[发明专利]基于小波分解和支持向量机的风电场风速与功率预测方法

摘要

本发明公开了一种基于小波分解和支持向量机的风电场风速与功率预测方法，包括：采集整个风电场预设时间内的风速和功率历史数据，得到风电场的历史风速时间序列和历史功率时间序列；利用小波包分解技术对历史风速时间序列进行小波包分解，得到历史风速时间序列的低频段、中频段和高频段分量；利用灰色支持向量机预测模型对历史风速时间序列各分量进行预测，然后利用小波包重构得到短期风速预测数据；利用历史风电功率数据和数值天气预报风速数据作为训练集建立灰色支持向量机模型，进行风电功率的一次预测；对得到的风速预测数据、风电功率预测数据，通过RBF神经网络进行预测，得到风电功率最终预测值。预测准确率更高。

主权项

1.一种基于小波分解和支持向量机的风电场风速与功率预测方法，其特征是：包括以下步骤：(1)采集整个风电场预设时间内的风速、功率及数值天气预报风速数据；(2)利用多小波包分解技术对历史风速时间序列进行小波包分解，得到历史风速时间序列的低频段分量、中频段分量和高频段分量；(3)基于灰色支持向量机建立预测模型，对历史风速时间序列各分量分别进行风电场的短期风速滚动预测，然后利用小波包重构得到风速预测序列；(4)利用历史风电场功率数据和数值天气预报风速数据作为训练集建立灰色支持向量机模型，对风电场功率进行一次预测；(5)结合风速预测序列和风电功率一次预测数据组成训练集输入，实测风电功率数据作为训练集输出，建立并训练基于RBF神经网络的风电场功率二次预测模型，得到风电场功率预测序列；所述步骤(4)中，基于灰色支持向量机的风电功率滚动预测的单步预测具体过程包括：步骤(4.1)：对第n点数据，原始序列P(0):P(0)＝(p(0)(n‑j),p(0)(n‑j+1),...,p(0)(n‑1))归一化处理后再作一次累加，得到累加生成序列1‑AGO记为：P⁽¹⁾＝{p⁽¹⁾(n‑j),p⁽¹⁾(n‑j+1),...,p⁽¹⁾(n‑1)}，其中，利用1‑AGO序列建立灰色GM(1,1)模型进行预测得到将1‑AGO序列、灰色预测结果第n点数值天气预报风速值v_p(n)和第n点的累加值其中p⁽⁰⁾(n)为第n点数据实测值，组成第n点训练样本其中p⁽¹⁾(n)为训练样本输出，其余为训练样本输入，以此方法得到预测点前n点的训练样本，组成训练样本集；步骤(4.2)：利用步骤(4.1)得到的训练样本集对支持向量机进行训练，建立支持向量机模型；步骤(4.3)：按照步骤(4.1)方法得到第n+1点的训练样本输入，并输入到步骤(4.2)得到的模型预测得到第n+1点风电功率累加数据p(1)(n+1)；步骤(4.4)：累减还原数据序列，进行”累减还原”，得到第n+1点风电功率的预测数据：p(0)(n+1)＝p(1)(n+1)‑p(1)(n)。