CN102609766A

CN102609766A - 一种风电场风速智能预测方法

Info

Publication number: CN102609766A
Application number: CN2012100361180A
Authority: CN
Inventors: 刘辉; 田红旗; 潘迪夫; 许平; 高广军; 李燕飞; 王中钢
Original assignee: Central South University
Current assignee: Central South University
Priority date: 2012-02-17
Filing date: 2012-02-17
Publication date: 2012-07-25
Anticipated expiration: 2032-02-17
Also published as: CN102609766B

Abstract

一种风电场风速智能预测方法，所述方法的步骤包括数据采集与输入、数据序列分层、建立数学模型、预测综合计算和预测结果输出；数据序列分层是采用小波包分解法，将原始非平稳风速分解成至少为两个的趋于平稳的风速数据输出，风速数据输出的个数就定义为风速的序列层数；建立数学模型，是对风速的序列层数中每层数据单独进行处理，对于高频序列层建立BP神经网络模型、高频数据计算，然后进入数据栈；对于低频序列层建立时间序列模型、低频数据计算，然后进入数据栈；当所有数据全部到达数据栈后，数据栈中的所有数据才进入预测综合计算步骤进行加权计算，最后执行预测结果输出。本发明的方法属于智能法，能够实现多步超前预测。

Description

一种风电场风速智能预测方法

技术领域

本发明涉及一种风电场风速智能预测方法。

背景技术

近年来，绿色环保的风力发电得到了世界各国的普遍重视，发展也非常迅速。在决定风力发电机组的安装容量与安装位置之前，风速的超前预测结果能够帮助决策者事先提前获得预测地的风力发电的资源潜力。此外，风速预测技术对于保护风机等设备、监控风电并网也非常重要。因此，风电场风速预测具有非常重大的社会和经济意义。

中国发明专利《一种风电场短期风速预测方法》（申请号：201019146035.5）公开了基于混沌分析方法和支持向量机的风电场风速预测方法。该方法虽然直接通过支持向量机获得了较高的预测精度，但支持向量机是通过二次规划来求解支持向量，而求解二次规划将涉及到大型m阶矩阵的计算（m为样本的个数），当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间，模型将无法实时输出预测值。其不足之处：该发明无法用于实时的大型风电场风速预警监控系统中。

中国发明专利《基于神经网络的短时风速预报方法》（申请号：200910219123.3）公开了基于风速、风向、温度和气压的BP神经网络风电场风速预测方法。该方法选择了应用最为广泛的BP神经网络模型来对风速、风向、温度和压力等多维时间序列数据进行空间拟合，从而实现风速的预测。其不足之处：是由于使用了多种类的样本数据从而造成BP神经网络模型负责、模型的训练和预测输出时间偏长、预测精度不高、预测实时性难以保障等缺点，同时多种类数据的采集也势必增加实际应用系统的负担。上述专利均不能实现超前多步预测。

发明内容

本发明的目的在于克服现有技术中的不足，基于成熟的小波包分解法、时间序列分析法、神经网络、支持向量机四种算法的分类混合建模，提供一种高精度、简单方便、能实现超前多步预测的风电场风速智能预测方法。

本发明的目的通过下述技术方案予以实现：所述方法的步骤包括数据采集与输入、数据序列分层、建立数学模型、预测综合计算和预测结果输出，所述预测综合计算是对数学模型中的数据进行加权计算；所述数据序列分层是采用小波包分解法，将原始非平稳风速分解成至少为两个的趋于平稳的风速数据输出，风速数据输出的个数就定义为风速的序列层数；所述建立数学模型，是对风速的序列层数中每层数据单独进行处理，首先按照事先的设定，判定当前数据为高频序列层还是低频序列层，如果当前数据属于高频序列层，则进行以下处理：建立BP神经网络模型、高频数据计算，然后进入数据栈；如果当前数据属于低频序列层，则进行以下处理：建立时间序列模型、低频数据计算，然后进入数据栈；当所有数据全部到达数据栈后，数据栈中的所有数据才进入预测综合计算步骤进行加权计算，最后执行预测结果输出。

所述建立BP神经网络模型的步骤包括：

（1）、当前数据为高频序列层的确认；

（2）、数据归一化处理；

（3）、BP神经网络结构的确立；

（4）、BP神经网络的训练；

（5）、BP神经网络的预测输出的确定；

（6）、BP神经网络模型的计算及其输出。

所述建立时间序列模型的步骤包括：

（1）、当前数据为低频序列层的确认；

（2）、时间序列模型类别辨识；

（3）、时间序列模型阶次确定；

（4）、时间序列模型参数确定；

（5）、时间序列模型的计算及其输出。

所述时间序列模型参数确定过程中，引入了能够提高传统时间序列模型的泛化能力的支持向量机法，即：将时间序列模型的方程作为支持向量机的结构，按照支持向量机的结构风险最小化原则来确定时间序列模型的参数值，然后将所得的参数值代入时间序列模型的方程进行预测计算。

