CN102539822A - 一种短期风速预测方法 - Google Patents

Abstract

本发明是一种风电场风速时间序列预测方法，其特点是，包括的步骤有：利用风速采集仪器每隔一小时记录一次同一地区的风速数据，整理采集的原始风速数据，形成风速时间序列用于分析预测；运用局域均值分解算法对风速时间序列进行多尺度分解，分解得到多个独立分量；通过对各个独立分量的延迟时间和嵌入维数的计算，运用相空间重构理论对各个独立分量进行相空间重构；利用多核最小二乘支持向量机回归模型对相空间重构后的各个独立分量进行建模预测；将预测结果进行叠加得到最终的风速时间序列的预测结果。具有方法科学、风速时间序列的预测准确、可靠，应用价值高等优点。

Description

一种短期风速预测方法

技术领域

本发明涉及风力发电技术领域，是一种风速预测方法，更具体地说，是一种基于快速独立分量分析和最小二乘支持向量机的短期风速预测方法。 

背景技术

自然界的风能是一种非常重要和巨大的资源，它安全、清洁、充裕而且无限，能提供源源不绝、稳定的能源供应，而风电产业是世界上发展最快的能源行业，它为全球经济开始向以可再生能源为基础的转型提供了最好的机会。利用风能发电是我国能源建设实施可持续发展战略的需要，对调整电力工业结构、减少环境污染、推进技术进步、培育新的经济增长点、树立科学发展观具有重要意义。 

由于风速和风向具有随机变动的自然特性，而大型的风电机组又不具有电能存储的功能，因此风电具有与生俱来的随机性和不可控性。此外，由于不同安装地点造成的风速和风向的明显差异，即使在同一个风电场内的风电机组，其原动力风速的变动也是不同步的。由于风力发电的这些特性，导致了风电场和系统进行能量交换时存在随机性；并且由于风力发电机组相对投切频繁，造成对电网的冲击；随着风电装机容量的不断增大，对电网的影响会更加严重，成为制约风电发展的主要因素，致使受到风电界的广泛关注。而对风速的准确预测可以减少风电场的旋转设备和运行成本，提高风电穿透功率极限，可以帮助调度部门及时调整计划，从而减轻风能对电网的冲击。 

目前，国内外用于风速预测的方法主要有持续预测法、卡尔曼滤波法、时间序列分析法和神经网络方法。这些风速预测的方法只需对风电场的原始风速时间序列建立模型，就可以进行预测，或者通过差分等手段，把非平稳的风速序列先转换为平稳序列，再对平稳序列进行建模和预测，存在着平均相对预测误差大，通常预测误差可达到20％。由于风速受温度、气压、地形等多种因素的影响，具有很强的随机性，按照现有风速预测方法预测的风速误差大，增大了风电的运行成本。为降低风电的运行成本，必须提高风速预测精度，本领域技术人员一直在努力研究具有高精度的风速预测方法，解决预测风速误差大的难题，但迄今尚未获得成功。 

发明内容

本发明的目的在于克服现有风速预测技术上的缺陷，提出基于快速独立分量分析和最小二乘支持向量机的一种快速、准确的短期风速预测方法。 

本发明的目的是由以下技术方案来实现的：一种短期风速预测方法，其特征是：它包括以下步骤： 

(1)利用风速采集仪器每隔一小时记录一次同一地区的风速数据，整理采集的原始风速数据，形成风速时间序列用于分析预测。 

(2)运用快速独立分量分析算法和相空间重构理论对指定时间范围内的风速时间序列x分别进行多尺度分解和相空间重构，得到K个重构后的分离信号y_k，k＝1，2，Λ，K。 

设x＝(x₁，x₂，Λ，x_n)^T为n个点的风速时间序列，每个风速值都是m个独立源信号的线性组合s＝(s₁，s₂，Λ，s_m)^T，即 

$x=\mathrm{Hs}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{h}_j{s}_j,j=\mathrm{1,2},\mathrm{\Λ},n---\left(1\right)$

式中：H＝[h₁，h₂，Λ，h_n]为m×n阶满秩源信号混合矩阵，其中n≥m。 

式(1)即为快速独立分量分析算法的信号混合模型，快速独立分量分析算法就是在源信号s和混合矩阵H都未知的情况下，构建一个分离矩阵W，从信号x中分离出相互统计独立的分量y，并希望各分量尽快能第逼近源信号s，这样快速独立分量分析算法问题的求解就可表示为 

y＝Wx＝(y₁，y₂，Λ，y_n)^T≈(s₁，s₂，Λ，s_n)^T    (2) 

