CN102708305A - 一种基于卡尔曼滤波融合的风速序列预测方法 - Google Patents

Abstract

本发明属于时间序列预测分析领域，具体为一种基于卡尔曼滤波融合的风速序列预测方法。利用采集到的风速序列构造出风速变化率序列，采用神经网络分别对两种序列进行预测分析，并将预测结果利用卡尔曼滤波方法进行融合，从而得到风速的最优预测估计结果。本发明主要用于风速时间序列的预测分析领域中。

Description

一种基于卡尔曼滤波融合的风速序列预测方法

技术领域

本发明属于时间序列预测分析领域，涉及一种用于风速时间序列预测的方法，特别涉及一种采用卡尔曼滤波方法对预测结果进行融合的风速序列预测分析方法。

背景技术

风电是一种理想的新能源，大力发展风力发电有利于缓解日益严峻的能源紧张问题。风速预测是发展风电技术的关键技术问题之一。风速及风功率预测对于风电场规划、风功率的控制、风电并网后电网的安全经济运行具有重要的意义。风速序列具有明显的非线性、随机波动性等特点，这对有效实现预测分析带来了较大的困难。目前，常用的风速时间序列预测分析方法有持续法、时间序列法、神经网络法、模糊逻辑法以及混沌时间序列预测分析方法等。尽管这些预测方法运用不同的理论对风速开展预测研究，从不同的角度对风速序列的预测性能起到改善作用。但目前的风速预测性能还不够理想。而卡尔曼滤波方法能够融合几种预测方法的优势，改善单一预测方法的不足。

因此，采用卡尔曼滤波方法，设计一种能够融合多种预测结果的预测分析方法具有重要的应用价值。

发明内容

本发明所要解决的技术问题是，设计一种基于卡尔曼滤波融合的风速时间序列预测分析方法，提高风速时间序列的预测精度。

本发明所采用的技术方案是：一种基于卡尔曼滤波融合的风速序列预测方法，利用采集到的风速序列构造出风速变化率序列，采用神经网络分别对两种序列进行预测分析，并将预测结果利用卡尔曼滤波方法进行融合，从而得到风速的最优预测估计结果。

本发明的目的在于提出一种基于卡尔曼滤波融合的风速序列预测方法，利用卡尔曼滤波方法将风速序列和风速变化率序列的预测结果进行融合，改善单一预测方法的预测性能，减小风速序列的预测误差，提高风速序列的预测精度。

具体实施方式

下面结合实施例对本发明作进一步详细说明。

设已知风速序列为{V_i}，i＝0，2，...，M。风速变化率序列可求得为{A_j}，j＝1，2，...，M。其中：

A_i＝(V_i-V_i-1)/T_s       (1)

式(1)中T_s为系统采样周期。

采用BP神经网络可分别实现对上述风速序列和风速变化率序列的预测分析。

为了改善神经网络方法的预测性能，利用卡尔曼滤波方法对上述两种预测结果进行融合，以提高风速序列的预测效果。

选择风速V和风速变化率的偏差B作为状态变量，建立状态方程和测量方程为：

$\left[\begin{array}{c}\stackrel{\·}{V}\\ \stackrel{\·}{B}\end{array}\right]=\left[\begin{array}{cc}0& -1\\ 0& 0\end{array}\right]\left[\begin{array}{c}V\\ B\end{array}\right]+\left[\begin{array}{c}1\\ 0\end{array}\right]A+\left[\begin{array}{c}{w}_a\\ 0\end{array}\right]---\left(2\right)$

$V=\left[\begin{array}{cc}1& 0\end{array}\right]\left[\begin{array}{c}V\\ B\end{array}\right]+w_v---\left(3\right)$

