[發明專利]一種短期風速預測方法

在審

• 申請號: 201710028365.9
• 申請日: 2017-01-16
• 公開（公告）號: CN106875041A
• 公開（公告）日: 2017-06-20
• 發明（設計）人: 肖建華;陳冬灃;盧丹;黃慶仕
• 申請（專利權）人: 廣東電網有限責任公司揭陽供電局
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/08
• 代理公司: 廣州知友專利商標代理有限公司44104
• 代理人: 周克佑

技術領域

本發明涉及一種短期風速預測方法，尤其涉及到一種基于局域均值分解和改進粒子群算法優化神經網絡的短期風速預測方法。

背景技術

在20世紀70年代由于爆發了兩次大規模的世界性能源危機，能源問題和環境問題日益突出。風能的利用越來越受到人們的重視。風能是一種無污染、可再生能源。目前，開發和利用風能的主要形式是風力發電。風力發電是發展最快和最成熟的可再生能源發電技術，已具有大規模商業開發的技術和經濟條件。世界風力發電從1990年開始了迅猛發展。據世界風能協會的統計，截至2015年底，全球風電總裝機容量達到432.4GW，其中2015年的新增裝機容量達到63GW。而中國目前是世界上風電裝機容量最多發展最迅速的國家，截至2015年底的風電總裝機容量達到145.1GW，約占我國總裝機容量的2.5％，年增長率達到26.6％。風電功率的高度非線性主要是由風速的非線性和非平穩造成的。風電的不穩定性將成為風電系統與主電網結合的障礙之一。故提高風速/風電功率的預測精度對電網運行有著重要意義。

風速預測方法按照預測模型的不同可分為：物理方法、統計方法和機器學習方法。統計方法主要有時間序列法、卡爾曼濾波法、灰色預測法、空間相關法等。常用的學習方法有人工神經網絡法(ANN)、小波分析法、支持向量機和極限學習機，其中BP神經網絡由于其具有自適應的特點而得到廣泛應用。但單一的預測方法已很難滿足預測精度的要求。風速時間序列具有風險性強和非平穩性高的特點，BP神經網絡很難對波動較大的風速序列進行準確預測，且在模型訓練階段未考慮不同數據輸入維數對預測結果的影響。因此，上述缺陷是亟需解決的問題。

發明內容

本發明所要解決的技術問題，就是提供一種基于局域均值分解和改進粒子群算法優化神經網絡的短期風速預測方法，可應用于風能相關領域的科學研究和工程應用，其可提高預測模型的穩定性和泛化能力，獲得較單一預測方法更高精度的短期風速預測結果。

解決上述技術問題，本發明所采用的技術方案如下：

一種短期風速預測方法，其特征是包括以下步驟：

S1、獲取原始風速時間序列，根據局域均值分解對原始風速時間序列進行分解，得到多個PF分量和一個余量；

S2、對余量和全部PF分量構建各自的訓練數據集和測試數據集；

S3、對余量和全部PF分量分別建立改進粒子群算法優化神經網絡的風速預測模型；

S4、將訓練數據集中余量和全部PF分量的訓練樣本逐一輸入改進粒子群算法優化神經網絡的風速預測模型進行訓練，針對不同PF分量設定數據輸入維數學習反饋機制，得到各自對應的風速預測子模型；

S5、將測試數據集輸入到各自對應的風速預測子模型進行預測，得到每個風速預測子模型的預測輸出值；

S6、將每個風速預測子模型的預測輸出值進行疊加處理(全部取和)，得到最終的風速預測結果。

所述步驟S1的局域均值分解對原始風速時間序列進行分解的具體步驟為：

1)找出原始信號x(t)所有的局部極值點n_i，求出所有相鄰的局部極值點的平均值：

式中：i代表局部極值點的個數，原始信號x(t)代表風速信號，t代表風速信號數據個數；

將所有相鄰的平均值點m_i用直線連接起來，然后用滑動平均法進行平滑處理，得到局部均值函數m₁₁(t)；

2)求出包絡估計值點a_i：

將所有相鄰的估計值點a_i用直線連接起來，然后用滑動平均法進行平滑處理，得到包絡估計函數a₁₁(t)；

3)將局部均值函數m₁₁(t)從原始信號x(t)中分離出來，得到：

h₁₁(t)＝x(t)-m₁₁(t)；h₁₁(t)代表第一次分離計算得到的余量函數；

4)用h₁₁(t)除以包絡估計函數a₁₁(t)，以對h₁₁(t)進行解調，得到：

s₁₁(t)＝h₁₁(t)/a₁₁(t)；s₁₁(t)代表第一次解調后的調頻信號。