[發明專利]基于非參數核密度估計與數值天氣預報的風速預測方法

在審

• 申請號: 201710156943.7
• 申請日: 2017-03-16
• 公開（公告）號: CN106971032A
• 公開（公告）日: 2017-07-21
• 發明（設計）人: 穆云飛;劉曉楠;王明深;賈宏杰;王彤;馮煒;袁曉冬;李強;王俊輝;鐘旭;宋飛;韋徵;徐燁;柳丹;呂振華
• 申請（專利權）人: 天津大學;南京南瑞集團公司;江蘇省電力公司電力科學研究院
• 主分類號: G06F17/50
• 分類號: G06F17/50;G01W1/00
• 代理公司: 天津市北洋有限責任專利代理事務所12201
• 代理人: 李麗萍

技術領域

本發明是以非參數核密度估計理論和數值天氣預報理論為基礎，通過構建基于非參數核密度估計的風速修正模型，在此基礎上結合數值天氣預報法(NWP)構建風速相位誤差修正模型，最后將此模型用于地區實際風電場的短期風速預報。

背景技術

當前對于風速預測方法的研究主要分為物理方法與統計方法兩大類。

物理方法主要考慮一些物理量，如天氣數據(風速、風向、氣壓等)、風電場周圍的信息(等高線、粗糙度、障礙物等)以及風電機組的技術參數(輪轂高、穿透系數等)。其目的是找到風電機組輪轂高度處的風速最優估計值，然后使用模型輸出統計(Model output statistic，MOS)以減小預測誤差，最后根據風電場的功率曲線計算得到風電場的輸出功率。物理模型的建模過程相對復雜，需要對風電場所在地進行物理建模，包括風場的地形、地表植被及粗糙度、周圍障礙物等等；還要對風機本身的輪轂高度、功率曲線、機械傳動和控制策略等進行建模，以此來估計未來時刻的風速。其優點是是不需要大量的歷史數據，只需要利用實時的數據建立預測模型進行預測，新建立的風電場一般選用物理方法進行預測。

統計方法則在對歷史數據進行概率學分析的基礎上，對未來一段時間內氣象數據(風速、風向、氣壓等)進行預測，從而轉換為風電場輸出功率。國外采用的最簡單的統計模型是persistence模型，該風電功率的預測模型的原理是假設下一時刻風力機輸出功率等于上一時刻的風力機輸出功率，隨著時間尺度的增加persistence風電功率預測模型的預測精度快速下降，因此persistence風電功率預測模型通常作為基準的預測模型來其他預測模型的精度進行比較。其他常用的統計模型還包括時間序列模型、人工神經網絡(ANN)及支持向量機(SVM)等方法。然而，在上述統計預測方法中，風速預測所產生的相位誤差依舊無法避免。

發明內容

鑒于風速預測精度以及神經網絡存在的問題，本發明提出了一種基于非參數核密度估計與數值天氣預報(Numerical weather prediction,NWP)的風速預測修正方法。利用非參數核密度估計法對通過Chebyshev神經網絡預測得到的風速初始預測結果誤差進行估計，并修正Chebyshev神經網絡預測方法所產生的誤差，該方法在誤差估計時并不添加任何的人為假設環節，僅從數據本身出發尋找誤差規律，可以看作一種誤差自修正的過程；隨后，引入數值天氣預報對預測結果進行精確修正，有效提高了風速的預測精度。如何利用這種模型來降低初始風速預測偏差問題是本發明要解決的關鍵問題。

為了解決上述技術是問題，本發明提出的一種基于非參數核密度估計與數值天氣預報的風速預測方法，包括以下步驟：

步驟一、設定數據集紀錄的均是以每小時為間隔的風速數據，針對風電場的風速歷史數據使用Chebyshev神經網絡模型對r天每小時風速進行預測，得到24×r個風速預測點的Chebyshev神經網絡預測值；

步驟二、設定s為離當前最近的風速預測天數，利用離當前最遠的r-s天的每小時實際風速值與由步驟一獲得的神經網絡所預測的r天的每小時風速之差，獲得風速預測偏差值，得到由24×(r-s)個風速偏差值構成的風速預測偏差序列；

步驟三、利用隨機游程檢驗方法對步驟二獲得的風速預測偏差序列進行平穩性檢驗，如為非平穩序列，則循環執行差分法來平穩化序列，直至該序列通過平穩性檢驗；

步驟四、使用N-W非參數核密度估計方法對進行估計，非參數核密度表達式如下：

式(1)中，f(·)稱為核函數；k為風速預測偏差樣本的維度，b_ji為第i個樣本第j個風速預測偏差變量的平滑系數；核函數f(·)采用標準高斯核函數，維數k利用最終預測誤差法確定，平滑系數b_ji通過交叉驗證法確定；

利用步驟三中獲得的平穩化之后的風速預測偏差序列，建立估計樣本X_k,i＝[y_1i,y_2i,…y_ki]^T,i＝1,2…,n，利用最終預測誤差法確定非參數核密度估計樣本維數k，從而建立非參數核密度估計樣本，非參數核密度估計樣本的個數為n＝24×(r-s)-(k-1)；