[发明专利]一种基于马尔科夫理论的风电场风速预测方法

说明书

技术领域

本发明属于风速预测技术领域，涉及一种风电场风速的预测方法。 

背景技术

近年来，风力发电作为一种储量巨大、无污染、可再生的清洁环保新能源，得到了全球的关注，越来越多的风力发电厂已经建成。但由于风能的强随机性、强间歇性等特性，风力发电必须留有足够的备用机组和调峰容量，以保证风能出现大幅度波动时系统的稳定性。因此，为了保证风能的利用率，越来越多的风力发电企业需要准确的数据采集系统与预测系统，通过采集的历史数据进行风力资源预测，以便调控分配电量。同时准确的数据采集系统和预测系统可有效进行风电场选址，以便更好的实现风电场检测。 

就风速预测而言，目前对风速的预测主要依赖于物理预测模型，计算量大，误差累积率高，该模型需要专业人士进行维护，在普通风电企业中不具备良好的推广型，且该模型的预测值覆盖面积较大，不能做出精准的预测。近年来，持续预测算法、卡尔曼滤波算法、时间序列算法和神经网络算法逐渐兴起。这些风速预测算法只需对风电产的历史数据建立模型即可进行预测。以上算法操作简单，但存在较大的平均相对预测误差，通常预测误差可达到20%。由于风速受温度、气压等多项因素影响，具有很强的随机性。为降低风电场运行成本，必须提高风速预测精度。本领域的技术人员一直在研究具备高精度的风速预测算法，解决预测风速误差大的难题，迄今尚未获得成功。 

发明内容

为了解决上述风速预测精度较差,主要依赖物理模型以及后期维护更改麻烦等一系列问题，本发明提出了一种风电场风速多步预测方法。 

该方法集成了历史年份的同季度测风数据、本季度的测风数据以及近阶段的实时测风数据作为预测模型数据来源，利用小波分析算法将训练本季度的风速数据分解成为趋势子项，周期子项据和随机子项。利用ARMA模型算法对以上不同子项数据进行单独分析建模并利用近阶段的风速数据进行预测，加权叠加各子项数据预测值后获取一次预测值。为消除风速的强随机性，利用马尔科夫转移矩阵进行一次预测数据修正，以保证未来风速变化趋势的准确预测。 

本发明包括以下操作步骤： 

（1）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；

（2）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；

（3）利用小波分解和重构将训练样本序列变换成为N层低频风速数据和1

层高频风速数据，利用以上N+1层训练样本数据建立N+1个ARMA模型；

（4）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，利用步骤3中的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；

（5）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。

根据本发明提出的方法的一个方面，所述的历史年份同季度风速数据、本季度的风速数据、近阶段的风速数据都为某一特定的预测时间间隔的风速数据，所述的特定预测时间间隔可为15~60min。 

根据本发明提出的方法的一个方面，所述预测方法的预测结果值与采集的实时风速观测值进行比较，使用计算公式 ，计算所述实时风速观测值与风速预测值之间的误差，其中为t时刻的实时风速观测值，为t时刻的风速预测值，当连续一定特定次数N的比较中，所述的预测模型预测结果值与采集的实时风速观测值的平均相对误差超过10%，则调整所述预测方法的ARMA模型，重新构建ARMA模型预测模型。其中，N为自然数。 

根据本发明提出的方法的一个方面，所述步骤1具体包括：读取历史年份的同季度风速数据信息为X₀={X₁, X ₂,……X _t}，以某固定风速间隔w进行风速状态空间划分，即风速状态n的风速数据范围为[w*(n-1)，w*n]( w可变)。以以上空间状态数据构建风速状态一步转移概率矩阵P；