CN104834816A - 一种短期风速预测方法 - Google Patents

Abstract

本发明涉及风力发电技术领域，包括以下步骤：利用风速采集仪器每隔10-20分钟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；基于混沌理论对时间序列进行相空间重构：运用C-C法确定混沌理论中最佳的嵌入维数和延迟时间，并进行多尺度分解和相空间重构；相空间重构生成新的样本空间用BP神经网络建立模型；仿真验证，对比预测结果得出结论。本发明的目的在于克服现有风速预测技术上的缺陷，提出一种风速预测精度高的短期风速预测方法。

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。

背景技术

在可再生能源中风力发电的增长速度最快，装机容量每年增长超过30％。根据欧洲风能协会和绿色和平组织签署的《关于2020年风电达到世界电力总量的12％的蓝图》的报告期望并预测2020年全球的风力发电装机将达到12.31亿kW(是2002年世界风电装机容量的38.4倍)，年安装量达到1.5亿kW，风力发电量将占全球发电量的12％。我国的风电行业也进入快速增长时期，为了使风电在快速增长的电力工业占有较多的份额，我国政府计划在2020年风电的装机容量达到3000万kW。

如果对风电场风速预测比较准确，将有利于调整调度计划，从而有效减轻风电对整个电网的不利影响，减少电力系统运行成本和旋转备用，提高风电穿透功率极限，并且有利于在开放的电力市场环境下正确制定电能交换计划等。风电穿透功率是指风电功率占系统总发电功率的比例。中国电力科学研究院在这方面进行了大量的研究工作。一般情况下，在风电穿透功率不超过8％时，我国电网不会出现较大的技术问题。但是，当风电穿透功率超过一定值之后，有可能对电能质量和电力系统的运行产生影响，并且会危及常规发电方式。对风电场做短期风速预测，再由风功曲线得到风力发电功率的预测值，这是进行风力发电功率预测的有效途径之一。

根据研究期长短及用途的不同，可将风特征分为长期、中期和短期特征。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、神经网络方法和模糊逻辑法等，而对于短期风速的预测常采用神经网络方法中的BP神经网络建模预测风速。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。对于短期风速的预测，按照现有神经网络方法中的BP神经网络建模预测风速，最终预测的风速误差大，增大了风电的运行成本。究其原因在于：BP神经网络建模预测风速，需要确定神经网络的结构参数即需要确定神经网络的输入神经元，隐层神经元，和输出神经元。其中神经网络的隐层神经元节点数的多少，对预测效果也有很大的影响。

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，提出一种风速预测精度高的短期风速预测方法。

为了实现上述目的，本发明提供如下技术方案: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10-20分钟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)基于混沌理论对时间序列进行相空间重构：运用C-C法确定混沌理论中最佳的嵌入维数和延迟时间，并进行多尺度分解和相空间重构；

设X(n),n＝1,2…，N为时间序列X_i(n)＝{X_i(n),X_i(n+τ),…X_i(n+(m-1)τ)}(i＝1,2,…,M)为相空间中的点，C-C法的具体描述如下：

嵌入时间序列的关联积分定义为下式的函数，其中r>0

$C(m,N,r,\mathrm{\τ})=\frac{1}{M^2}\underset{1\≤i\≤j\≤M}{\mathrm{\Σ}}\mathrm{\θ}(r-||x_i-x_j|\left|\right)$

式中：m为嵌入维数；N为时间序列的长度；r为邻域半径的大小；τ为延迟时间；θ(·)为Heaviside单位函数，

$\mathrm{\&theta;}\left(x\right)=\left\{\begin{array}{c}0,x<0\\ 1,x\&GreaterEqual;0\end{array}\right.$

关联维数为

$D(m,\mathrm{\&tau;})=\underset{r\&RightArrow;0}{\lim }\frac{\log C(m,r,\mathrm{\&tau;})}{\log r}$

其中，将时间序列X(n),n＝1,2…,N,分成t个不相交的时间序列，长度为INT(N/t)，INT为取整，对于一般的自然数t，有

$\begin{array}{c}\{x\left(1\right),x(t+1),x(2t+1),\&CenterDot;\&CenterDot;\&CenterDot;\}\\ \{x\left(2\right),x(t+2),x(2t+2),\&CenterDot;\&CenterDot;\&CenterDot;\}\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\end{array}$