采用快速独立分量分析算法寻找最优分离矩阵W，具体步骤如下 

(a)对原始风速时间序列x做均值和白化处理，得到新的信号 

满足 

I为单位矩阵。 

(b)任意选择具有单位方差的初始分离矩阵w_i(0)。 

(c)计算 $w_i(n+1)=E\left[\tilde{x}G\left(w_i^T\tilde{x}\right)\right]-E\left[G\left(w_i^T\tilde{x}\right)\right]w_i\left(n\right).$

(d)归一化处理分离矩阵w_i(n+1)＝w_i(n+1)/||w_i(n+1)||₂。 

(e)判定w_i(n+1)是否收敛，若收敛则分离出一个独立分量 

否则返回步骤(c)。 

(f)判定信号中的多个独立分量是否已经全部分量完毕，若没有则返回(b)，否则分离过程结束。 

(3)利用最小二乘支持向量机回归模型对相空间重构后的各个分离信号进行建模预测；

式中， 

为非线性映射函数，将输入样本数据y_k映射到高维特征空间；ω为权向量；b为偏置量，T表示矩阵的转置。 

(4)将各分离信号的预测值 

(k＝1，2，Λ，K)进行叠加得到最终的风速时间序列的预测结果 

$\tilde{y}=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\tilde{y}}_k---\left(4\right)$

所述原始风速数据中相邻两个风速数据点之间的采集间隔为15～60min。 

本发明一种短期风速预测方法的优点体现在： 

1.由于运用快速独立分量分析算法，从信号统计特性出发，从多维观测信号中提取相互独立的成分，从而简化了各个特征信息之间的干涉和耦合，能有针对性地建立更准确的预测模型； 

2.由于采用最小二乘支持向量机回归模型进行预测，将支持向量机中算法中的不等式约束转化为等式约束，采用最小二乘线性系统作为损失函数代替支持向量机所采用的二次规划方法，能大大的提高风速的预测速度； 

3.由于将快速独立分量分析和最小二乘支持向量机二者相结合来建立预测模型，从而能够对风速时间序列进行快速准确的预测。 

附图说明

图1是本发明的一种短期风速预测方法流程图。 

图2是本发明具体实施方式中东北某风电场2011年1月份的实测风速时间数列。 

图3是本发明中具体实施方式中利用快速独立分量分析将原始风速时间序列进行多尺度分解的分解结果。 

图4是本发明中具体实施方式中最小二乘支持向量机的结构模型图。 

图5是本发明具体实施方式中的风速的预测效果图。 

具体实施方式

下面利用附图和实施例对本发明作进一步说明。 

如图1所示，本发明的一种短期风速预测方法，包括以下步骤： 

(1)利用风速采集仪器每隔一小时记录一次同一地区的风速数据，整理采集的原始风速数据，形成风速时间序列用于分析预测； 

(2)运用快速独立分量分析Fast Independent component analysis，Fast ICA算法和相 空间重构理论对指定时间范围内的风速时间序列x分别进行多尺度分解和相空间重构，得到多个重构后的分离信号y； 

设x＝(x₁，x₂，Λ，x_n)^T为n个点的风速时间序列，每个风速值都是m个独立源信号的线性组合s＝(s₁，s₂，Λ，s_m)^T，即 

$x=\mathrm{Hs}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{h}_j{s}_j,j=\mathrm{1,2},\mathrm{\Λ},n---\left(1\right)$

式中：H＝[h₁，h₂，Λ，h_n]为m×n阶满秩源信号混合矩阵，其中n≥m。 

式(1)即为Fast ICA的信号混合模型，FastICA就是在源信号s和混合矩阵H都未知的情况下，构建一个分离矩阵W，从信号x中分离出相互统计独立的分量y，并希望各分量尽快能第逼近源信号s，这样Fast ICA问题的求解就可表示为 

y＝Wx＝(y₁，y₂，Λ，y_n)^T≈(s₁，s₂，Λ，s_n)^T    (2) 

采用Fast ICA算法寻找最优分离矩阵W，具体步骤如下 

(a)对原始风速时间序列x做均值和白化处理，得到新的信号 

满足 

I为单位矩阵。 

(b)任意选择具有单位方差的初始分离矩阵w_i(0)。 

(c)计算 $w_i(n+1)=E\left[\tilde{x}G\left(w_i^T\tilde{x}\right)\right]-E\left[G\left(w_i^T\tilde{x}\right)\right]w_i\left(n\right).$

(d)归一化处理分离矩阵w_i(n+1)＝w_i(n+1)/||w_i(n+1)||₂。 

(e)判定w_i(n+1)是否收敛，若收敛则分离出一个独立分量 

否则返回步骤(c)。 

(f)判定信号中的多个独立分量是否已经全部分量完毕，若没有则返回(b)，否则分离过程结束。 

(3)利用最小二乘支持向量机回归模型对相空间重构后的各个分离信号进行建模预测；

式中， 

为非线性映射函数，将输入样本数据y_k映射到高维特征空间；ω为权向量；b为偏置量，T表示矩阵的转置。 

(4)将各分离信号的预测值 

(k＝1，2，Λ，K)进行叠加得到最终的风速时间序列的预测结果 

$\tilde{y}=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\tilde{y}}_k---\left(4\right)$

