[发明专利]基于小波分解和二阶灰色神经网络的短期风速预测方法

说明书

技术领域

本发明属于风速预测技术，尤其涉及一种基于小波分解和二阶灰色神经网络的短期风速预测方法。

背景技术

随着全世界能源与环境问题的逐渐突出，对可再生能源的研究和利用成为学术界和工业界广泛关注的热点问题。而风力发电作为安全可靠、无污染、不需消耗燃料、可并网运行的重要可再生能源之一，近年来在全世界范围内得到了突飞猛进的发展。但是风速具有随机性，间歇性和不确定性。准确的预测结果有利于解决风电输出功率控制、含新能源的电网安全经济调度以及开放电力市场环境下风电竞价交易等问题。

目前适合用于风速短期预测的方法有很多，具体又包含以下几种方法：持续法、时间序列法、卡尔漫滤波法(Kalman filters)、空间相关法、支持向量机、神经网络法(ANN)和GM(灰色模型)等；但是现有技术的这些方法都是直接对风速做预测，难以克服风速的波动性和不确定性，使得预测精度低，准确性较差。

本发明要解决的技术问题是：提供一种基于小波分解和二阶灰色神经网络的短期风速预测方法，以解决现有技术中直接对风速进行预测，难以克服风速的波动性和不确定性，使得预测精度低，准确性较差等技术问题。

本发明技术方案：

一种基于小波分解和二阶灰色神经网络的短期风速预测方法，它包括：

步骤1、对历史风速序列进行小波分解与重构；

步骤2、建立基于二阶灰色理论的风速预测模型；

步骤3、利用神经网络算法优化灰色风速预测模型；

步骤4、将历史风速序列进行小波分解与重构后的各分量作为输入逐一投入优化后的灰色风速预测模型进行预测得到各分量预测结果；

步骤5、获取风速预测值。

它还包括：

步骤6、计算误差指标，对风速预测进行评估；

步骤7、输出风速预测值和误差指标。

步骤1所述对历史风速序列进行小波分解与重构，其重构后的原始序列表达式为：

X＝D1+D2+D3+D4+D5+A5

式中：X为原始序列，D1、D2、D3、D4、D5分别为第一层至第五层重构后的高频信号，A5为第五层重构的低频信号；

原始序列X的第i个元素表示为：

X(i)＝D1(i)+D2(i)+D3(i)+D4(i)+D5(i)+A5(i)

式中：D1(i)、D2(i)、D3(i)、D4(i)、D5(i)分别为X中的第i个元素的第一层至第五层重构后的高频信号，A5(i)为X中的第i个元素的第五层重构的低频信号。

步骤2所述建立基于二阶灰色理论的风速预测模型的方法包括：

步骤2.1、将步骤1小波分解和重构后的分量D1(i)、D2(i)、D3(i)、D4(i)、D5(i)和A5(i)分别作为风速预测模型中的输入序列X⁽⁰⁾，进行累加生成操作对此序列作一级叠加得到新序列

X⁽¹⁾＝[x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n)]

式中：

步骤2.2、建立二阶灰色风速预测模型的微分方程如下：

得到方程解为：

式(5)为预测值的解析表达式，式中λ₁，λ₂为特征方程λ²+a₁λ+a₂＝0的特征根，参数a₁，a₂，b用最小二乘估计得到初值，其计算公式为：

式中

z⁽¹⁾(k)＝0.5x⁽¹⁾(k)+0.5x⁽¹⁾(k-1)

k＝2,3,…,n

而参数C₁和C₂则是通过求解方程而得。利用一阶差商代替积分项，即：

对(4)式两边求导有：

将式(7)带入式(6)有：

联立式(4)和式(8)就可求出参数C₁和C₂。

步骤2.3、进行累减生成操作，确定风速预测模型：

x⁽⁰⁾(t)＝x⁽¹⁾(t)-x⁽¹⁾(t-1)