[发明专利]一种基于马尔科夫理论的风电场风速预测方法

权利要求书

1.一种基于马尔科夫理论的风电场风速预测方法，其特征在于包括以下步骤：

根据一特定的预测时间间隔，读入历史年份的同季度风速数据，获取本地区风速状态的一步转移概率矩阵，该预测时间间隔可变；

根据一特定的预测时间间隔，读入本季度的风速数据，以得到风速预测模型的训练样本序列；该预测时间间隔可变；

利用小波分解和重构将训练样本变换成为N层低频风速数据和1层高频风速训练样本数据，利用以上N+1层训练样本数据建立N+1个ARMA模型；

读取近阶段的风速数据，并利用小波分解和重构将近阶段的风速数据变换成为N层低频风速数据和1层高频风速数据，利用已建立的ARMA模型分别对多层低频数据和高频数据进行分层预测，分层预测结果加权叠加后可得到一次预测值；

利用马尔科夫一步转移概率矩阵进行一次预测值修正，获取最终预测结果。

2.根据权利要求1所述的马尔科夫理论的风电场风速预测方法，其特征在于还包括：

以历史年份的同季度风速数据作为风电场当前季度风速状态的一步转移概率矩阵，设历史年份的同季度风速数据X₀={X₁, X ₂,……X _t}，其中X _t表示在t时刻的风速数据；

以某固定风速间隔w进行风速数据状态空间划分，可设置第n个风速状态空间风速数据范围为[w*(n-1)，w*n]( w可变)；

进而可构建风电场在该季节的风速状态一步转移概率矩阵P；

以风速状态一步转移概率矩阵P进行一次预测值的修正，马尔科夫模型可表示为（S，P，π）；

S是本地区风电场的所有可能状态所组成的非空状态集，即系统的状态空间；

P=[p_ij(t，t+1)]_n x n是系统的状态转移概率矩阵，p_ij(t，t+1)=P{X_t+1=j|X_t=i}表示系统在t时刻处于状态i，经过1步状态转移处于状态j的概率；

π=[π₁π₂…….π_n]表示风电场的当前风速状态；马尔科夫理论的修正模型通过

当前风速的状态空间π_i经过一步状态转移到达一次预测值的状态空间π_j的概率值大小进行一次预测值的有效性判断，并根据该概率值进行一次预测值的判断与修正。