所述原始风速数据中相邻两个风速数据点之间的采集间隔为15～60min。 

如图2所示，本发明以东北某风电场2010年12月份的实测风速时间序列作为实验样本，每小时作为一个采样点，选取其中连续的500h的风速数据作为实验数据。其中前350个风速数据作为训练样本，后150个风速数据作为训练样本用于检验预测结果的准确性。 

如图3所示，为500个原始风速时间序列的Fast ICA分解结果。可见，风速时间序列经过Fast ICA处理后得到4个分离信号。其中分离信号I为低频部分，分离信号II～IV分别为对原始信号分离出的高频成分。运用自相关法和假近邻法分别求取风速时间序列的延迟时间和嵌入维数，对各个分离信号进行相空间重构。然后运用最小二乘支持向量机对各个分离信号进行建模预测。 

分别运用训练好的最小二乘支持向量机的模型对4个分离信号进行预测，并将各预测结果叠加，得到的预测结果如图5所示。同时运用经验模式分解对500个原始风速时间序列进行分解选择合理的误差指标，对评定预测效果的好坏有着重要的作用。本发明运用用下式对预测效果进行检验： 

${\mathrm{\σ}}_{\mathrm{MAE}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}|\stackrel{\‾}{y}\left(i\right)-y\left(i\right)|$

${\mathrm{\σ}}_{\mathrm{RMS}}=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{[\stackrel{\‾}{y}\left(i\right)-y\left(i\right)]}^2}$

式中：σ_MAE为平均绝对误差，σ_RMS为均方根误差；N为预测样本数； 

为序列的真实值；y(i)为预测结果。 

两种预测方法的均方根误差和平均绝对误差见表1所示。 

表1 

从表1可以看出，基于快速独立分量分析和最小二乘支持向量机模型的预测均方根误差和平均绝对误差，明显小于基于经验模式分解和最小二乘支持向量机模型预测方均根误 差和平均绝对误差。因此基于Fast ICA和改进LSSVM的预测精度与稳定性最好。 

具体实施方式给出本发明的一种短期风速预测方法并非穷举，本领域技术人员不经过创造性劳动的简单复制和改进，仍属于本发明权利要求保护的范围。 

Claims (2)

1.一种短期风速预测方法，其特征是：它包括以下步骤：

(1)利用风速采集仪器每隔一小时记录一次同一地区的风速数据，整理采集的原始风速数据，形成风速时间序列用于分析预测；

(2)运用快速独立分量分析算法和相空间重构理论对指定时间范围内的风速时间序列x分别进行多尺度分解和相空间重构，得到K个重构后的分离信号y_k，k＝1，2，Λ，K；

设x＝(x₁，x₂，Λ，x_n)^T为n个点的风速时间序列，每个风速值都是m个独立源信号的线性组合s＝(s₁，s₂，Λ，s_m)^T，即

式中：H＝[h₁，h₂，Λ，h_n]为m×n阶满秩源信号混合矩阵，其中n≥m，

式(1)即为快速独立分量分析算法的信号混合模型，快速独立分量分析算法就是在源信号s和混合矩阵H都未知的情况下，构建一个分离矩阵W，从信号x中分离出相互统计独立的分量y，使各分量逼近源信号s，这样快速独立分量分析算法问题的求解就可表示为

y＝Wx＝(y₁，y₂，Λ，y_n)^T≈(s₁，s₂，Λ，s_n)^T    (2)

采用快速独立分量分析算法算法寻找最优分离矩阵W，具体步骤如下

(a)对原始风速时间序列x做均值和白化处理，得到新的信号 

满足 

I为单位矩阵，

(b)任意选择具有单位方差的初始分离矩阵w_i(0)，

(c)计算

(d)归一化处理分离矩阵w_i(n+1)＝w_i(n+1)/||w_i(n+1)||₂，

(e)判定w_i(n+1)是否收敛，若收敛则分离出一个独立分量 

否则返回步骤(c)，

(f)判定信号中的多个独立分量是否已经全部分量完毕，若没有则返回(b)，否则分离过程结束；

(3)利用最小二乘支持向量机回归模型对相空间重构后的各个分离信号进行建模预测；

式中， 为非线性映射函数，将输入样本数据y_k映射到高维特征空间，ω为权向量，b为偏置量，T表示矩阵的转置；

(4)将各分离信号的预测值 

(k＝1，2，Λ，K)进行叠加得到最终的风速时间序列的预测结果 

2.根据权利要求1所述的短期风速预测方法，其特征是：所述原始风速数据中相邻两个风速数据点之间的采集间隔为15～60min。 

Images