[发明专利]一种风电场短期风速组合预测方法

说明书

技术领域

本发明涉及一种短期风速组合预测方法，尤其是涉及一种风电场短期风速组合预测方法。

背景技术

风能作为一种绿色能源日益受到世界各国的重视并得到迅猛发展。然而风能固有的间歇性和波动性等特点却给电力系统带来了诸多挑战，如果能对风电场风速进行有效预测，则有利于调度部门及时调整调度计划，减少电力系统旋转备用和运行成本，减轻风电对电网的影响，为风电场参与发电竞价奠定基础，具有重大的经济和工程应用价值。

目前国内外对风速预测进行了大量研究，建立的预测模型主要包括：时间序列模型、人工神经网络模型、支持向量机模型和最小二乘支持向量机模型等。其中最小二乘支持向量机采用二次规划方法将传统支持向量机中的不等式约束变为等式约束，提高了收敛精度，具有较好的非线性拟合能力。然而风速本身具有典型的非线性和非平稳性特征。如果只使用最小二乘支持向量机建立预测模型，虽然能对风速的非线性部分进行较好的拟合，但是风速的非平稳性却会在一定程度上影响预测结果。

为了进一步提高预测精度，需有效降低风速序列信号的非平稳性。目前应用于降低风速信号非平稳性的方法主要有小波分解（wavelet decomposition，WD）和经验模态分解（empirical mode decomposition，EMD）。WD需人为设置小波函数，EMD则容易引起模态混叠现象。聚类经验模态分解（ensemble empirical mode decomposition，EEMD）以噪声辅助信号处理为基础，通过加入小幅度白噪声来均衡信号，有效解决了经验模态分解的模态混叠现象，是对传统经验模态分解的巨大改进，同时其自适应的信号处理特点减少了人为因素对分解结果的影响。

在对风速进行聚类经验模态分解后，需要进一步对各分量特征进行挖掘。以避免学习样本信息丢失和预测模型维数选取的随意性等问题。传统的序列特性挖掘方法主要有相空间重构法（phase space reconstruction，PSR）和Box-jenkins法。相空间重构可有效挖掘风速序列的非线性动力学特性，Box-jenkins法可有效挖掘风速随机性特征。这两种方法的优点是能为模型提供较高质量的学习样本，缺点是虽然为预测模型提供了高质量的学习样本，然而模型对样本的学习效果却不知道，这在一定程度上会增大预测风险。针对这个缺点，本发明专利基于预测模型学习效果反馈机制来优化模型学习样本。

从研究风速序列的特性出发，本发明提出了一种基于聚类经验模态分解（EEMD）和最小二乘支持向量机（LSSVM）的风电场风速组合预测模型。首先使用聚类经验模态分解将风速信号中真实存在的不同尺度趋势或波动逐级分解出来，然后对分解得到的子序列分别构建最小二乘支持向量机预测模型，并基于自适应扰动粒子群算法和学习效果反馈机制综合优化预测模型。最后将各子序列预测结果叠加得到风速预测值。

发明内容

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种风电场短期风速组合预测方法，其特征在于：包括以下步骤：

步骤1、从风电场数据采集与监视控制系统中进行数据提取并记录，并保存历史风速序列数据；

步骤2、对步骤1中所提取的风速序列进行聚类经验模态分解，得到两个以上的子序列和一个余量；

步骤3、对步骤2中聚类经验模态分解得到的各子序列分别建立最小二乘支持向量机模型，采用自适应扰动粒子群算法和学习效果反馈对影响最小二乘支持向量机模型预测效果的三个参数进行综合选取，该影响最小二乘支持向量机预测效果的三个参数分别是模型输入维数和两个超参数；

步骤4、对各子序列根据最小二乘支持向量机的学习效果选用最优参数进行预测，并将各子序列的预测结果进行叠加，得到风速预测结果；

本发明创造性的提出一种直接考虑相关历史风速数据与未来风速预测值的关系、建模方法简单的风电场短期风速组合预测方法，是一种基于聚类经验模态分解和最小二乘支持向量机的新型风电场风速组合预测模型。首先使用聚类经验模态分解降低风速信号的非平稳性，其次对聚类经验模态分解得到的各子序列分别建立最小二乘支持向量机模型，并采用自适应扰动粒子群算法和学习效果反馈对影响最小二乘支持向量机预测效果的三个参数（模型输入维数和两个超参数）进行综合选取；然后根据最小二乘支持向量机学习效果选用最优参数进行预测，并叠加各子序列的预测结果，得到风速预测结果；最后对风速预测结果进行误差分析。本发明所提的组合预测模型具有较高的预测精度和较大的工程应用潜力。