式中，w_a和w_v分别为风速变化率噪声和风速噪声，假设二者为满足正态分布的白噪声，令T_s为系统采样周期，得到离散系统的状态方程和测量方程为：

$\left[\begin{array}{c}V\left(k\right)\\ B\left(k\right)\end{array}\right]=\left[\begin{array}{cc}1& -T_s\\ 0& 1\end{array}\right]\left[\begin{array}{c}V(k-1)\\ B(k-1)\end{array}\right]+\left[\begin{array}{c}{T}_s\\ 0\end{array}\right]A(k-1)+\left[\begin{array}{c}{w}_a\left(k\right)T_s\\ 0\end{array}\right]---\left(4\right)$

$V\left(k\right)=\left[\begin{array}{cc}1& 0\end{array}\right]\left[\begin{array}{c}V\left(k\right)\\ B\left(k\right)\end{array}\right]+w_v\left(k\right)---\left(5\right)$

卡尔曼滤波器的系统过程噪声协方差矩阵Q和测量噪声的协方差矩阵R选择为：

$Q=\left[\begin{array}{cc}\mathrm{var}\left(w_a{T}_s\right)& 0\\ 0& 0\end{array}\right]---\left(6\right)$

R＝[var(w_v)]            (7)

根据神经网络对测试样本的预测误差的方差，求得系统过程噪声协方差矩阵Q和测量噪声的协方差矩阵R。

根据上述状态方程和测量方程，利用卡尔曼滤波方法可实现神经网络对风速序列和风速变化率序列两种预测结果的融合，从而得到最优风速预测估计结果。

实施例

利用本发明方法对某地风速序列进行预测分析，风速数据每隔10分钟采集一次，根据所采集到的风速数据，利用式(1)求得风速变化率序列{A_i}，利用BP神经网络分别对风速序列和风速变化率序列进行预测分析，并统计两者预测误差的方差，求得系统过程噪声协方差矩阵Q和测量噪声的协方差矩阵R，利用卡尔曼滤波方法对两种预测结果进行滤波融合，得到最终的风速预测估计结果。采用BP神经网络对未来50个数据点进行一步预测分析，预测最大误差为6.3247m/s，平均误差为1.7693m/s，相对误差为9.24％，采用卡尔曼滤波融合后，最大误差为5.4733m/s，平均误差为1.7354m/s，相对误差为9.14％。通过误差性能比较，可见本发明方法具有良好的预测性能。

Claims (4)

1.一种基于卡尔曼滤波融合的风速序列预测方法，其特征在于，利用采集到的风速序列构造出风速变化率序列，采用神经网络分别对两种序列进行预测分析，并将预测结果利用卡尔曼滤波方法进行融合，从而得到风速的最优预测估计结果。

2.根据权利要求1所述的一种基于卡尔曼滤波融合的风速序列预测方法，其特征在于，所述的风速变化率序列{A_j}可根据风速序列为{V_i}按式(1)求得：

A_i＝(V_i-V_i-1)/T_s       (1)

其中T_s为系统采样周期。

3.根据权利要求1所述的一种基于卡尔曼滤波融合的风速序列预测方法，其特征在于，所述的卡尔曼滤波方法所需要的状态方程和测量方程按式(2)和式(3)建立：

$\left[\begin{array}{c}\stackrel{\·}{V}\\ \stackrel{\·}{B}\end{array}\right]=\left[\begin{array}{cc}0& -1\\ 0& 0\end{array}\right]\left[\begin{array}{c}V\\ B\end{array}\right]+\left[\begin{array}{c}1\\ 0\end{array}\right]A+\left[\begin{array}{c}{w}_a\\ 0\end{array}\right]---\left(2\right)$

$V=\left[\begin{array}{cc}1& 0\end{array}\right]\left[\begin{array}{c}V\\ B\end{array}\right]+w_v---\left(3\right)$

其中，选择风速V和风速变化率的偏差B作为状态变量，w_a和w_v分别为风速变化率噪声和风速噪声。

4.根据权利要求1、3所述的一种基于卡尔曼滤波融合的风速序列预测方法，其特征在于，根据神经网络对测试样本的预测误差的方差，求得系统过程噪声协方差矩阵Q和测量噪声的协方差矩阵R。