪聲輔助信號處理為基礎(chǔ)，通過加入小幅度白噪聲來均衡信號，有效解決了經(jīng)驗?zāi)B(tài)分解的模態(tài)混疊現(xiàn)象，是對傳統(tǒng)經(jīng)驗?zāi)B(tài)分解的巨大改進(jìn)，同時其自適應(yīng)的信號處理特點(diǎn)減少了人為因素對分解結(jié)果的影響。

在對風(fēng)速進(jìn)行聚類經(jīng)驗?zāi)B(tài)分解后，需要進(jìn)一步對各分量特征進(jìn)行挖掘。以避免學(xué)習(xí)樣本信息丟失和預(yù)測模型維數(shù)選取的隨意性等問題。傳統(tǒng)的序列特性挖掘方法主要有相空間重構(gòu)法（phase?space?reconstruction，PSR）和Box-jenkins法。相空間重構(gòu)可有效挖掘風(fēng)速序列的非線性動力學(xué)特性，Box-jenkins法可有效挖掘風(fēng)速隨機(jī)性特征。這兩種方法的優(yōu)點(diǎn)是能為模型提供較高質(zhì)量的學(xué)習(xí)樣本，缺點(diǎn)是雖然為預(yù)測模型提供了高質(zhì)量的學(xué)習(xí)樣本，然而模型對樣本的學(xué)習(xí)效果卻不知道，這在一定程度上會增大預(yù)測風(fēng)險。針對這個缺點(diǎn)，本發(fā)明專利基于預(yù)測模型學(xué)習(xí)效果反饋機(jī)制來優(yōu)化模型學(xué)習(xí)樣本。

從研究風(fēng)速序列的特性出發(fā)，本發(fā)明提出了一種基于聚類經(jīng)驗?zāi)B(tài)分解（EEMD）和最小二乘支持向量機(jī)（LSSVM）的風(fēng)電場風(fēng)速組合預(yù)測模型。首先使用聚類經(jīng)驗?zāi)B(tài)分解將風(fēng)速信號中真實存在的不同尺度趨勢或波動逐級分解出來，然后對分解得到的子序列分別構(gòu)建最小二乘支持向量機(jī)預(yù)測模型，并基于自適應(yīng)擾動粒子群算法和學(xué)習(xí)效果反饋機(jī)制綜合優(yōu)化預(yù)測模型。最后將各子序列預(yù)測結(jié)果疊加得到風(fēng)速預(yù)測值。

發(fā)明內(nèi)容

本發(fā)明的上述技術(shù)問題主要是通過下述技術(shù)方案得以解決的：

一種風(fēng)電場短期風(fēng)速組合預(yù)測方法，其特征在于：包括以下步驟：

步驟1、從風(fēng)電場數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)中進(jìn)行數(shù)據(jù)提取并記錄，并保存歷史風(fēng)速序列數(shù)據(jù)；

步驟2、對步驟1中所提取的風(fēng)速序列進(jìn)行聚類經(jīng)驗?zāi)B(tài)分解，得到兩個以上的子序列和一個余量；

步驟3、對步驟2中聚類經(jīng)驗?zāi)B(tài)分解得到的各子序列分別建立最小二乘支持向量機(jī)模型，采用自適應(yīng)擾動粒子群算法和學(xué)習(xí)效果反饋對影響最小二乘支持向量機(jī)模型預(yù)測效果的三個參數(shù)進(jìn)行綜合選取，該影響最小二乘支持向量機(jī)預(yù)測效果的三個參數(shù)分別是模型輸入維數(shù)和兩個超參數(shù)；

步驟4、對各子序列根據(jù)最小二乘支持向量機(jī)的學(xué)習(xí)效果選用最優(yōu)參數(shù)進(jìn)行預(yù)測，并將各子序列的預(yù)測結(jié)果進(jìn)行疊加，得到風(fēng)速預(yù)測結(jié)果；

本發(fā)明創(chuàng)造性的提出一種直接考慮相關(guān)歷史風(fēng)速數(shù)據(jù)與未來風(fēng)速預(yù)測值的關(guān)系、建模方法簡單的風(fēng)電場短期風(fēng)速組合預(yù)測方法，是一種基于聚類經(jīng)驗?zāi)B(tài)分解和最小二乘支持向量機(jī)的新型風(fēng)電場風(fēng)速組合預(yù)測模型。首先使用聚類經(jīng)驗?zāi)B(tài)分解降低風(fēng)速信號的非平穩(wěn)性，其次對聚類經(jīng)驗?zāi)B(tài)分解得到的各子序列分別建立最小二乘支持向量機(jī)模型，并采用自適應(yīng)擾動粒子群算法和學(xué)習(xí)效果反饋對影響最小二乘支持向量機(jī)預(yù)測效果的三個參數(shù)（模型輸入維數(shù)和兩個超參數(shù)）進(jìn)行綜合選取；然后根據(jù)最小二乘支持向量機(jī)學(xué)習(xí)效果選用最優(yōu)參數(shù)進(jìn)行預(yù)測，并疊加各子序列的預(yù)測結(jié)果，得到風(fēng)速預(yù)測結(jié)果；最后對風(fēng)速預(yù)測結(jié)果進(jìn)行誤差分析。本發(fā)明所提的組合預(yù)測模型具有較高的預(yù)測精度和較大的工程應(yīng)用潛力。