[发明专利]一种基于分阶段整体优化的短期风速预测方法与系统

说明书

本发明提出了一种基于分阶段整体优化的短期风速预测方法，在时间序列数据分解模型采用变分模态分解，在特征选取模型采用Gram‑Schmidt正交化，在基础学习模型上采用极限学习机的风速混合预测模型，采用引力搜索算法对风速混合预测模型的参数做整体的优化，可以优选适用于短期风速预测的最优预测模型参数，实现风速的精确预测。本发明还提供了相应的基于分阶段整体优化的短期风速预测系统。

技术领域

本发明属于风速预测领域，更具体地，涉及一种基于分阶段整体优化的短期风速预测方法与系统。

背景技术

随着新能源的快速增长，作为绿色能源的风力发电在近一个世纪发展迅速。随着风电接入量的持续增长，风力发电的间歇性和随机波动性对电网的冲击影响愈发明显。风速的非线性和不稳定特性增加了风速精确建模与预测的难度。准确的风速预测可以对风力发电功率进行预估，从而给电网调度、机组组合操作、风电场运营维护等提供必要的依据。

数值天气预报(Numeric weatherprediction，NWP)是指根据大气的实际情况，在一定的初值和边界值条件下，通过大型计算机进行数值计算，求解描写天气演变过程的流体力学和热力学方程组，来预测未来一定时段的大气运动状态和天气现象的方法。然而NWP模型对初始条件非常敏感，初始条件的微小改变可能会造成输出结果的较大偏差，基于NWP的风速预测技术在超短期预测中难以准确预测。

从时间序列的风速数据出发，一个完整的预测过程包括时间序列数据分解、特征选取以及基础学习模型三个阶段。每个阶段都包含各种方法，例如时间序列数据分解包括经验模态分解(Empirical mode decomposition，EMD)，小波变换(Wavelet transform，WT)等，特征选取包括奇异值分解(Singular value decomposition，SVD)等，基础学习模型包括支持向量机(support vector machine，SVM)，人工神经网络(artificial neuralnetwork，ANN)等。每个阶段的方法的参数选取大多是凭经验或试凑，独立的对每个阶段进行优化也无法获取最优的预测模型参数，且组合方法之间的参数互相影响，使风速预测的精度降低，反而对电网调度、机组组合操作产生反作用，最终影响电网的稳定运行。

发明内容

针对传统方法的不足，本发明提出了一种基于分阶段整体优化的短期风速预测方法与系统，在时间序列数据分解模型采用变分模态分解，在特征选取模型采用Gram-Schmidt正交化，在基础学习模型上采用极限学习机的风速混合预测模型，采用引力搜索算法对风速混合预测模型的参数做整体的优化，可以优选适用于短期风速预测的最优预测模型参数，实现风速的精确预测。

为了实现上述目的，按照本发明的一个方面，提供了一种基于分阶段整体优化的短期风速预测方法，包括：

步骤1、建立风速混合预测模型：构建在时间序列数据分解模型采用变分模态分解、在特征选取模型采用Gram-Schmidt正交化、在基础学习模型上采用极限学习机的风速混合预测模型；收集风速时间序列数据，时间序列数据Wind总长度为A，选取B长度序列I作为预测输入，预测输出下一时刻风速Y，构造A-B对的风速预测输入-输出数据对，A和B为预设值；并设置GSA算法的初始参数；

步骤2、将所述混合模型预测输出与实际观测数据的均方根误差作为目标函数，计算各个风速输入数据的目标函数，来评估所述风速混合预测模型预测的准确度；

步骤3、根据所述目标函数，采用引力搜索算法对所述风速混合预测模型进行参数优化，所述参数包括变分模态分解的模态数和迭代系数，GSO选择的特征选择的特征数量，以及极限学习机隐含层的层数，并转步骤4；

步骤4、t＝t+1，如果迭代次数t大于预设最大迭代数N_itmax，输出当前最优个体位置作为终解，当前最优个体位置即为所述风速混合预测模型的最优参数，并转步骤5；否则，转入步骤2；