$\{x\left(3\right),x(t+3),x(2t+3),\&CenterDot;\&CenterDot;\&CenterDot;\}$

然后计算每个子序列的统计量S(m,N,r,τ)

$S=(m,N,r,\mathrm{\&tau;})=\frac{1}{t}\underset{l=1}{\overset{t}{\mathrm{\&Sigma;}}}\{c_l(m,N/\mathrm{\&tau;},r,\mathrm{\&tau;})-{\left[c_l(1,N/\mathrm{\&tau;},r,\mathrm{\&tau;})\right]}^m\}$

式中：C_l是第l个子序列的相关积分，局部最大间隔可以取S(·)零点或对所有的半径r相互差别最小的时间点，选择对应值最大和最小两个半径r，定义差量为：

ΔS(m，t)＝max[S(m,N,r_i,t)]-min[S(m,N,r_j,t)],i≠j

根据统计学原理，m取值在2到5之间，r的取值在σ/2和2σ之间，σ是时间序列的均方差，得到方程如下：

$\left\{\begin{array}{c}{S}_{\mathrm{cor}}\left(t_i\right)=\mathrm{\&Delta;}\stackrel{\&OverBar;}{S}\left(t\right)+\left|\stackrel{\&OverBar;}{S}\left(t\right)\right|\\ \mathrm{\&Delta;}\stackrel{\&OverBar;}{S}\left(t\right)=\frac{1}{4}\underset{m=2}{\overset{5}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;S}(m,N,t)\\ \stackrel{\&OverBar;}{S}\left(t\right)=\frac{1}{16}\underset{m=2}{\overset{5}{\mathrm{\&Sigma;}}}\underset{j=2}{\overset{4}{\mathrm{\&Sigma;}}}S(m,N,r_j,t)\end{array}\right.$

其中，为所有子序列的统计量S(m,N,r_j,t)的均值，的第一个极小值对应第一个局部最大时间τ，S_cor(t)的最小值对应时间序列独立的第一个整体最大值时间窗口，即延迟时间窗口，用τ_w＝(m-1)τ可以求出嵌入维数m，τ_w即为延迟时间τ；

(3)由步骤(2)中相空间重构生成新的样本空间，并用BP神经网络建立模型；

(4)将步骤(3)中建立的模型进行仿真验证，对比预测结果并得出结论。

上述方案中的混沌理论是一种确定系统中出现的无规则的运动。混沌的离散情况常常表现为混沌时间序列，混沌时间序列是由混沌模型生成的具有混沌特性的时间序列，混沌时间序列中蕴涵着系统丰富的动力学信息，混沌时间序列是混沌理论通向现实世界的一个桥梁，是混沌的一个重要应用领域。混沌理论目的是要揭示貌似随机的现象背后可能隐藏的简单规律,以求发现一大类复杂问题普遍遵循的共同规律。相空间重构是分析混沌动力学系统的第一步，系统中任一分量的演化都是由与之相互作用着的其他分量所决定的。因此，这些相关分量的信息隐含在任一分量的发展过程中，重构系统相空间只需考察一个分量，通过某些固定的延时点上的观测值找到m维向量，就可以重构出一个等价的相空间。在这个相空间中恢复原有动力学系统，研究其吸引子的性质等。所以，如何选择适当的嵌入维数m和延迟时间τ是相空间重构的主要研究内容。

上述方案中的BP神经网络是能反向传递并能修正误差的多层前向映射网络，通常是由输入层、若干隐含层和输出层组成的，层与层之间的神经元采用全互连的模式，通过相应的网络权值相互联系，每层内的神经元没有连接。当参数适当时，此网络能收敛到较小的均方差。BP神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(output layer)。BP神经网络的学习，就是利用样本资料并根据一定的目标函数来优化网络的参数(权值和阈值)的过程。目前，网络学习算法通常采用的是反传学习算法(Back-PropagationAlgorithm，简称BP算法)，它通过误差函数最小化来完成输入到输出的映射。