与现有技术相比，本发明具有优点：

(a) 本发明采用小波包分解法将原始跳跃风速数据预先分解成几层较为平稳的风速序列层的做法提高了模型抗跳跃性的能力，使得模型可以获得高精度的跳跃风速预测精度。该优点在后面的实施例1中得到体现；

（b）本发明对小波包分解后的低频、高频风速序列层采用分类预测的做法既兼顾了模型的预测精度，又降低了计算难度和保证了预测输出的实时性；

（c）从背景技术可知，支持向量机是一种出色的智能算法。但如果将其直接用于预测计算，由于涉及大矩阵计算使得模型的实时性难以保证。为改进这个不足，本发明采用一种新思路：不将支持向量机直接用于预测计算，而是用于时间序列模型的参数估计优化中，这样不仅获得了其出色的算法性能，而且有效地缩短了预测输出的时间；

（d）本发明计算简单，预测精度高，能完成超前多步预测计算，可推广于相关实际系统中。该优点在后面的比较例1、比较例2中得到验证。

附图说明

附图1为本发明方法的流程框图。

附图2为实施例1在某风电场所采集的非平稳风速数据。

附图3为小波包分解示意图。

附图4为图2数据经过小波包分解后被转化为8个序列分层数据。

附图5为图4中第（3，0）低频序列层的建模数据集的自相关系数图。

附图6为图4中第（3，0）低频序列层的建模数据集的偏相关系数图。

附图7为图4中第（3，0）低频序列层的建模数据集的FPE阶次图。

图8为实施例1超前一步预测结果输出；

图9为实施例1超前两步预测结果输出；

图10为实施例1超前三步预测结果输出。

图1中：1-数据采集与输入，2-数据序列分层，3-建立数学模型，4-预测综合计算，5-预测结果输出，6-低频序列层，7-建立时间序列模型，8-低频数据计算，9-高频序列层，10-建立BP神经网络模型 11-高频数据计算，12-数据栈。

具体实施方式

下面结合附图和实施例对本发明作进一步说明：

参照附图，所述方法的步骤包括数据采集与输入1、数据序列分层2、建立数学模型3、预测综合计算4和预测结果输出5，所述预测综合计算4是对数学模型中的数据进行加权计算；所述数据序列分层2是采用小波包分解法，将原始非平稳风速分解成至少为两个的趋于平稳的风速数据输出，风速数据输出的个数就定义为风速的序列层数；所述建立数学模型3，是对风速的序列层数中每层数据单独进行处理，首先按照事先的设定，判定当前数据为高频序列层9还是低频序列层6，如果当前数据属于高频序列层9，则进行以下处理：建立BP神经网络模型10、高频数据计算11，然后进入数据栈12；如果当前数据属于低频序列层6，则进行以下处理：建立时间序列模型7、低频数据计算8，然后进入数据栈12；当所有数据全部到达数据栈12后，数据栈12中的所有数据才进入预测综合计算4步骤进行加权计算，最后执行预测结果输出5。

所述建立BP神经网络模型10的步骤包括：

（1）、当前数据为高频序列层9的确认；

（2）、数据归一化处理；

（3）、BP神经网络结构的确立；

（4）、BP神经网络的训练；

（5）、BP神经网络的预测输出的确定；

（6）、BP神经网络模型的计算及其输出。

所述建立时间序列模型7的步骤包括：

（1）、当前数据为低频序列层6的确认；

（2）、时间序列模型类别辨识；

（3）、时间序列模型阶次确定；

（4）、时间序列模型参数确定；

（5）、时间序列模型的计算及其输出。

目前，风电场风速短期预测方法主要归纳为三种：物理法、统计法和智能法，目前最流行的是智能法。智能法就是利用智能控制理论对风速信号建立预测模型或是优化改进传统物理或统计预测模型，从而获得更高精度和鲁棒性能的风速超前预测结果。相比于物理方法和统计方法，智能方法通常具备“自学习性”、“自修正性”和“自跟踪性”等智能特点，其预测模型可实现的超前预测步数更大，获得的超前预测精度更高。本发明的方法属于智能法。

