[發明專利]一種基于深度極限學習機的風速預測方法及其系統和機組

有效

• 申請號: 201810974910.8
• 申請日: 2018-08-24
• 公開（公告）號: CN109255477B
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 袁凌;褚景春;魏潔;王文亮;潘磊;吳行健;董健
• 申請（專利權）人: 國電聯合動力技術有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62
• 代理公司: 北京方韜法業專利代理事務所(普通合伙) 11303
• 代理人: 馬麗蓮

本發明公開了一種基于深度極限學習機的風速預測方法及其系統和機組，屬于風電機組領域。通過深度極限學習機的時間序列預測方法對風速值進行預測，包括：獲取風電機組發電過程中t時刻及其之前的一組歷史觀測數據序列；通過深度極限學習機的時間序列預測方法提取出訓練樣本數據集；預測模型的推導：從訓練樣本數據集中提取出與預測序列Q的最近鄰作為重組樣本，重組樣本中對應單步預測時、多步預測時有單步特征和多步特征；分別對單步特征和多步特征的多隱含層的DELM模型進行深度極限學習機訓練，并通過局部選取整合為一個預測模型；通過預測模型預測風速值X_t+s。本發明的方法具有較高的準確性和泛化性能，可改善預測性能及實時更新能力。

技術領域

本發明涉及風電機組領域，特別是涉及一種基于深度極限學習機的風速預測方法及其系統和機組。

背景技術

作為國家可持續發展戰略的重要組成部分，風力發電是將空氣動能轉換為電能，風的隨機波動性和間歇性決定了風電功率的波動性和間歇性。隨著風力發電規模的不斷擴大，風電場并網對電網系統的影響就會越來越明顯，大風速擾動會使系統的電壓和頻率產生很大的變化，此時風電場并網及并網后的穩定和安全問題成為急需解決的新課題。因此，對風速進行準確的預測有利于風電場的風電機組的運行受制于系統的運行條件，可以為電力系統調度部門制定調度計劃提供支持，減小風速隨機變化對電網的不利影響。

風速的變化是在秒、分鐘、小時、天、星期、季節和年的范圍內。風速預測不僅與預測方法有關，還與預測周期以及預測地點的風速特性有關。一般來說，預測周期越短，預測誤差就越小；反之，預測誤差越大。而風力發電機組的控制系統需要的預測時間比較短，因此本發明采用了時間序列的短期預測方法。

傳統神經網絡憑借其對復雜非線性函數的逼近能力以及強大的并行處理能力，成為時間序列預測領域流行的網絡體系結構。但傳統神經網絡在學習過程中常采用需要反復調整網絡參數的BP訓練方法，容易遇到局部極小問題，而且難以解決較大樣本的學習和泛化問題。

發明內容

本發明的目的是提供一種能夠提高海量的風速數據預測建模的效率，改善預測性能,提高模型的實時更新能力的基于深度極限學習機的風速預測方法及其系統和機組?？梢杂行Ц纳苽鹘y神經網絡存在學習效率不高、容易陷入局部最優且網絡層數制約訓練效果等缺陷。

為實現上述目的，本發明采用如下技術方案：

一方面，本發明提供一種基于深度極限學習機的風速預測方法，為通過深度極限學習機的時間序列預測方法對某一未來時刻的風速值進行預測的方法，若現在時刻是t，需要預測某一未來時刻t+s的風速值X_t+s，包括如下步驟：

1)獲取風電機組發電過程中t時刻及其之前的一組歷史觀測數據序列如式(1)；

X₀,X₁,…,X_k,…,X_t (1)

其中，式(1)中，X₀、X₁、X_k、X_t分別為等距離時間點△t對應的t₀、t₀+△t、t₀+k△t、t時刻下的風速觀察值；

2)通過深度極限學習機的時間序列預測方法從歷史觀測數據序列中提取出若干組風速時間序列；若以預測模型所需歷史數據的時間跨度q為提取區間，則風速時間序列Q＝[X_t-q,...,X_t-1,X_t]為用于預測時刻t+s的風速值X_t+s的預測序列，則：

X_t+s＝G(X_t-q,…,X_k,…,X_t-1,X_t) (2)