[发明专利]基于非参数核密度估计与数值天气预报的风速预测方法

说明书

技术领域

本发明是以非参数核密度估计理论和数值天气预报理论为基础，通过构建基于非参数核密度估计的风速修正模型，在此基础上结合数值天气预报法(NWP)构建风速相位误差修正模型，最后将此模型用于地区实际风电场的短期风速预报。

背景技术

当前对于风速预测方法的研究主要分为物理方法与统计方法两大类。

物理方法主要考虑一些物理量，如天气数据(风速、风向、气压等)、风电场周围的信息(等高线、粗糙度、障碍物等)以及风电机组的技术参数(轮毂高、穿透系数等)。其目的是找到风电机组轮毂高度处的风速最优估计值，然后使用模型输出统计(Model output statistic，MOS)以减小预测误差，最后根据风电场的功率曲线计算得到风电场的输出功率。物理模型的建模过程相对复杂，需要对风电场所在地进行物理建模，包括风场的地形、地表植被及粗糙度、周围障碍物等等；还要对风机本身的轮毂高度、功率曲线、机械传动和控制策略等进行建模，以此来估计未来时刻的风速。其优点是是不需要大量的历史数据，只需要利用实时的数据建立预测模型进行预测，新建立的风电场一般选用物理方法进行预测。

统计方法则在对历史数据进行概率学分析的基础上，对未来一段时间内气象数据(风速、风向、气压等)进行预测，从而转换为风电场输出功率。国外采用的最简单的统计模型是persistence模型，该风电功率的预测模型的原理是假设下一时刻风力机输出功率等于上一时刻的风力机输出功率，随着时间尺度的增加persistence风电功率预测模型的预测精度快速下降，因此persistence风电功率预测模型通常作为基准的预测模型来其他预测模型的精度进行比较。其他常用的统计模型还包括时间序列模型、人工神经网络(ANN)及支持向量机(SVM)等方法。然而，在上述统计预测方法中，风速预测所产生的相位误差依旧无法避免。

发明内容

鉴于风速预测精度以及神经网络存在的问题，本发明提出了一种基于非参数核密度估计与数值天气预报(Numerical weather prediction,NWP)的风速预测修正方法。利用非参数核密度估计法对通过Chebyshev神经网络预测得到的风速初始预测结果误差进行估计，并修正Chebyshev神经网络预测方法所产生的误差，该方法在误差估计时并不添加任何的人为假设环节，仅从数据本身出发寻找误差规律，可以看作一种误差自修正的过程；随后，引入数值天气预报对预测结果进行精确修正，有效提高了风速的预测精度。如何利用这种模型来降低初始风速预测偏差问题是本发明要解决的关键问题。

为了解决上述技术是问题，本发明提出的一种基于非参数核密度估计与数值天气预报的风速预测方法，包括以下步骤：

步骤一、设定数据集纪录的均是以每小时为间隔的风速数据，针对风电场的风速历史数据使用Chebyshev神经网络模型对r天每小时风速进行预测，得到24×r个风速预测点的Chebyshev神经网络预测值；

步骤二、设定s为离当前最近的风速预测天数，利用离当前最远的r-s天的每小时实际风速值与由步骤一获得的神经网络所预测的r天的每小时风速之差，获得风速预测偏差值，得到由24×(r-s)个风速偏差值构成的风速预测偏差序列；

步骤三、利用随机游程检验方法对步骤二获得的风速预测偏差序列进行平稳性检验，如为非平稳序列，则循环执行差分法来平稳化序列，直至该序列通过平稳性检验；

步骤四、使用N-W非参数核密度估计方法对进行估计，非参数核密度表达式如下：

式(1)中，f(·)称为核函数；k为风速预测偏差样本的维度，b_ji为第i个样本第j个风速预测偏差变量的平滑系数；核函数f(·)采用标准高斯核函数，维数k利用最终预测误差法确定，平滑系数b_ji通过交叉验证法确定；

利用步骤三中获得的平稳化之后的风速预测偏差序列，建立估计样本X_k,i＝[y_1i,y_2i,…y_ki]^T,i＝1,2…,n，利用最终预测误差法确定非参数核密度估计样本维数k，从而建立非参数核密度估计样本，非参数核密度估计样本的个数为n＝24×(r-s)-(k-1)；