优选的，在步骤(3)中，所述BP神经网络建立模型包括运用BP神经网络预测和BP神经网络隐层神经元的确定。

优选的，运用BP神经网络预测是通过BP神经网络将步骤(2)中的m和τ进行组合，组合成多组嵌入维数和延迟时间进行预测，并通过性能指标来预测最佳的嵌入维数和延迟时间，根据混沌时间序列的嵌入维数m，用m-1作为网络的输入层节点数，输出层位1，网络的输入、输出为：

样本输入           输出

$\left[\begin{array}{cccc}x\left(1\right)& x\left(2\right)& ...& x(n-(m-1)\mathrm{\&tau;})\\ x(1+\mathrm{\&tau;})& x(2+\mathrm{\&tau;})& ...& x(n-(m-1)\mathrm{\&tau;})\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x(1+(m-2)\mathrm{\&tau;})& x(2+(m-2)\mathrm{\&tau;})& ...& x(n-1)\end{array}\right]\left[\begin{array}{c}x(1+(m-1)\mathrm{\&tau;})\\ x(2+(m-1)\mathrm{\&tau;})\\ .\\ .\\ .\\ x\left(n\right)\end{array}\right].$

优选的，BP神经网络隐层神经元的确定是根据公式来选择隐层节点数，确定了不同嵌入维数和延迟时间组合相空间重构后BP神经网络的最佳隐层节点数，式中：k为输入节点个数，b为输出节点个数，a为1到10之间的常数。

本发明一种短期风速预测方法的优点体现在：本发明对于混沌时间序列，运用相空间重构技术，求出了最佳的嵌入维数和延迟时间，并判断了他的混沌特性。取出嵌入维数和延迟时间的应属范围，在嵌入维数和延迟时间的不同组合下，用BP神经网络建模预测，计算出预测的各项指标，从预测指标中选出最佳的嵌入维数和延迟时间，可以从相对误差中看出预测结果达到了理想范围，最后本发明对建立的模型进行仿真验证，预测的相对误差为19.509％，用武隆风电场提供的短期风速数据进行了相空间重构和BP神经网络建模，并预测了两小时内的风速，预测的风速数据的相对误差达到了16.2％，达到了理想的精度，结果分析表明该短期风速预测方法具有较高的实用价值，也可用于电力调度的分配。

附图说明

图1是本发明一种短期风速预测方法实施例中的武隆风速时间序列图；

图2是本发明一种短期风速预测方法实施例中m＝3，τ＝1的三维误差曲面图；

图3是本发明一种短期风速预测方法实施例中m＝4，τ＝1时的三维误差曲面图；

图4是本发明一种短期风速预测方法实施例中m＝5，τ＝1时的三维误差曲面图；

图5是本发明一种短期风速预测方法实施例中m＝3，τ＝7时的三维误差曲面图；

图6是本发明一种短期风速预测方法实施例中m＝4，τ＝7时的三维误差曲面图；

图7是本发明一种短期风速预测方法实施例中m＝5，τ＝15时的三维误差曲面图；

图8是本发明一种短期风速预测方法实施例中m＝3，τ＝34时的三维误差曲面图；

图9是本发明一种短期风速预测方法实施例中m＝4，τ＝34时的三维误差曲面图；

图10是本发明一种短期风速预测方法实施例中m＝5，τ＝34时的三维误差曲面图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明：

1.风速数据来源

本实施例以武隆风电场从2010年4月1号零时开始到2010年4月20号24时每隔十分钟取一次平均风速共2872组数据进行研究。

武隆风速时间序列

将2872组风速数据用matalb绘制图形，横坐标对应的为每一个点的序号，纵坐标对应的为这些风速的值，绘得武隆风速时间序列图(如图1)。

2.相空间重构

取武隆风电场从2010年4月1号零时开始到2010年4月20号24时每隔十分钟取一次平均风速共2872组数据进行研究，武隆风速数据相空间重构用重构函数，在相空间重构之前先求出它们的嵌入维数和延迟时间。求嵌入维数和延迟时间如下：

用C-C法同时求嵌入维数和延迟时间：

设X(n),n＝1,2…，N为时间序列X_i(n)＝{X_i(n),X_i(n+tau),…X_i[n+(m-1)tau]}(i＝1,2,…,M)为相空间中的点。C-C方法的具体描述如下：

