[发明专利]一种短期风速组合预测方法

说明书

技术领域

本发明涉及一种短期风速组合预测方法。

背景技术

风能作为一种用之不竭、环境友好的可再生能源，近年来装机容量一直保持较高的年增长速度。然而风能的混沌特性和随机特性使其输出功率的波动速度较快，波动范围较大。风电并网后对电力系统调度、电压及无功控制造成困难。如果能及时有效的对风速进行预测，不仅可以减少电力系统备用容量、降低系统运行成本，还可以减轻风电对电网造成的不利影响，从而提高风电竞争力。

目前，国内对风速预测进行了大量研究，建立的模型主要有：时间序列模型、高斯过程回归模型、支持向量机模型和神经网络模型等。这些模型取得了较好的预测效果，然而这些模型同样存在着一些问题。时间序列模型高阶模型参数估计难度大、低阶模型预测精度低。高斯过程回归模型和支持向量机模型的预测结果在一定程度上受到核函数的选择和参数优化等问题的影响。需要采用较好的智能算法进行模型优化才能取得较好的预测效果。人工神经网络模型应用较为成熟，作为一种数据驱动算法，具有逼近任意非线性函数的能力，可以映射出序列间复杂的非线性关系，从而在风速和风功率预测中得到广泛应用。然而传统的人工神经网络方法存在一些问题，如算法运行时间长，容易陷入局部极小等。

极限学习机是2006年提出的一类性能优良的新型单隐层前向神经网络（single-hidden layer feedforward neural networks，SLFNs），该该算法可在随机选择输入层权值和隐层神经元阈值的前提下，仅通过一步计算即可求得网络输出权值，同传统神经网络相比，极限学习机极大的提高了网络的泛化能力和学习速度，具有较强的非线性拟合能力。经过学者努力，极限学习机已在模式分类、暂态稳定评估、非线性拟合预测等方面得到广泛应用。然而风速序列是一种具有非线性和非平稳性的特殊序列信号，极限学习机虽可以很好的拟合风速的非线性部分，但是风速的非平稳部分会对预测效果造成较大影响，所以降低风速的非平稳性显得尤为重要。集合经验模态分解可以将一个复杂的非平稳性信号分解成不同频率段的信号，从而有效降低序列的非平稳性。针对风速的非平稳性和非线性特性，本发明提出一种基于集合经验模态分解和极限学习机的新型风速组合预测模型。实例应用研究表明，本发明所提模型取得了较好的预测效果。

发明内容

本发明从研究风速序列特性出发，提出了一种基于相关历史风速数据与未来风速的关系、建模方法简单的短期风速组合预测方法，其模型是一种基于经验模态分解和改进极限学习机的新型风速组合预测模型。首先采用经验模态分解降低风速信号的非平稳性，其次对各个子序列重构相空间，然后运用改进的极限学习机对各子序列分别进行建模预测，最后将各子序列的预测结果叠加，得到最终预测结果。所提的预测模型具有较大的工程应用潜力和较高的预测精度。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种短期风速组合预测方法，包括以下步骤：

步骤1、进行风速历史数据提取并记录；

步骤2、对所提取的风速序列进行经验模态分解，得到两个以上子序列和一个余量；

步骤3、分别对各子序列和余量重构相空间；

步骤4、以重构后的相空间为学习样本，训练改进的极限学习机预测模型，并将各子序列和余量的预测结果叠加，得到风速预测结果；

步骤5、对预测结果进行误差分析。

所述步骤2中，对采集的风速序列进行经验模态分解包括以下五个步骤：

步骤2.1、对于某风速序列{x(t)}，求得序列{x(t)}中所有局部极大值和极小值；

步骤2.2、采用三次样条函数进行插值求出上包络线b_max(t)和下包络线b_min(t)的局部平均值m₁(t)，其中m₁(t)＝[b_max(t)+b_min(t)]/2；

步骤2.3、提取h₁(t)，其中h₁(t)＝x(t)-m₁(t)，判断h₁(t)是否满足固有模态分量条件，是则h₁(t)就是第一个固有模态分量，不是则将h₁(t)作为新的原始序列重复上述分解步骤2.1-步骤2.3；