[發明專利]基于時序長記憶模型的風電場短期風速預測方法

在審

• 申請號: 201510043601.5
• 申請日: 2015-01-28
• 公開（公告）號: CN104573876A
• 公開（公告）日: 2015-04-29
• 發明（設計）人: 盧錦玲;王陽;楊月;米增強
• 申請（專利權）人: 華北電力大學(保定)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 石家莊冀科專利商標事務所有限公司 13108
• 代理人: 李羨民;達麗娜

1.基于時序長記憶模型的風電場短期風速預測方法，其特征在于，所述方法包括以下步驟：

A.獲取風電場多年風速歷史數據，對歷史數據進行預處理，形成風速時間序列；

B.輸入處理后數據，對風速時間序列采用重標極差分析法即R/S分析方法建立長記憶時間序列ARFIMA模型，得到初步預測風速集合；

C.通過卡爾曼濾波算法進一步優化初步預測風速，獲得最終風速預測值。

2.根據權利要求1所述的基于時序長記憶模型的風電場短期風速預測方法，其特征在于，步驟A中所述對歷史數據進行預處理包括去除超出實際風速范圍的錯誤數據和采用EM算法對缺失數據進行補充的步驟，具體如下：

A1.分析數據，做出初始劃分，去除超出實際風速范圍的錯誤數據；

A2.初始化：對數據集密度分布待估計的參數Θ初值進行設置，包括各類別的比例α_j、均值向量e_j和協方差矩陣∑_j；將數據中的有效數據分為均服從高斯分布的n組，給定每組的初始權值，即α_j＝1/n，j＝1，2，3，4…n；

A3.計算E步：計算隱含變量數據的期望值；

A4.計算M步：通過求解對數似然方程，計算期望值到達極大值點時新的均值e_j和權重α_j，

A5、測試是否滿足初始設置的循環迭代條件|α_j⁽ⁱ⁺¹⁾-α_j⁽ⁱ⁾|≦ε，如果不滿足條件，則轉至步驟A3；如果滿足條件，則迭代停止，輸出最終參數α_j，e_j，j＝1，2，3，4…n，此時e_j，j＝1，2，3，4…n即作為數據集中缺失點的插補值。

3.根據權利要求2所述的基于時序長記憶模型的風電場短期風速預測方法，其特征在于，所述步驟B中，建立長記憶時間序列ARFIMA(p，η，d，q)模型的步驟具體如下：

B1、分析序列中的長期記憶因素，通過R/S分析法，d＝H-0.5，確定d值；

B2、進行分數階差分，得到零均值ARMA(p，q)序列；

B3、對ARFIMA(p，η，d，q))進行定階，確定p和q值。

4.根據權利要求3所述的基于時序長記憶模型的風電場短期風速預測方法，其特征在于，步驟B還包括生成風速預測模型方程的步驟，即根據t時刻之前的風速數據，通過貝葉斯統計推斷對模型參數進行估計，生成風速預測模型方程。

5.根據權利要求1所述的基于時序長記憶模型的風電場短期風速預測方法，其特征在于，步驟C具體包括以下步驟：

C1、由風速預測模型方程得到集合卡爾曼濾波的狀態方程；

C2、將風速預測數據作為觀測數據，并將高斯白噪聲加入到觀測數據中，得到獨立觀測的數據；

C3、更新獨立觀測的數據集合中的每一個值，采用下式得到狀態值：

x_k＝A_kx_k-1+H_k(y_k-C_kA_kx_k-1)；

其中：x_k為k時刻狀態值的更新值；x_k-1為k-1時刻集合中預測值，H_k為卡爾曼增益矩陣，y_k為獨立觀測的數據向量，C_k為觀測矩陣；

C4.進行多次迭代，獲得最終風速預測值。

6.根據權利要求5所述的基于時序長記憶模型的風電場短期風速預測方法，其特征在于，所述卡爾曼增益矩陣H_k的計算公式為：

$H_k=P_k^{\′}{C}_k^I{(C_k{P}_k^{\′}{C}_k^I+R_k)}^{-1};$

其中，R_k是觀測值誤差的協方差，P_k為數據集合的協方差，

P_k的計算公式為：

P_k＝(I-H_kC_k)P′_k，

$P_k^{\′}=A_k{P}_{k-1}{A}_k^{\mathrm{\τ}}+Q_{k-1},$

其中，A_k為觀測矩陣，Q_k為狀態方程的協方差。