[发明专利]基于集成式极限学习机的风资源预测方法及系统

说明书

本发明提供了一种基于集成式极限学习机的风资源预测方法，包括以下步骤：进行系统初始化并输入待预测风速样本；对待预测风速样本进行数据特征提取形成数据集；利用集成式极限学习机对数据集分别进行训练得到训练完成的模型；将训练完成的模型应用于实时采集的风速数据输出集成式预测结果。本发明还提供了一种基于集成式极限学习机的风资源预测系统，利用多个极限学习机单独预测短期风速，然后将所有预测结果进行加权平均化具有预测快速性，克服了单个极限学习预测不稳定的缺陷，另外，由于机制简单，没有破坏单个极限学习机的结构，依然保留了极限学习机预测速度快的优势，有利于其在实际工程中的应用，在风速上具有高跟随性和预测可行性。

技术领域

本发明涉及风资源预测技术领域，具体地，涉及一种基于集成式极限学习机的风资源预测方法及系统。

背景技术

在各种新能源中，风能以其良好的惯性、分布的广泛性以及相关基站建设的周期短等特点，得到高度重视并在近年来迅速发展。但是风力发电自身的间歇性、波动性与不确定性对电力系统稳定运行提出了严峻挑战，准确的海上风能预测可帮助船舶电力系统和港口微电网有效利用海上风资源。海上风速是海上风资源最直接的影响因素，高精度的海上风速预测有利于船舶电力系统及时调整发电计划，优化备用容量，降低电网的运行成本，对海上风电的发展具有重要的战略意义。

关于海上风资源的预测还鲜有人研究，尚未形成完整的预测发明，相关预测方法大都参考陆地风电预测方法。目前，风电预测方法主要分为数值天气预报与基于人工智能的预测方法。数值天气预报基于天气预报以及历史天气数据预测未来的风资源情况，但是数值天气预报过分依赖天气数据，对于中长期的预测误差较大。近年来，随着人工智能技术的迅猛发展，基于人工智能的风资源预测方法受到诸多关注，目前常用的基于人工智能的预测方法包括自回归模型、支持向量机、神经网络等。然而，基于支持向量机和神经网络的风电预测方法需要通过多次训练，且参数较多，导致训练时间较长，对风资源历史数据以及计算机计算能力都有较高的要求。

经过检索，专利文献CN112100922A公开了一种基于WRF和CNN卷积神经网络的风资源预测方法，包括以下步骤：下载GFS气象数据；运行WRF模拟目标区域风场得到研究区域网格气象数据；获得测风塔风速实测数据；获得测风塔处WRF中尺度运行结果；通过CNN卷积神经网络与周边测风塔风速实测进行CNN模型建模；得到风机站点处WRF模拟风速结果；将风机站点处WRF中尺度数据线性插值的结果与CNN模拟预测的风速结果求和取平均得到更为精准的预测风速。该现有技术通过WRF和CNN卷积神经网络的风速预测方法并不能解决在风速突变时，快速而剧烈的风速波动不能被捕捉到的问题，依然会存在较大的预测偏差。

文献《风电场短期风速的C-C和ELM快速预测方法》，由苏盈盈等人在电力系统及其自动化学报上发表的文中记载了针对风电场短期风速预测，提出了一种C-C法结合极限学习机的快速预测方法。该文献利用多种数据处理和神经网络方法相结合，有利于提高预测精度，加快预测速度，但尚未考虑极限学习机预测的随机性，也未考虑时空变换下海上风资源预测的影响，适用范围不够广，数据普适性不高。

文献《基于极限学习机的短期风力发电预测》，由朱抗等人在电力科学与技术学报上发表记载针对风速预测，提出了一种基于极限学习机算法的预测技术。但是公开的内容只针对单一极限学习机模型，尚未考虑集成式极限学习机的应用，预测性能需要进一步提升。

因此，亟需研发设计一种能有效平衡预测精度和训练复杂度矛盾的风资源预测方法，对海上风资源进行准确的预测。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于集成式极限学习机的风资源预测方法及系统，能有效平衡预测精度和训练复杂度之间的矛盾，与此同时，准确地海上风资源预测，有利于船舶和港口更加合理的利用海上风资源，提高能源利用率，从根本上实现节能减排的效用。

根据本发明提供的一种基于集成式极限学习机的风资源预测方法，包括以下步骤：

步骤S1：进行系统初始化并输入待预测风速样本；