[发明专利]一种时态分析的超短期风速预测方法

说明书

本发明涉及风速预测的技术领域，揭露了一种时态分析的超短期风速预测方法，所述方法包括：对原始风速序列数据进行相似性类别聚类；对不同类别中的风速序列数据进行多尺度谱密度分解，得到若干风速序列数据分解分量和残余分量；将相似性较高的风速序列数据分解分量进行重构合并；使用超短期风速预测识别模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测；将超短期风速预测识别模型输出的各分量的预测结果进行叠加，得到超短期风速预测结果。本发明将不同类别的风速序列数据进行分解，得到风速序列在不同尺度的规律信息，利用超短期风速预测识别模型对不同分解分量进行预测，从而实现不同尺度的风速序列预测。

技术领域

本发明涉及风速预测的技术领域，尤其涉及一种时态分析的超短期风速预测方法。

背景技术

近年来，我国风电装机容量迅速增长，并网规模不断扩大。但由于风能的间歇性和波动性等特点导致并网回馈的电能会对电网的安全运行产生负面影响，造成该影响的重要原因在于无法对风能进行快速精准预测导致无法及时反馈控制，若不能减少风力发电波动带来的负面影响，会对风力发电产生较大影响。针对该问题，本发明提出一种时态分析的超短期风速预测方法，缓解电力系统调峰、调频的压力，增强电网安全运行稳定性。

发明内容

有鉴于此，本发明提供一种时态分析的超短期风速预测方法，目的在于：利用相似性类别方法对原始风速序列数据进行聚类处理，将相似风速数据合并为一类，并构建风速序列数据分解分量相似性度量模型，将所选取类别中相似性较高的风速序列数据分解分量进行重构合并，减少数据维度，提高后续的风速预测效率；利用多尺度谱密度分解方法将不同类别的风速序列数据进行分解，得到风速序列在不同尺度的规律信息，其中不同的尺度分别代表长期趋势信息、周期信息以及噪声信息，分解得到的风速序列数据分解分量蕴含了更多的风速信息，利用超短期风速预测识别模型对不同分解分量进行预测，从而实现不同尺度的风速序列预测，提高预测结果的准确性，并将不同尺度的预测结果进行叠加，得到最终的超短期风速预测结果。

实现上述目的，本发明提供的一种时态分析的超短期风速预测方法，包括以下步骤：

S1：采集原始风速序列数据，并对原始风速序列数据进行相似性类别聚类，得到不同类别的风速序列数据；

S2：分别对不同类别中的风速序列数据进行多尺度谱密度分解，得到若干风速序列数据分解分量和残余分量；

S3：选取最优类别的风速序列数据分解分量和残余分量，构建风速序列数据分解分量相似性度量模型，将所选取类别中相似性较高的风速序列数据分解分量进行重构合并，得到重构合并后的风速序列数据分解分量；

S4：构建超短期风速预测识别模型，使用该模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测；

S5：将超短期风速预测识别模型输出的各分量的预测结果进行叠加，得到超短期风速预测结果。

作为本发明的进一步改进方法：

可选地，所述S1步骤中采集原始风速序列数据，包括：

利用风速传感器采集原始风速序列数据，所述原始风速序列数据的格式为：

其中：

表示采集到时刻的风速数据。

在本发明实施例中，所选取风速传感器为三杯风速传感器。

可选地，所述S1步骤中对原始风速序列数据进行相似性类别聚类，包括：

对原始风速序列数据进行相似性类别聚类，得到不同类别的风速序列数据，所述相似性类别聚类流程为：

S11：从原始风速序列数据中随机选取k个时刻的风速数据作为初始类别的中心点，计算原始风速序列数据中所有非中心点到中心点的欧式距离，其中所述非中心点表示原始风速序列数据中未被选取的n-k个时刻的风速数据；

S12：将每个中心点构建为聚类簇，将非中心添加到与自身距离最近的聚类簇中；