[发明专利]一种基于时间序列突变误差校正的风速预测方法

说明书

本发明属于风力发电技术，具体涉及一种基于时间序列突变误差校正的风速预测方法，首先利用经验模态分解与局部均值分解分别将风速数据分解为相对平稳的一系列分量，采用GWO‑SVM对分量分别进行预测得到分量的预测结果，整合所有分量的预测结果后得到了原始风速数据的预测结果；然后，针对预测存在的误差，进行了误差类型的分类和分析，对风速预测结果进行误差校正，该方法可以显著地减小风速预测的误差，从而提供高精度的风力发电功率预测，有利于电网及时调整电力调度计划，提高风能资源的高效利用，降低电网运行成本，降低风电接入电网时对电网产生的影响，对风力发电的发展具有积极重要的意义。

技术领域

本发明属于风力发电技术领域，尤其涉及一种基于时间序列突变误差校正的风速预测方法。

背景技术

随着全世界对发展绿色能源的重视，风能作为一种绿色可再生的能源，得到了大力的开发利用。由于风电存在波动性和间歇性，当大规模的风电接入电网时，可能会对电网的稳定性产生影响，甚至会扰乱电力系统的正常运行。因此，提供高精度的风力发电功率预测，有利于电网及时调整电力调度计划，提高风能资源的高效利用，降低电网运行成本，降低风电接入电网时对电网产生的影响，对风力发电的发展具有积极重要的意义。

风速预测是影响风力发电功率预测的主要因素之一。目前，越来越多的学者开始对风速预测模型进行研究。当前对风速进行预测的主要方法可以分为基于物理学、统计学和人工智能的三类方法。

近些年，由于支持向量机(Support Vector Machine，SVM)回归预测性能良好，SVM在数据预测领域得到广泛的应用。灰狼寻优算法(Grey Wolf Optimizer，GWO)是由Mirjalili在2014年提出的一种新型智能寻优算法。由于GWO具有收敛速度快、精确度高等优点，GWO在参数寻优领域得到广泛应用。经验模态分解(Empirical Mode Decomposition，EMD)，是一种自适应的数据处理或挖掘方法，适合非线性，非平稳时间序列的处理，被广泛地应用到数据处理上。局部均值分解(Local Mean Decomposition，LMD)解决经验模态分解法存在的问题。由于LMD的迭代次数比EMD少，在一定程度上可抑制端点效应，此外LMD还解决了EMD的欠包络和过包络问题，其分量比EMD的分量保存了更多频率及包络信息。

发明内容

本发明的目的是提供一种结合EMD-LMD-GWO-SVM各自优势的风速预测和校正方法。

为实现上述目的，本发明采用的技术方案是：一种基于时间序列突变误差校正的风速预测方法，包括以下步骤：

步骤1、获取原始风速数据集；

步骤2、分别对数据集进行LMD、EMD分解，找到原始信号所有的局部极值点，计算相邻两个极值点的平均值；

步骤3、将所有相邻两个极值点的平均值用直线连接，得到局部均值线段，然后采用滑动平均法进行平滑处理，滑动平均的跨度取相邻极值点最大距离的三分之一，得到局部均值函数；

步骤4、采用局部极值点，计算所有的两相邻极值点间的包络估计值；

步骤5、将所有相邻两个包络估计值用直线连接，得到包络估计线段，然后采用滑动平均法进行平滑处理，滑动平均的跨度取相邻极值点最大距离的三分之一，得到包络估计函数；

步骤6、将局部均值函数从原始信号中分离出来；

步骤7、重复步骤1-6迭代过程直到得到一个纯调频信号为止；