[发明专利]基于改进的鲸鱼优化算法及ELM的短期风速预测方法及系统

说明书

本发明公开了一种基于改进的鲸鱼优化算法及ELM的短期风速预测方法及系统，所述方法包括：(1)获取预设的时间范围内历史的风电场的各项气象数据时间序列，并将数据进行预处理；(2)分析收集到的各气象因素对风速的影响，并通过灰色关联分析得到的关联度计算特征量权重，取关联度高的作为输入；(3)确定极限学习机的网络结构并选择激活函数；(4)将基础鲸鱼优化算法中加入混沌初始化、爬山局部搜索，并添加惯性权重进行改进；(5)建立基于改进鲸鱼算法优化的极限学习机算法模型。本发明解决了风速的不确定性导致风力发电机不能按理想的风电功率曲线发电的技术问题，达到了提高短期风速准确预测精度的技术效果，提高风电场对于风能资源的利用。

技术领域

本发明属于风电功率预测领域，具体涉及一种基于改进的鲸鱼优化算法及ELM的短期风速预测方法及系统。

背景技术

随着化石能源的快速消耗，人类正面临着能源枯竭和环境恶化的双重危机，因此近年来清洁可再生的能源在世界范围内也因此受到了广泛重视与发展，目前我国也在积极提高对清洁可再生能源的利用。风能便是清洁可再生能源中的主要部分，提高对于风能的利用率对于目前的社会具有十分重要的意义。

但是风能存在极大的随机性和波动性，能否准确预测风速对于风电行业的发展十分重要。传统的风速预测方法主要有物理方法和统计方法两大类。物理方法是将天气预报数据与建立的风电场风速模型进行结合来进行风速预测，一般用在某地风速的中长期预测。但是该方法建模过程复杂，需要的计算量很大，成本很高。当前大部分预测方法都是统计方法，统计方法是通过研究风电场的历史数据对各种输入与风速的映射关系进行建模，该方法建立的模型简单实用，但只适合与短期预测，预测精度较低。风速受温度、气压、地形等多种因素的影响，具有很强的随机性，按照现有风速预测方法预测的风速误差大，不能真实的反映未来的风速变化。

发明内容

发明目的：本发明提供一种基于改进的鲸鱼优化算法及ELM的短期风速预测方法及系统，解决了现有技术中风的不确定性会导致风力发电机不能按理想的风电功率曲线发电的技术问题，达到了提高短期风速准确预测精度的技术效果。

技术方案：本发明提出一种基于改进的鲸鱼优化算法及ELM的短期风速预测方法，具体包括以下步骤：

(1)获取预设的时间范围内风电场的各项气象因素的数据时间序列，将数据进行预处理并将处理后的各项数据时间序列转换成为矩阵型数据，将处理完成的数据划分为训练集和测试集；

(2)基于灰色关联度理论，分析收集到的各气象因素对风速的影响，并通过灰色关联分析得到的关联度计算特征量权重，取关联度高的作为输入；

(3)确定极限学习机的网络结构并设定激励函数g(x)与隐含层节点数；

(4)将基础鲸鱼优化算法中加入混沌初始化、爬山局部搜索，并添加惯性权重进行改进，提高鲸鱼优化算法的优化能力；

(5)建立基于鲸鱼算法优化极限学习机的预测模型，设定参数范围，采用改进后的鲸鱼优化算法对模型的权值和偏差进行优化，确定最优预测模型的模型参数，最后采用该预测模型对风速测试集样本进行预测。

进一步地，步骤(1)所述的将数据进行预处理是对实际风速中存在的突变点进行平滑处理；所述突变点包括实际风速值异常大与短期内变化特别大的点。

进一步地，步骤(2)所述的气象因素包括温度、降雨量、风向、空气密度和湿度。

进一步地，所述步骤(2)包括以下步骤：

(21)将风电场收集的历史风速数据设为参考数列，将其它气象因素设为比较数列；

(22)各数据的量纲不同，对每个数列进行无量纲化处理：

其中，X(k)为处理前的数据，X′(k)为无量纲化处理后的数据，为X(k)的n个时刻的平均值；