实施例1：

1、数据采集与输入1：采集的单个风速样本参考附图2，在本实施例中共采集了800个原始数据，前600个原始数据被送入数据序列分层2。

2、数据序列分层2：采用的小波包分解与重构算法对前600个原始数据进行信号分解，分解深度为3，母小波为具有时频紧支撑和高正则性的Daubechies 4小波，合计分解成8个序列分层的数据。

小波包分解示意图如图3所示，其中以小波包格式(a，b)来代表各分解层风速数据（“a”是分解层数；“b”是高频或低频层的区分标志：若“b=0”则为低频数据层，若“b=1”则为高频数据层；）。如（0，0）代表原始风速序列，（1，0）代表第一层的低频风速序列，（1，1）代表第一层的高频风速序列，以此类推。

经过小波包分解后的各序列如附图4。该序列代表的数据为小波包分解后确定的某个分层的风速数据。

3、建立数学模型3：分类式建模法，即：根据风速序列层的高频、低频种类来对每层数据单独进行建模。

（1）高频序列层建模：如果该序列层数据为小波包高频分解层9，则对其建立BP神经网络模型10。

所述建立BP神经网络模型10：采用成熟的现有技术，计算步骤包括：

（a）、当前数据为高频序列层9确认；

（b）、数据归一化处理：指将输入到神经网络的高频序列层风速数据归一化在[0，1]之间。这样做的目的是为了加快神经网络在训练和预测时的收敛速度。

（c）、BP神经网络结构的确立：指按照高频序列层风速的数据特征，选择合适的神经网络结构指标，包括确定隐含层数目、各层神经元个数和神经网络的链接初始权值和阈值。

（d）、BP神经网络的训练：指将高频序列层风速数据中的训练数据集依次输入到神经网络来逐步调整网络的链接权值和阈值，使得网络的性能达到最佳。本实施例的训练数据集为各高频序列层的前600个数据。

（e）、BP神经网络的预测输出的确定：指（d）步已训练好的BP神经网络根据高频序列层的预测数据集自动计算出对应的输出预测值。本实施例的预测数据集为各高频序列层的第601-800个数据。

（f）、BP神经网络模型的计算及输出到数据栈12。

（2）低频序列层建模：如果该序列层数据为小波包低频分解层6，则对其建立时间序列模型7。

所述建立时间序列模型7的计算步骤包括：

（a）、当前数据为低频序列层6确认；

（b）、时间序列模型类别辨识：指根据低频序列层风速数据中的建模数据集的自相关系和偏相关性特征，按照表1确定选择合适的时间序列模型类别。常用的基本模型类别包括AR自回归模型、MA滑动平均模型、ARMA自回归滑动平均模型。本实施例的建模数据集为各低频序列层的前600个数据。

表1 时间序列模型类别对照表

AR模型	MA模型	ARMA模型
			自相关系数振荡	自相关系数拖尾	偏相关系数振荡
偏相关系数拖尾	偏相关系数振荡	偏相关系数振荡

如图4中（3，0）低频序列层的建模数据集的自相关系数和偏相关系数变化情况分别如图5、图6所示。对照图5、图6和表1可知：（3，0）低频序列层满足AR自回归模型。

（c）、时间序列模型阶次确定：指按照相关原则确定已选择模型类别的预测阶次。本实施例采用日本数学家Akaike提出的Final Prediction Error (FPE)原则来确定模型阶次。FPE原则属于数学中的成熟技术。

如对（3，0）低频序列层所满足的AR自回归模型进行FPE阶次计算，结果如图7所示。分析图7可知：刚开始时，模型的FPE误差随着模型阶次的增大而减小，当阶次为3时模型的FPE误差达到最小，随后FPE误差随着阶次的增大反而增大。因此可以判断3是最佳模型阶次。

（d）、时间序列模型参数确定：能够提高传统时间序列模型的泛化能力的支持向量机法，即：将时间序列模型的方程作为支持向量机的结构，按照支持向量机的结构风险最小化原则来确定时间序列模型的参数值，然后将所得的参数值代入时间序列模型的方程进行预测计算。支持向量机用于参数估计属于成熟技术。如对（3，0）低频序列层所满足的AR自回归模型进行参数估计计算，结果如下：

上式中，

代表（3，0）低频序列层风速数据，

为模型拟合残差。

（e）、时间序列模型的计算及输出到数据栈12。

4、预测综合计算4：对数学模型中的数据进行加权计算。

5、预测结果输出5：采用成熟的现有技术。

预测结果输出5输出的结果参考附图8-10。如果以每三分钟为提前一步的话，那么：

图8为实施例1超前一步预测结果输出；

图9为实施例1超前两步预测结果输出；

图10为实施例1超前三步预测结果输出。

实施例1风速预测结果参考表2。

表2 实施例1风速预测结果分析表

超前数/步	风速平均绝对误差	平均相对误差	均方根误差
				1	0.6153(m/s)	4.78%	0.8402(m/s)
2	0.9438(m/s)	7.45%	1.3014(m/s)
				3	1.1889(m/s)	9.36%	1.5772(m/s)