嵌入时间序列的关联积分定义为下式的函数，其中r>0

$C(m,N,r,\mathrm{\&tau;})=\frac{1}{M^2}\underset{1\&le;i\&le;j\&le;M}{\mathrm{\&Sigma;}}\mathrm{\&theta;}(r-||x_i-x_j|\left|\right)$

式中：m为嵌入维数；N为时间序列的长度；r为邻域半径的大小；τ为延迟时间；θ(·)为Heaviside单位函数。

$\mathrm{\&theta;}\left(x\right)=\left\{\begin{array}{c}0,x<0\\ 1,x\&GreaterEqual;0\end{array}\right.$

关联维数为

$D(m,\mathrm{\&tau;})=\underset{r\&RightArrow;0}{\lim }\frac{\log C(m,r,\mathrm{\&tau;})}{\log r}$

其中，

将时间序列X(n),n＝1,2…,N,分成t个不相交的时间序列，长度为INT(N/t)，INT为取整。对于一般的自然数t，有

$\begin{array}{c}\{x\left(1\right),x(t+1),x(2t+1),\&CenterDot;\&CenterDot;\&CenterDot;\}\\ \{x\left(2\right),x(t+2),x(2t+2),\&CenterDot;\&CenterDot;\&CenterDot;\}\\ .\\ .\\ .\\ \{x\left(3\right),x(t+3),x(2t+3),\&CenterDot;\&CenterDot;\&CenterDot;\}\end{array}$

然后计算每个子序列的统计量S(m,N,r,τ)

$S=(m,N,r,\mathrm{\&tau;})=\frac{1}{t}\underset{l=1}{\overset{t}{\mathrm{\&Sigma;}}}\{c_l(m,N/\mathrm{\&tau;},r,\mathrm{\&tau;})-{\left[c_l(1,N/\mathrm{\&tau;},r,\mathrm{\&tau;})\right]}^m\}$

式中：C_l是第l个子序列的相关积分。

局部最大间隔可以取S(·)零点或对所有的半径r相互差别最小的时间点。选择对应值最大和最小两个半径r，定义差量为

ΔS(m，t)＝max[S(m,N,r_i,t)]-min[S(m,N,r_j,t)],i≠j

根据统计学原理，m取值在2到5之间，r的取值在σ/2和2σ之间。σ是时间序列的均方差。得到方程如下：

$\left\{\begin{array}{c}{S}_{\mathrm{cor}}\left(t_i\right)=\mathrm{\&Delta;}\stackrel{\&OverBar;}{S}\left(t\right)+\left|\stackrel{\&OverBar;}{S}\left(t\right)\right|\\ \mathrm{\&Delta;}\stackrel{\&OverBar;}{S}\left(t\right)=\frac{1}{4}\underset{m=2}{\overset{5}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;S}(m,N,t)\\ \stackrel{\&OverBar;}{S}\left(t\right)=\frac{1}{16}\underset{m=2}{\overset{5}{\mathrm{\&Sigma;}}}\underset{j=2}{\overset{4}{\mathrm{\&Sigma;}}}S(m,N,r_j,t)\end{array}\right.$

其中，为所有子序列的统计量S(m,N,r_j,t)的均值，的第一个极小值对应第一个局部最大时间τ，S_cor(t)的最小值对应时间序列独立的第一个整体最大值时间窗口，即延迟时间窗口。用τ_w＝(m-1)τ可以求出嵌入维数，τ_w即为延迟时间窗。

3.混沌识别

在确定最佳嵌入维数时还要考虑最佳嵌入维数，结合嵌入维数和延迟时间两方面的考虑，对武隆风速最佳嵌入维数为4，延迟时间为1。下面计算当m为4，延迟时间为1时的最大Lyapunov指数。

对一维映射x(t+1)＝f[x(t)],假设初始位置x(t₀)附近有一点x(t₀)+δx(t₀)，则经过n次迭代后有

x(t_n+1)+δx(t_n+1)＝f[x(t_n)+δx(t_n)]≈f[x(t_n)]+δx(t_n)f`[x(t_n)]

所以

δx(t_n+1)＝δx(t_n)f`[x(t_n)]

