[發(fā)明專利]一種基于馬爾科夫理論的風(fēng)電場風(fēng)速預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201410062993.5
• 申請日: 2014-02-25
• 公開（公告）號: CN103996071A
• 公開（公告）日: 2014-08-20
• 發(fā)明（設(shè)計）人: 于洋;虞闖;伊躍;劉曉陽
• 申請（專利權(quán)）人: 沈陽理工大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 沈陽利泰專利商標(biāo)代理有限公司 21209
• 代理人: 李樞

技術(shù)領(lǐng)域

本發(fā)明屬于風(fēng)速預(yù)測技術(shù)領(lǐng)域，涉及一種風(fēng)電場風(fēng)速的預(yù)測方法。?

背景技術(shù)

近年來，風(fēng)力發(fā)電作為一種儲量巨大、無污染、可再生的清潔環(huán)保新能源，得到了全球的關(guān)注，越來越多的風(fēng)力發(fā)電廠已經(jīng)建成。但由于風(fēng)能的強(qiáng)隨機(jī)性、強(qiáng)間歇性等特性，風(fēng)力發(fā)電必須留有足夠的備用機(jī)組和調(diào)峰容量，以保證風(fēng)能出現(xiàn)大幅度波動時系統(tǒng)的穩(wěn)定性。因此，為了保證風(fēng)能的利用率，越來越多的風(fēng)力發(fā)電企業(yè)需要準(zhǔn)確的數(shù)據(jù)采集系統(tǒng)與預(yù)測系統(tǒng)，通過采集的歷史數(shù)據(jù)進(jìn)行風(fēng)力資源預(yù)測，以便調(diào)控分配電量。同時準(zhǔn)確的數(shù)據(jù)采集系統(tǒng)和預(yù)測系統(tǒng)可有效進(jìn)行風(fēng)電場選址，以便更好的實現(xiàn)風(fēng)電場檢測。?

就風(fēng)速預(yù)測而言，目前對風(fēng)速的預(yù)測主要依賴于物理預(yù)測模型，計算量大，誤差累積率高，該模型需要專業(yè)人士進(jìn)行維護(hù)，在普通風(fēng)電企業(yè)中不具備良好的推廣型，且該模型的預(yù)測值覆蓋面積較大，不能做出精準(zhǔn)的預(yù)測。近年來，持續(xù)預(yù)測算法、卡爾曼濾波算法、時間序列算法和神經(jīng)網(wǎng)絡(luò)算法逐漸興起。這些風(fēng)速預(yù)測算法只需對風(fēng)電產(chǎn)的歷史數(shù)據(jù)建立模型即可進(jìn)行預(yù)測。以上算法操作簡單，但存在較大的平均相對預(yù)測誤差，通常預(yù)測誤差可達(dá)到20%。由于風(fēng)速受溫度、氣壓等多項因素影響，具有很強(qiáng)的隨機(jī)性。為降低風(fēng)電場運行成本，必須提高風(fēng)速預(yù)測精度。本領(lǐng)域的技術(shù)人員一直在研究具備高精度的風(fēng)速預(yù)測算法，解決預(yù)測風(fēng)速誤差大的難題，迄今尚未獲得成功。?

發(fā)明內(nèi)容

為了解決上述風(fēng)速預(yù)測精度較差,主要依賴物理模型以及后期維護(hù)更改麻煩等一系列問題，本發(fā)明提出了一種風(fēng)電場風(fēng)速多步預(yù)測方法。?

該方法集成了歷史年份的同季度測風(fēng)數(shù)據(jù)、本季度的測風(fēng)數(shù)據(jù)以及近階段的實時測風(fēng)數(shù)據(jù)作為預(yù)測模型數(shù)據(jù)來源，利用小波分析算法將訓(xùn)練本季度的風(fēng)速數(shù)據(jù)分解成為趨勢子項，周期子項據(jù)和隨機(jī)子項。利用ARMA模型算法對以上不同子項數(shù)據(jù)進(jìn)行單獨分析建模并利用近階段的風(fēng)速數(shù)據(jù)進(jìn)行預(yù)測，加權(quán)疊加各子項數(shù)據(jù)預(yù)測值后獲取一次預(yù)測值。為消除風(fēng)速的強(qiáng)隨機(jī)性，利用馬爾科夫轉(zhuǎn)移矩陣進(jìn)行一次預(yù)測數(shù)據(jù)修正，以保證未來風(fēng)速變化趨勢的準(zhǔn)確預(yù)測。?

本發(fā)明包括以下操作步驟：?

（1）讀入歷史年份的同季度風(fēng)速數(shù)據(jù)，獲取本地區(qū)風(fēng)速狀態(tài)的一步轉(zhuǎn)移概率矩陣；

（2）讀入本季度的風(fēng)速數(shù)據(jù)，以得到風(fēng)速預(yù)測模型的訓(xùn)練樣本序列；

（3）利用小波分解和重構(gòu)將訓(xùn)練樣本序列變換成為N層低頻風(fēng)速數(shù)據(jù)和1

層高頻風(fēng)速數(shù)據(jù)，利用以上N+1層訓(xùn)練樣本數(shù)據(jù)建立N+1個ARMA模型；

（4）讀取近階段的風(fēng)速數(shù)據(jù)，并利用小波分解和重構(gòu)將近階段的風(fēng)速數(shù)據(jù)變換成為N層低頻風(fēng)速數(shù)據(jù)和1層高頻，利用步驟3中的ARMA模型分別對多層低頻數(shù)據(jù)和高頻數(shù)據(jù)進(jìn)行分層預(yù)測，分層預(yù)測結(jié)果加權(quán)疊加后可得到一次預(yù)測值；

（5）利用馬爾科夫一步轉(zhuǎn)移概率矩陣進(jìn)行一次預(yù)測值修正，獲取最終預(yù)測結(jié)果。

根據(jù)本發(fā)明提出的方法的一個方面，所述的歷史年份同季度風(fēng)速數(shù)據(jù)、本季度的風(fēng)速數(shù)據(jù)、近階段的風(fēng)速數(shù)據(jù)都為某一特定的預(yù)測時間間隔的風(fēng)速數(shù)據(jù)，所述的特定預(yù)測時間間隔可為15~60min。?

根據(jù)本發(fā)明提出的方法的一個方面，所述預(yù)測方法的預(yù)測結(jié)果值與采集的實時風(fēng)速觀測值進(jìn)行比較，使用計算公式?，計算所述實時風(fēng)速觀測值與風(fēng)速預(yù)測值之間的誤差，其中為t時刻的實時風(fēng)速觀測值，為t時刻的風(fēng)速預(yù)測值，當(dāng)連續(xù)一定特定次數(shù)N的比較中，所述的預(yù)測模型預(yù)測結(jié)果值與采集的實時風(fēng)速觀測值的平均相對誤差超過10%，則調(diào)整所述預(yù)測方法的ARMA模型，重新構(gòu)建ARMA模型預(yù)測模型。其中，N為自然數(shù)。?

根據(jù)本發(fā)明提出的方法的一個方面，所述步驟1具體包括：讀取歷史年份的同季度風(fēng)速數(shù)據(jù)信息為X₀={X₁,?X_?2,……X_?t}，以某固定風(fēng)速間隔w進(jìn)行風(fēng)速狀態(tài)空間劃分，即風(fēng)速狀態(tài)n的風(fēng)速數(shù)據(jù)范圍為[w*(n-1)，w*n](?w可變)。以以上空間狀態(tài)數(shù)據(jù)構(gòu)建風(fēng)速狀態(tài)一步轉(zhuǎn)移概率矩陣P；?