[发明专利]一种基于Copula和NARX的短时风速预测方法

说明书

本发明公开了一种基于Copula和NARX的短时风速预测方法。该方法首先完成风速概率分布函数建模。为得到目标风速和气象数据联合概率分布函数，首先需要对风速数据的概率分布函数进行建模。构建出风速概率密度函数，完成Copula函数连接对象的前期建模工作与分析。随后，根据上尾、下尾收敛特性及其两者之间的收敛差异，选择阿基米德Copula连接函数。将连接对象与目标风速的概率分布函数通过Copula进行连接，得到联合概率分布函数，完成双值指示值计算。其作为一种判断风速是否即将达到峰值的指示信息，对预测结果起到改进作用。最后，以历史时序目标风速、相关气象数据以及新增双值指示值作为输入，完成NARX网络训练。

技术领域

本发明属于风速预测领域，具体涉及一种基于Copula和NARX的方法，用于实现短时风速预测。

背景技术

为更好地利用风能，提高未来风速预测值的精度具有重要意义。风能的获取较为容易，风推动风力发电机扇叶转动便可实现。而近年来随着风力发电在总发电量中的占比不断增长，风速预测的应用领域也在不断扩展。例如，风速预测可被用于现场评估，可通过预测未来长时期风速，选择具有巨大潜力的站点作为风力发电厂。另外，风速预测还可以为风机日常维修、人为减风等计划的制定提供有用信息。同时，竞争激烈的电力市场同样需要准确的风速预测，以估算产生的风能，进行合理的电力市场清算。一般情况下，产生的风能大小主要取决于于实际风速。因此，首先将研究重点放在风速预测上是合理的。但由于风天然具有间歇性，准确的风速预测具有较大挑战性。风速不同于常规时序数据，间歇性的特点导致其时序数据曲线中存在大量不可导点。同时相较于温度这类稳定变化的气象数据，风速的周期性也相对不明显。对于ANN网络而言，当风速输入数据为高风速下的峰值时，训练出的模型精度会因此降低。以上进一步说明风速预测的挑战性，尤其当风速达到极大值时，准确性难以保证。因此，设计一种基于Copula和NARX的风速预测方法具有必要性。因此急需一种基于Copula和NARX的风速预测方法，从而更好地对应对短时风速预测需求。

现有研究中的风速预测算法发展已较为成熟，但在前人的部分研究中：(1)用于选取额外气象数据的方法或受限于平稳数据或将选择对象局限于气象数据本身，或选择结果具有一定随机性；(2)通过影响原始样本数据的方式处理偏离值。现有基于NARX网络的风速预测的研究较少。并且在此基础上，尚未有人通过Copula构造联合概率分布函数的相关计算得到NARX网络的额外输入。

综上所述，设计一种基于NARX网络，特征选择方法适用性强、相关性高，且能够有效处理高风速下峰值点的短时风速预测方法尤为重要。

发明内容

针对上述问题，本发明提供一种基于Copula和NARX神经网络的方法，实现短时风速的准确预测。本发明解决上述问题所采用的基于Copula和NARX神经网络的短时风速预测方法，采用的技术方案包括以下步骤：

步骤1、风速概率分布函数建模。为得到目标风速和气象数据联合概率分布函数，首先需要对风速数据的概率分布函数进行建模。通过最大似然估计方法，求出平均值和标准差，构建出风速概率密度函数，在0到x上做不定积分，求出分布函数。

步骤2、Copula函数连接对象的前期建模工作与分析。选择在具有很强的相关性的同时，还具有一定的双尾依赖性的气象数据作为目标风速的的连接对象。

步骤3、Copula连接函数选择与构造。根据上尾、下尾收敛特性及其两者之间的收敛差异，选择合适的Copula连接函数。由于连接后概率分布函数类型未知，因此选用阿基米德Copula连接函数。将连接对象与目标风速的概率分布函数通过Copula进行连接，得到联合概率分布函数。

步骤4、双值指示值计算。双值指示值作为最终添加进网络的新增列数据，其取值为0或1。其作为一种判断风速是否即将达到峰值的指示信息，对预测结果起到改进作用。双值指示值I(t)_Mete的计算方法如下所示。