[發明專利]基于變分異方差高斯過程回歸的短期風速預測方法

有效

• 申請號: 201911348832.1
• 申請日: 2019-12-24
• 公開（公告）號: CN111144644B
• 公開（公告）日: 2022-01-28
• 發明（設計）人: 張楚;彭甜;夏鑫;王業琴;趙環宇;孫娜;張濤
• 申請（專利權）人: 淮陰工學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F17/18
• 代理公司: 淮安市科文知識產權事務所 32223
• 代理人: 謝觀素

本發明涉及短期風速預測技術領域，公開了一種基于變分異方差高斯過程回歸的短期風速預測方法，首先采用具適應性噪聲的完全集合經驗模態分解將原始風速時間序列分解為規律性更強的子序列集合，計算每個子序列的偏自相關函數值，并選擇95%置信水平下顯著的滯后時間序列作為輸入變量；然后，采用變分異方差高斯過程回歸對每個子序列進行訓練與預測，最后，將所有子序列的預測結果進行合并，得到風速時間序列的最終預測結果。與現有技術相比，本發明采用變分異方差高斯過程回歸模型對風速時間序列進行預測，其預測能力更強，且變分異方差高斯過程回歸模型性能優于標準高斯過程回歸模型，能夠獲得更高的預測精度。

技術領域

本發明涉及短期風速預測領域，特別涉及一種基于變分異方差高斯過程回歸的短期風速預測方法。

背景技術

隨著世界范圍內化石燃料的減少和環境污染水平的惡化，可再生能源越來越受到人們的重視。作為一種清潔、蘊量巨大、可循環利用的可再生能源，風能已成為電力系統最具發展前景的能源之一。但由于風速的間歇性、波動性和隨機性，使得風能并網的難度增大。準確可靠的短期風速預測方法不僅能為經濟可靠的發電計劃制定提供保障，而且能夠減輕風電并網難度，提高風力發電能源開發利用效率。

根據不同風速預測模型的機理，風速預測方法主要可分為物理模型、時間序列模型、智能預測模型三類。物理模型主要基于數值天氣預報NWP模型。NWP模型通常采用風速、溫度、濕度、地形粗糙度和障礙物等來建立一系列的力學和熱力學方程，適用于未來三天的中長期風速預報。然而，NWP預測模型建模過程復雜，計算成本高，不適合于短期風速預測。與物理模型不同，時間序列和智能預測模型的建立主要基于歷史觀測風速數據。時間序列模型通常假設時間序列是平穩的并且服從正態分布。然而，實際風速時間序列一般具有較強的隨機性和波動性。因此，在處理強非線性風速時間序列時，時間序列模型很難獲得良好的結果。

智能預測模型主要包括神經網絡、支持向量機、高斯過程回歸等。其中，高斯過程回歸是一種新型的基于統計和貝葉斯理論的智能回歸模型，它同時具備貝葉斯網絡的數學推理能力和支持向量機的自適應能力，尤其適合處理小樣本、高維、強非線性的復雜線性回歸問題。然而，標準高斯過程回歸模型假設噪聲符合高斯分布，且整個數據集的噪聲方差為常數，使得實際風速的預測誤差較大，且具有很強的隨機性和波動性。異方差高斯過程回歸是標準高斯過程回歸的一個擴展，它采用兩個高斯過程分別對無噪聲輸出和噪聲進行建模。異方差高斯過程回歸能夠較好的捕捉風速的隨機性和波動性，然而，異方差高斯過程回歸模型的最大后驗概率估計不能將所有潛在的自變量結合起來，容易遇到過擬合問題。

發明內容

發明目的：針對風電并網時風速的強波動性對電能質量和電力系統安全穩定運行造成的不利影響，本發明提出了基于變分異方差高斯過程回歸的短期風速預測方法，得到風速時間序列的最終預測結果，以提高風速時間序列的預測精度。

技術方案：本發明提供了一種基于變分異方差高斯過程回歸的短期風速預測方法，包括如下步驟：

步驟一：收集風電場歷史實測短期風速數據，根據歷史實測風速數據建立風速時間序列，通過完全集合經驗模態分解將其分解為K個本證模態函數分量IMK(k＝1,2,3,...,K)和一個殘差變量R_k；

步驟二：對于步驟一中每個本征模態函數分量IMF_k(k＝1,2,3,...,K)和殘差R_k，計算其偏自相關函數值，選擇95％置信水平下顯著的滯后時間序列作為輸入變量，目標向量為輸出變量，并將全部樣本數據的前70％作為訓練樣本，剩余30％作為檢驗樣本；

步驟三：對于步驟一中每個本征模態函數分量IMF_k(k＝1,2,3,...,K)和殘差R_k，建立變分異方差高斯過程回歸模型，輸出最優變分參數Λ和模最優型超參數