[发明专利]一种短期风速预测方法、装置及系统

说明书

技术领域

本发明实施例涉及风力发电技术领域，特别是涉及短期风速预测方法、装置及系统。

背景技术

风能是一种可再生的环境友好型新能源，受到世界各国的日益重视。近年来，随着风力发电技术的突破，风电场数量、规模和总装机容量逐渐上升。在大规模风电并网的条件下，自然风的不确定性和间歇性所带来的机组出力的波动性往往会对电力系统的稳定性和安全性造成一定的影响。风速预测作为解决上述问题的有效手段受到了学者的广泛关注。准确的风速预测有利于调度部位安排调度计划，提高能源的优化配置。

目前，在对风速进行预测时，传统方法采用如时间序列分析法和持续预测法等对风速进行预测，随着人们对预测精度要求的不断提高，采用传统方法对风速进行预测时，难以避免自然风波动性对预测精度的影响，并且全局收敛精度较低，在一定程度上降低了预测精度。

因此，如何提供一种解决上述技术问题的短期风速预测方法、装置及系统成为本领域技术人员目前需要解决的技术问题。

发明内容

本发明实施例的目的是提供一种短期风速预测方法、装置及系统，降低了自然风波动性对预测精度的影响，加强了模型局部搜索能力，提高了全局收敛精度，使风速预测结果更加精确。

为解决上述技术问题，本发明实施例提供了一种短期风速预测方法，包括：

S11：获取经预处理后的风速历史数据；

S12：采用经验模态分解法对所述风速历史数据进行分解处理，得到多个数据分量；

S13：将各个所述数据分量输入至预先建立的BP神经网络优化模型中进行预测，得到与各个所述数据分量一一对应的各个预测子结果；

S14：将各个所述预测子结果进行叠加，得到风速预测结果；

其中，所述BP神经网络优化模型的建立过程为：

S21：获取训练样本数据，并将所述训练样本数据输入至BP神经网络中；

S22：采用粒子群引力搜索混合算法对BP神经网络的参数进行寻优处理，得到训练后的所述BP神经网络优化模型。

可选的，所述采用经验模态分解法对所述风速历史数据进行分解处理，得到多个数据分量的过程为：

S121：识别风速历史数据中的所有极大值点和所有极小值点，所述风速历史数据为x(t)；

S122：分别对各个所述极大值点和各个所述极小值点进行包络线拟合得到上包络线d_up(t)和下包络线d_low(t)；

S123：依据所述上包络线和所述下包络线得到包络线平均值d₁(t)；

S124：通过l₁(t)＝x(t)-d₁(t)得到l₁(t)，判断所述l₁(t)是否满足预设条件，如果是，则将所述l₁(t)作为第一数据分量s₁(t)，并进入S125；否则，将所述风速历史数据x(t)更新为所述l₁(t)，并返回S121；

S125：通过r₁(t)＝x(t)-s₁(t)得到风速历史数据的第一剩余分量r₁(t)，判断所述第一剩余分量r₁(t)是否满足终止条件，如果是，则分解结束；否则，将所述风速历史数据更新为r₁(t)，并返回S121，并重复S121至S125以得到与所述风速历史数据对应的各个数据分量。

可选的，所述采用训练样本数据及粒子群引力搜索混合算法对BP神经网络的参数进行寻优处理的过程为：

S221：依据BP神经网络的参数随机初始化种群；

S222：采用训练样本数据及适应度值计算关系式计算出所述初始种群中各个初始粒子的适应度值，其中：

所述适应度值计算关系式为其中，fit_i为第i个初始粒子的适应度值，为预测值，P为真实值，N为所述训练样本数据中输出预测值的总数，i＝1,2,…,M，M为初始粒子总数；

S223：对所述初始种群中的各个所述初始粒子的位置和速度进行更新，得到当前种群，并计算出所述当前种群中各个当前粒子的适应度值；