[发明专利]一种基于深度极限学习机的风速预测方法及其系统和机组

说明书

本发明公开了一种基于深度极限学习机的风速预测方法及其系统和机组，属于风电机组领域。通过深度极限学习机的时间序列预测方法对风速值进行预测，包括：获取风电机组发电过程中t时刻及其之前的一组历史观测数据序列；通过深度极限学习机的时间序列预测方法提取出训练样本数据集；预测模型的推导：从训练样本数据集中提取出与预测序列Q的最近邻作为重组样本，重组样本中对应单步预测时、多步预测时有单步特征和多步特征；分别对单步特征和多步特征的多隐含层的DELM模型进行深度极限学习机训练，并通过局部选取整合为一个预测模型；通过预测模型预测风速值X_t+s。本发明的方法具有较高的准确性和泛化性能，可改善预测性能及实时更新能力。

技术领域

本发明涉及风电机组领域，特别是涉及一种基于深度极限学习机的风速预测方法及其系统和机组。

背景技术

作为国家可持续发展战略的重要组成部分，风力发电是将空气动能转换为电能，风的随机波动性和间歇性决定了风电功率的波动性和间歇性。随着风力发电规模的不断扩大，风电场并网对电网系统的影响就会越来越明显，大风速扰动会使系统的电压和频率产生很大的变化，此时风电场并网及并网后的稳定和安全问题成为急需解决的新课题。因此，对风速进行准确的预测有利于风电场的风电机组的运行受制于系统的运行条件，可以为电力系统调度部门制定调度计划提供支持，减小风速随机变化对电网的不利影响。

风速的变化是在秒、分钟、小时、天、星期、季节和年的范围内。风速预测不仅与预测方法有关，还与预测周期以及预测地点的风速特性有关。一般来说，预测周期越短，预测误差就越小；反之，预测误差越大。而风力发电机组的控制系统需要的预测时间比较短，因此本发明采用了时间序列的短期预测方法。

传统神经网络凭借其对复杂非线性函数的逼近能力以及强大的并行处理能力，成为时间序列预测领域流行的网络体系结构。但传统神经网络在学习过程中常采用需要反复调整网络参数的BP训练方法，容易遇到局部极小问题，而且难以解决较大样本的学习和泛化问题。

发明内容

本发明的目的是提供一种能够提高海量的风速数据预测建模的效率，改善预测性能,提高模型的实时更新能力的基于深度极限学习机的风速预测方法及其系统和机组。可以有效改善传统神经网络存在学习效率不高、容易陷入局部最优且网络层数制约训练效果等缺陷。

为实现上述目的，本发明采用如下技术方案：

一方面，本发明提供一种基于深度极限学习机的风速预测方法，为通过深度极限学习机的时间序列预测方法对某一未来时刻的风速值进行预测的方法，若现在时刻是t，需要预测某一未来时刻t+s的风速值X_t+s，包括如下步骤：

1)获取风电机组发电过程中t时刻及其之前的一组历史观测数据序列如式(1)；

X₀,X₁,…,X_k,…,X_t (1)

其中，式(1)中，X₀、X₁、X_k、X_t分别为等距离时间点△t对应的t₀、t₀+△t、t₀+k△t、t时刻下的风速观察值；

2)通过深度极限学习机的时间序列预测方法从历史观测数据序列中提取出若干组风速时间序列；若以预测模型所需历史数据的时间跨度q为提取区间，则风速时间序列Q＝[X_t-q,...,X_t-1,X_t]为用于预测时刻t+s的风速值X_t+s的预测序列，则：

X_t+s＝G(X_t-q,…,X_k,…,X_t-1,X_t) (2)