从上述实施例1可知：本发明实现了风电场非平稳风速时间序列的高精度的超前多步预测值，如超前三步的平均相对误差小于10%。本发明的智能混合预测方法设计了多智能算法的分类预测计算结构，科学合理地融合了小波包的数据细分功能、时间序列模型的计算简便性和神经网络的非线性隐射能力，可以满足风速高精度超前多步预测的需要。

比较例1：

为了进一步显示本发明的良好性能，再利用单纯的BP神经网络法直接对原始序列的同一段风速样本进行建模，然后分别进行超前一步、二步、三步预测计算。比较例1风速预测结果参考表3。

表3 比较例1风速预测结果分析表

超前数/步	风速平均绝对误差	平均相对误差	均方根误差
				1	1.1558(m/s)	8.84%	1.5032(m/s)
2	2.3168(m/s)	18.16%	2.9036(m/s)
				3	2.9516(m/s)	23.96%	3.6480(m/s)

比较表2和表3可知：本发明比单纯的BP神经网络法的预测精度高。仅平均相对误差指标而言，超前一至三步的精度提高幅度分别达到45.93%、17.75%、60.93，体现了本发明出色的预测性能。

比较例2：

为了进一步显示本发明的良好性能，再利用单纯的时间序列分析法直接对原始序列的同一段风速样本进行建模，然后分别进行超前一步、二步、三步预测计算。比较例2风速预测结果参考表4。

表4 比较例2风速预测结果分析表

超前数/步	风速平均绝对误差	平均相对误差	均方根误差
				1	1.0886(m/s)	8.27%	1.4769(m/s)
2	2.2083(m/s)	17.03%	2.9447(m/s)
				3	2.8442(m/s)	22.43%	3.7333(m/s)

比较表2和表4可知：本发明比单纯的BP神经网络法的预测精度高。仅平均相对误差指标而言，超前一至三步的精度提高幅度分别达到42.20%、16.59%、58.27%，体现了本发明出色的预测性能。

Claims

1.一种风电场风速智能预测方法，所述方法的步骤包括数据采集与输入（1）、数据序列分层（2）、建立数学模型（3）、预测综合计算（4）和预测结果输出（5），所述预测综合计算（4）是对数学模型中的数据进行加权计算；其特征在于：所述数据序列分层（2）是采用小波包分解法，将原始非平稳风速分解成至少为两个的趋于平稳的风速数据输出，风速数据输出的个数就定义为风速的序列层数；所述建立数学模型（3），是对风速的序列层数中每层数据单独进行处理，首先按照事先的设定，判定当前数据为高频序列层（9）还是低频序列层（6），如果当前数据属于高频序列层（9），则进行以下处理：建立BP神经网络模型（10）、高频数据计算（11），然后进入数据栈（12）；如果当前数据属于低频序列层（6），则进行以下处理：建立时间序列模型（7）、低频数据计算（8），然后进入数据栈（12）；当所有数据全部到达数据栈（12）后，数据栈（12）中的所有数据才进入预测综合计算（4）步骤进行加权计算，最后执行预测结果输出（5）。

2.根据权利要求1所述的风电场风速智能预测方法，其特征在于：所述建立BP神经网络模型（10）的步骤包括：

（1）、当前数据为高频序列层（9）的确认；

（2）、数据归一化处理；

（3）、BP神经网络结构的确立；

（4）、BP神经网络的训练；

（5）、BP神经网络的预测输出的确定；

（6）、BP神经网络模型的计算及其输出。

3.根据权利要求1或2所述的风电场风速智能预测方法，其特征在于：所述建立时间序列模型（7）的步骤包括：

（1）、当前数据为低频序列层（6）的确认；

（2）、时间序列模型类别辨识；

（3）、时间序列模型阶次确定；

（4）、时间序列模型参数确定；

（5）、时间序列模型的计算及其输出。

4.根据权利要求3所述的风电场风速智能预测方法，其特征在于：所述时间序列模型参数确定过程中，引入了能够提高传统时间序列模型的泛化能力的支持向量机法，即：将时间序列模型的方程作为支持向量机的结构，按照支持向量机的结构风险最小化原则来确定时间序列模型的参数值，然后将所得的参数值代入时间序列模型的方程进行预测计算。