[發明專利]一種基于風速波動特征提取的風電功率組合預測方法

有效

• 申請號: 201610140115.X
• 申請日: 2016-03-11
• 公開（公告）號: CN105719029B
• 公開（公告）日: 2019-08-27
• 發明（設計）人: 葉林;滕景竹;任成
• 申請（專利權）人: 中國農業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62;G06N20/10;G06N3/08
• 代理公司: 北京衛平智業專利代理事務所(普通合伙) 11392
• 代理人: 董琪

1.一種基于風速波動特征提取的風電功率組合預測方法，其特征在于，包括以下步驟：

A.對訓練樣本采集的風速進行歸一化，以消除噪聲干擾帶來的幅度的差異；

B.對歸一化之后的風速建立時間窗口，并在該時間窗口內進行多重分形譜分析，多重分形譜分析的主要參數包括奇異指數α、多重分形譜的奇異譜函數f(α)和奇異譜函數的對稱性參數S；

C.分析比較每一時間窗口的奇異指數α取值區間的寬度ω，多重分形譜的奇異譜函數f(α)的峰值差△f(α)和奇異譜函數的對稱性參數S；

D.根據步驟C所提到的參數[ω,△f(α),S]對風速進行分類，并根據每一時間窗口所對應的參數[ω,△f(α),S]來進一步調整時間窗口的大小，使得每一時間窗口能夠完整并精確的包含特定的風速類型；

E.采用極端學習機、支持向量機和優化回歸功率曲線方法對步驟D所劃分的風速類型依次進行訓練，并對所產生的預測結果進行月均精度對比，選擇其中一種方法作為該風速類型的最優單體算法，進行訓練建模，得到訓練好的模型；

F.依照上述訓練樣本分類建模的標準對測試樣本進行相同的分類及建模，并對不同模型選擇步驟E中所對應的最優單體算法分別進行預測，最后進行組合得到最終的預測結果；

步驟B中所述多重分形譜分析的步驟包括：

B1、計算奇異指數α：奇異指數α代表了風速的局部奇異性，定義D(i)為iⅹi方形區域，其中心點為I(x，y)，則其中，μ是定義在[0，1]ⅹ[0，1]上的概率測度，i＝2n+1，n＝0，1，…；

B2、計算多重分形譜的奇異譜函數f(α)：f(α)代表了風速的全局奇異性，計算方法為：對于每一個點(x，y)的奇異指數，計算得α_max＝max(α(i，j))，α_min＝min(α(i，j))，將[α_min，α_max]劃分為N個區間，相應得到每個區間的中心點奇異值，用該值代替區間中其他點的值，然后根據公式(5)求出f(α)；

設μ是定義在[0，1]ⅹ[0，1]上的概率測度，Dn是一個正整數組成的遞增序列，則定義

其中是μ(I_i，j，n)≠0的點的總和；當極限存在時，設

定義f₁(α)為τ(q)的Legendre變換

2.如權利要求1所述的基于風速波動特征提取的風電功率組合預測方法，其特征在于，步驟A中所述風速{ν_t，t＝1，2，...n}的歸一化公式如下：

3.如權利要求1所述的基于風速波動特征提取的風電功率組合預測方法，其特征在于，步驟C中所述ω奇異指數取值區間為[α_min，α_max]，ω＝α_max-α_min。

4.如權利要求1所述的基于風速波動特征提取的風電功率組合預測方法，其特征在于，步驟C中所述△f(α)表示風速處于波峰、波谷位置數目的比例，△f(α)>0表示風速更多的處于波峰，譜的頂部相對較圓滑，△f(α)<0表示風速更多的處于波谷，譜的頂部相對較尖。

5.如權利要求1所述的基于風速波動特征提取的風電功率組合預測方法，其特征在于，步驟C中所述S＝0時，奇異譜是對稱的；S>0時，奇異譜峰值偏右，風速有增加的趨勢；S<0時，奇異譜峰值偏左，風速有減小的趨勢。

6.如權利要求1所述的基于風速波動特征提取的風電功率組合預測方法，其特征在于，步驟D中選擇四種特征風過程作為分類標準，劃分的風速類型包括，A：風速上升階段，B：風速下降階段，C：平緩波動階段，D：尖峰階段。

7.如權利要求1所述的基于風速波動特征提取的風電功率組合預測方法，其特征在于，步驟D中所述時間窗口包括寬度固定的最優窗口和寬度可變的時間窗口。

8.如權利要求7所述的基于風速波動特征提取的風電功率組合預測方法，其特征在于，選擇寬度可變的時間窗口的最優寬度的具體步驟如下：

步驟D1：在風速數據的起點開始，令時間窗口寬度i＝1,2,…n，其中包含前10個數據點：p1，p2，…p10；

步驟D2：在TWZt上進行多重分形譜分析，并提取得到特征參數[ω_t,△f(α)_t,S_t]，并且等于上的特征參數[ω_i,△f(α)_i,S_i]；

步驟D3：時間窗口繼續滑動得到其中包含10個數據點：p11，p12，…P20，對其進行特征提取得到[ω_i+1,△f(α)_i+1,S_i+1]，按照步驟C所做的分析，考察△f(α)_i與△f(α)_i+1、S_i和S_i+1的正負；

步驟D31：若△f(α)_i與△f(α)_i+1、S_i與S_i+1的正負彼此都相同，則表明和的風速有相同的上升或下降趨勢，進入步驟D32；若不同則進入步驟D4；

步驟D32：考察ω_i和ω_i+1，若其做差的結果△ω小于某一閾值η，則表明兩個時間段波動程度也相當，此時更新時間窗并標明TWZt屬于上升階段還是下降階段；閾值η是對所有訓練數據進行多重分形譜分析得出的平均異指數取值區間△ω_All，令η＝△ω_All；

步驟D321：若△ω大于η，則依然令并提取特征參數，得到更新之后的特征參數[ω_t,△f(α)_t,S_t]，然后令i＝i+1，重復步驟D3；

步驟D4：若△f(α)_i與△f(α)_i+1、S_i與S_i+1的正負彼此不相同，則表明和的風速趨勢不一樣，此時有兩種情況：一是和處于平緩波動階段，二是風速上升和下降的臨界時段；此時考慮下一個小時間窗口計算這三個小時間窗口的總體方差δ；

其中，n等于i+2，是第n個小時間窗的平均風速，是前n個小時間窗的風速總均值；

步驟D41：若δ小于設定值δ₀，則和處于平緩波動階段，此時更新時間窗設定值δ₀是對所有訓練數據進行計算得出的平均方差；

步驟D42：若δ≥設定值δ₀，則令TWZt+1和作為下一個時間窗口選取的起點，令重復步驟D2。