式中：t₀与t₁分别为预选择的初始时间与当前时间。

定义设相轨迹上的两点之间的初始距离为|δx(t₀)|，用|δx(t_n)|表示经过n次迭代后该两点直接按的距离，由(4.19)式有

$\left|\mathrm{\&delta;x}\left(t_n\right)\right|=\left|\mathrm{\&delta;x}\left(t_0\right)\right|\underset{i=0}{\overset{n-1}{\mathrm{\&Pi;}}}\left|f^{`}\right[x\left(t_i\right)\left]\right|=\left|\mathrm{\&delta;x}\left(t_0\right)\right|e^{{\mathrm{\&lambda;t}}_n}$

则称

$\mathrm{\&lambda;}=\underset{t_n\&RightArrow;t_n}{\lim }\frac{1}{t_n}\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}\ln \left|f^{`}\right[x\left(t_i\right)\left]\right|$

为系统的Lyapunov指数。

当λ<0时，系统有稳定的不动点，λ＝0时，对应着分岔点或系统的周期解，即系统

出现周期现象；λ>0时，系统具有混沌特性。

4.运用BP神经网络预测

通过BP神经网络将步骤(2)中的m和τ进行组合，组合成多组嵌入维数和延迟时间进行预测，并通过性能指标来预测最佳的嵌入维数和延迟时间，根据混沌时间序列的嵌入维数m，用m-1作为网络的输入层节点数，输出层位1，网络的输入、输出为：

样本输入          输出

$\left[\begin{array}{cccc}x\left(1\right)& x\left(2\right)& ...& x(n-(m-1)\mathrm{\&tau;})\\ x(1+\mathrm{\&tau;})& x(2+\mathrm{\&tau;})& ...& x(n-(m-1)\mathrm{\&tau;})\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x(1+(m-2)\mathrm{\&tau;})& x(2+(m-2)\mathrm{\&tau;})& ...& x(n-1)\end{array}\right]\left[\begin{array}{c}x(1+(m-1)\mathrm{\&tau;})\\ x(2+(m-1)\mathrm{\&tau;})\\ .\\ .\\ .\\ x\left(n\right)\end{array}\right]$

5.BP神经网络隐层神经元的确定

根据公式来选择隐层节点数，确定了不同嵌入维数和延迟时间组合相空间重构后BP神经网络的最佳隐层节点数，式中：k为输入节点个数，b为输出节点个数，a为1到10之间的常数。

