[發明專利]一種基于優化算法的提高短期風速預測精度的方法

在審

• 申請號: 202110991907.9
• 申請日: 2021-08-27
• 公開（公告）號: CN114358358A
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 王亞軍;栗維勛;袁龍;孔祥玉;趙栩;周超;徐俊杰;袁健
• 申請（專利權）人: 國網河北省電力有限公司;國電南瑞南京控制系統有限公司;國家電網有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/00;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 天津盛理知識產權代理有限公司 12209
• 代理人: 董一寧

本發明涉及一種基于優化算法的提高短期風速預測精度的方法，(1)獲得原始氣象特征；(2)氣象特征提取；(3)氣象特征矩陣；(4)采用氣象特征訓練預測模型；(5)對一下段風速進行預測并計算交叉驗證誤差；(6)智能優化算法結果，結果返回步驟(2)。為提高短期風速預測精度，研究了考慮氣象特征提取的短期風速預測方法，針對輸入氣象特征較多且難以提取，提出一種簡易氣象特征提取方法，通過極限學習機和改進珊瑚礁算法，從較多氣象特征中提取最優氣象特征。以最優氣象特征為預測模型輸入，能夠有效增強模型泛化能力，能夠有效提取氣象特征，提高預測精度，具有一定的實用價值。

技術領域

本發明屬于氣象研究技術領域，尤其是一種基于優化算法的提高短期風速預測精度的方法。

背景技術

隨著風電裝機容量的不斷增加，風力發電所具有的間隙性和不確定性給電力系統的穩定運行和電網調度帶來新的挑戰。準確預測風速不僅是風電功率預測的基礎，更能在極端天氣來臨前做好風機保護措施，減少損失，對降低風電系統總成本也有重要意義。但是基于氣象特征提取預測短期風速時，各氣象特征均為非線性，在氣象特征較多時難以通過PCA法計算各主成分貢獻率以提取特征，因此，本文提出一種基于簡易氣象特征提取的短期風速預測方法。首先，通過極限學習機(Extreme Learning Machine，ELM)構建以歷史氣象特征為輸入，風速為輸出的風速預測模型。采用k-折交叉驗證法選擇訓練集和測試集，計算預測風速與實際風速的均方根誤差(Root Mean Square Error,RMSE)，并以交叉驗證誤差e_RMSE為目標函數，通過改進珊瑚礁算法(Modified Coral Reefs Optimization,MCRO)對e_RMSE進行尋優，提取最優氣象特征，通過最優氣象特征預測短期風速。算例分析表明，該方法能夠有效提取相關氣象特征，減少無關氣象特征干擾，增強預測模型泛化能力，提高風速預測精度。

現有基于歷史數據的短期風速預測方法主要集中于對風速時間序列的研究，通過歷史風速預測將來風速，外推能力較差。影響風速預測的因素除風速外，還有風向、溫度、濕度、壓強和輻照值等氣象特征。將以上氣象歷史數據組成原始氣象特征X，由于包含較多的無關項，其維數較多，在缺乏先驗知識的情況下，難以排除這些無關影響因素，提取最優氣象特征。理論上來說，若X包含m維氣象特征，則有2m種組合方式，為典型NP-hard問題，實際過程中難以計算。

發明內容

本發明的目的在于克服現有技術的不足之處，提供一種基于優化算法的提高短期風速預測精度的方法。

本發明解決其技術問題是采取以下技術方案實現的：

一種基于優化算法的提高短期風速預測精度的方法，其特征在于：基于簡易氣象特征提取，步驟如下：

(1)獲得原始氣象特征X；

(2)氣象特征提取F；

(3)氣象特征矩陣J；

(4)采用氣象特征訓練預測模型，選擇ELM預測模型，采用改進珊瑚礁智能優化算法；

(5)對一下段風速進行預測并計算交叉驗證誤差，采用基于k-折交叉驗證的氣象特征提取；

(6)輸出智能優化算法結果，其中不滿足輸出要求的結果返回步驟(2)。

而且，所述步驟(4)中的ELM預測模型，基于ELM的短期風速預測模型為設N個風速預測訓練樣本其中氣象特征x_i∈R^m，風速目標值為t_i，含有K個隱含層節點、激勵函數為g(·)的網絡模型為：