本实施例选取武隆短期风速嵌入维数为4延迟时间为1作为例子来确定隐层节点数：由公式可以知道n₁取3到12。

表4.6隐层节点数与误差的关系

由表4.6可以看出：增加隐层节点数可以减少训练误差，但超过9以后训练误差和测试误差的变化都很小，此时可以决定隐层节点数选用9。

基于上述方法，可以求得m取3，4，5时τ取1，7，15，34时的最好的隐层节点数如下表所示：

表4.7取不同的嵌入维数和延迟时间的最佳隐层节点数

6.短期风速预测

确定了不同嵌入维数和延迟时间组合相空间重构后BP神经网络的最佳隐层节点数。下面将重构后的样本空间进行建模预测。

BP神经网络的结构参数如下：表4.8神经网络结构参数表

根据上表中的输入输出还有隐层节点数BP神经网络的结构，取武隆风电场短期风速的2870个点进行结构训练，然后进行12组数据的预测，预测结果与观测值进行比较。

预测值需要用不同的性能指标来评判预测效果，下面介绍几种不同的预测指标：

均方误差MSE或均方根误差RMSE、平均绝对误差MAE、平均相对误差MAPE、拟合优度U，计算公式如下：

$\mathrm{MSE}=\frac{\mathrm{\&Sigma;}{\left(e_i\right)}^2}{N}$

$\mathrm{RMSE}=\sqrt{\mathrm{MSE}}$

$\mathrm{MAE}=\frac{\mathrm{\&Sigma;}\left|e_i\right|}{N}$

$\mathrm{MAPE}=\frac{1}{N}\mathrm{\&Sigma;}\left|\frac{e_i}{s_i}\right|$

U＝1-MAPE

其中s_i为观测值、e_i为绝对误差；所使用的武隆短期风速数据，i＝1:12，N为12。

其预测效果如下表所示：

m＝3，τ＝1的三维误差曲面图如图2所示，可以看出，在预测的第10分钟，预测的效果较好，越往后，预测的效果越差；预测12组的总体性能指标如下各项性能指标如下表：

表4.10 BP神经网络预测的各项性能指标

m＝4，τ＝1时的三维误差曲面图如图3所示，在预测的第10.、20分钟预测的效果较好，越往后，预测的效果越差；预测12组的总体性能指标如下各项性能指标如下表：

表4.12 BP神经网络预测的各项性能指标

m＝5，τ＝1时的三维误差曲面图如图4所示，在预测的第10、20分钟预测的效果较好，越往后，预测的效果越差；预测12组的总体性能指标如下各项性能指标如下表：

表4.14 BP神经网络预测的各项性能指标

m＝3，τ＝7时的三维误差曲面图如图5所示，在预测的第1个点，预测的效果较好，越往后，预测的效果越差；预测12组的总体性能指标如下各项性能指标如下表：

表4.16 BP神经网络预测的各项性能指标

m＝4，τ＝7时的三维误差曲面图如图6所示，在预测的第1、2个点，预测的效果较好，越往后，预测的效果越差；预测12组的总体性能指标如下各项性能指标如下表：

表4.18 BP神经网络预测的各项性能指标

m＝5，τ＝15时的三维误差曲面图如图7所示，在每一组的前几个点预测效果较好，越往后，预测的效果越差；预测12组的总体性能指标如下各项性能指标如下表：

表4.26 BP神经网络预测的各项性能指标

m＝3，τ＝34时的三维误差曲面图如图8所示，在预测的第1个时刻，预测的效果较好，越往后，预测的效果越差；预测12组的总体性能指标如下各项性能指标如下表：

表4.28 BP神经网络预测的各项性能指标

m＝4，τ＝34时的三维误差曲面图如图9所示，在预测的第1组的图形大致的拟合，预测的效果相对较好，越往后，预测的效果越差；预测12组的总体性能指标如下各项性能指标如下表：

表4.30 BP神经网络预测的各项性能指标

m＝5，τ＝34时的三维误差曲面图如图10所示，在预测的第1组效果相对较好，越往后，预测的效果越差；预测12组的总体性能指标如下各项性能指标如下表：

表4.32 BP神经网络预测的各项性能指标

以上用BP神经网络预测的武隆风速短期时间序列12个点共12组，对比他们的各项预测指标，列表如下：

表4.33 12组的性能指标

从表中可以看出，在τ＝1时，各个维数的预测误差比τ＝7,15,34时要好，从维数的来看，在m＝3时的预测效果最好，所以，最佳嵌入维数为3，延迟时间为1。此时误差为16.2％，达到理想范围。

本实施例对于典型的混沌时间序列武隆风点场时间序列，运用相空间重构技术，求出了最佳的嵌入维数和延迟时间，运用Lyapunov指数判断了他的混沌特性。取出嵌入维数和延迟时间的应属范围，在嵌入维数和延迟时间的不同组合下，用BP神经网络预测建模，计算出预测的各项指标，从预测指标中确定了最佳嵌入维数和延迟时间，预测结果的相对误差达到了理想范围。

以上所述的仅是本发明的优选实施方式，应当指出，对于本领域的技术人员来说，在不脱离本发明的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。

Claims (5)

1.一种短期风速预测方法，其特征在于，包括以下步骤：

(1)利用风速采集仪器每隔10-20分钟记录一次同一地区的风速数据，整理采集的原始风速数据，形成风速的时间序列用于分析预测；

(2)基于混沌理论对步骤(1)中的时间序列进行相空间重构：运用C-C法确定混沌理论中的嵌入维数和延迟时间，并进行多尺度分解和相空间重构：

设X(n),n＝1,2…，N为时间序列X_i(n)＝{X_i(n),X_i(n+τ),…X_i(n+(m-1)τ)}

(i＝1,2,…,M)为相空间中的点，C-C法的具体描述如下：

嵌入时间序列的关联积分定义为下式的函数，其中r>0

$C(m,N,r,\mathrm{\&tau;})=\frac{1}{M^2}\underset{1\&le;i\&le;j\&le;M}{\mathrm{\&Sigma;}}\mathrm{\&theta;}(r-||x_i-x_j|\left|\right)$

式中：m为嵌入维数；N为时间序列的长度；r为邻域半径的大小；τ为延迟时间；θ(·)为Heaviside单位函数，

$\mathrm{\&theta;}\left(x\right)=\left\{\begin{array}{c}0,x<0\\ 1,x\&GreaterEqual;0\end{array}\right.$

关联维数为

$D(m,\mathrm{\&tau;})=\underset{r\&RightArrow;0}{\lim }\frac{\log C(m,r,\mathrm{\&tau;})}{\log r}$

其中，将时间序列X(n),n＝1,2…,N,分成t个不相交的时间序列，长度为INT(N/t)，INT为取整，对于一般的自然数t，有

{x(1),x(t+1),x(2t+1),…}

{x(2),x(t+2),x(2t+2),…}

               ·

               ·

               ·

{x(3),x(t+3),x(2t+3),…}

然后计算每个子序列的统计量S(m,N,r,τ)

$S=(m,N,r,\mathrm{\&tau;})=\frac{1}{t}\underset{l=1}{\overset{t}{\mathrm{\&Sigma;}}}\{c_l(m,N/\mathrm{\&tau;},r,\mathrm{\&tau;})-{\left[c_l(1,N/\mathrm{\&tau;},r,\mathrm{\&tau;})\right]}^m\}$

式中：C_l是第l个子序列的相关积分，局部最大间隔可以取S(·)零点或对所有的半径r相互差别最小的时间点，选择对应值最大和最小两个半径r，定义差量为：

ΔS(m，t)＝max[S(m,N,r_i,t)]-min[S(m,N,r_j,t)],i≠j

根据统计学原理，m取值在2到5之间，r的取值在σ/2和2σ之间，σ是时间序列的均方差，得到方程如下：

$\left\{\begin{array}{c}{S}_{\mathrm{cor}}\left(t_i\right)=\mathrm{\&Delta;}\stackrel{\&OverBar;}{S}\left(t\right)+\left|\stackrel{\&OverBar;}{S}\left(t\right)\right|\\ \mathrm{\&Delta;}\stackrel{\&OverBar;}{S}\left(t\right)=\frac{1}{4}\underset{m=2}{\overset{5}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;S}(m,N,t)\\ \stackrel{\&OverBar;}{S}\left(t\right)=\frac{1}{16}\underset{m-2}{\overset{5}{\mathrm{\&Sigma;}}}\underset{j=2}{\overset{4}{\mathrm{\&Sigma;}}}S(m,N,r_j,t)\end{array}\right.$

其中，为所有子序列的统计量S(m,N,r_j,t)的均值，的第一个极小值对应第一个局部最大时间τ，S_cor(t)的最小值对应时间序列独立的第一个整体最大值时间窗口，即延迟时间窗口，用τ_w＝(m-1)τ可以求出嵌入维数m，τ_w即为延迟时间τ；

(3)由步骤(2)中相空间重构生成新的样本空间，并用BP神经网络建立模型；

(4)仿真验证，对比预测结果并得出结论。

2.如权利要求1所述的短期风速预测方法，其特征在于，在步骤(3)中，所述BP神经网络建立模型包括运用BP神经网络预测和BP神经网络隐层神经元的确定。

3.如权利要求2所述的短期风速预测方法，其特征在于，运用BP神经网络预测是通过BP神经网络将步骤(2)中的m和τ进行组合，组合成多组嵌入维数和延迟时间进行预测，并通过性能指标来预测最佳的嵌入维数和延迟时间，根据混沌时间序列的嵌入维数m，用m-1作为网络的输入层节点数，输出层位1，网络的输入、输出为：

4.如权利要求2所述的短期风速预测方法，其特征在于，BP神经网络隐层神经元的确定是根据公式来选择隐层节点数，确定了不同嵌入维数和延迟时间组合相空间重构后BP神经网络的最佳隐层节点数，式中：k为输入节点个数，b为输出节点个数，a为1到10之间的常数。

5.如权利要求1或2所述的短期风速预测方法，其特征在于，在步骤(4)中的仿真验证中，预测的相对误差为19.509％，然后用武隆风电场提供的短期风速数据进行相空间重构和BP神经网络建模，并对武隆风电场所预测的风速数据的相对误差进行对比。