專利名稱：一種在線的風(fēng)電場(chǎng)短期風(fēng)速混合預(yù)測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于風(fēng)力發(fā)電技術(shù)領(lǐng)域，特別涉及一種基于統(tǒng)計(jì)學(xué)理論的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)方法。
背景技術(shù)：
一直以來(lái)，風(fēng)力發(fā)電技術(shù)具有廣闊的應(yīng)用前景。風(fēng)力發(fā)電是解決當(dāng)前突出的能源和環(huán)境問(wèn)題的有效手段，因而得到了普遍重視和大規(guī)模開(kāi)發(fā)利用，然而風(fēng)資源具有多變的特性，當(dāng)風(fēng)電穿透功率超過(guò)一定值時(shí)，必然會(huì)嚴(yán)重影響電能質(zhì)量和電力系統(tǒng)的安全運(yùn)行。由于風(fēng)能具有很強(qiáng)的隨機(jī)性，風(fēng)電穿透功率超過(guò)一定值之后，會(huì)嚴(yán)重影響電網(wǎng)電能質(zhì)量和電力系統(tǒng)的運(yùn)行。中國(guó)電力科學(xué)研究院在這方面進(jìn)行了大量的研究工作并指出， 在一般情況下，在風(fēng)電穿透功率不超過(guò)8%時(shí)，我國(guó)電網(wǎng)不會(huì)出現(xiàn)較大的技術(shù)問(wèn)題。但是，當(dāng)風(fēng)電穿透功率超過(guò)一定值之后，有可能對(duì)電能質(zhì)量和電力系統(tǒng)的運(yùn)行產(chǎn)生影響，并且會(huì)危及常規(guī)發(fā)電方式。美國(guó)電力市場(chǎng)規(guī)則指出，若短期風(fēng)速預(yù)測(cè)的準(zhǔn)確率10 %以內(nèi)，將能提高發(fā)電量30 100MW，并獲得10萬(wàn)美元的利潤(rùn)。準(zhǔn)確預(yù)測(cè)風(fēng)電場(chǎng)風(fēng)速有利于電力系統(tǒng)調(diào)度部門及時(shí)調(diào)整調(diào)度，從而可有效的減輕風(fēng)電對(duì)電網(wǎng)的影響，為風(fēng)電場(chǎng)參與發(fā)電競(jìng)價(jià)奠定基礎(chǔ)。因此，準(zhǔn)確地預(yù)測(cè)風(fēng)電場(chǎng)風(fēng)速對(duì)于風(fēng)電場(chǎng)的規(guī)劃設(shè)計(jì)、大型風(fēng)場(chǎng)中風(fēng)電機(jī)組開(kāi)停機(jī)計(jì)劃的安排、保持電網(wǎng)的安全穩(wěn)定性、提高經(jīng)濟(jì)效益和社會(huì)效益都有很重要的意義。當(dāng)前，迫切需要研究出一種預(yù)測(cè)精度高的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)方法，可以實(shí)現(xiàn)對(duì)風(fēng)場(chǎng)的風(fēng)速進(jìn)行高精度預(yù)測(cè)。

發(fā)明內(nèi)容
本發(fā)明的目的是解決目前尚無(wú)準(zhǔn)確預(yù)測(cè)風(fēng)電場(chǎng)短期風(fēng)速的有效方法的問(wèn)題，提供一種在線修正的風(fēng)電場(chǎng)短期風(fēng)速混合預(yù)測(cè)方法。本發(fā)明提供的在線修正的風(fēng)電場(chǎng)短期風(fēng)速混合預(yù)測(cè)方法，包括數(shù)據(jù)預(yù)處理，用于接收來(lái)自風(fēng)速傳感器的信號(hào)，對(duì)風(fēng)速信號(hào)進(jìn)行預(yù)處理后。按時(shí)間順序?qū)⑿盘?hào)存儲(chǔ)，作為預(yù)測(cè)模型的訓(xùn)練樣本序列。建立風(fēng)速歷史序列數(shù)據(jù)庫(kù)并實(shí)時(shí)更新數(shù)據(jù)庫(kù)；小波分解，用于將預(yù)處理后的風(fēng)速序列信號(hào)分解成高頻信號(hào)和低頻信號(hào)兩部分， 高頻成份進(jìn)行時(shí)間序列預(yù)測(cè)，低頻成份進(jìn)行支持向量機(jī)預(yù)測(cè)；時(shí)間序列預(yù)測(cè)，用于接收小波分解處理后所發(fā)送的高頻信號(hào)，學(xué)習(xí)該信號(hào)并給出下一時(shí)刻的預(yù)測(cè)結(jié)果；支持向量機(jī)預(yù)測(cè)，用于接收小波分解處理后所發(fā)送的低頻信號(hào)，學(xué)習(xí)該信號(hào)并給出下一時(shí)刻的預(yù)測(cè)結(jié)果；小波重構(gòu)，用于重構(gòu)來(lái)自時(shí)間序列預(yù)測(cè)給出的預(yù)測(cè)結(jié)果和支持向量機(jī)預(yù)測(cè)給出的預(yù)測(cè)結(jié)果，得出風(fēng)速預(yù)測(cè)值。
所述的時(shí)間序列預(yù)測(cè)的具體過(guò)程是首先接收小波分解處理后所發(fā)送的高頻信號(hào)，并將信號(hào)加以整理，作為時(shí)間序列預(yù)測(cè)方法的訓(xùn)練樣本；其次將非平穩(wěn)的訓(xùn)練樣本序列平穩(wěn)化，再對(duì)平穩(wěn)化的訓(xùn)練樣本施行季節(jié)性差分變換；選定近似的數(shù)學(xué)模式來(lái)代表它們，用時(shí)間序列求出平穩(wěn)化變換和季節(jié)性差分變換的數(shù)學(xué)模型中的諸未知參數(shù)，然后計(jì)算出未來(lái)的時(shí)間序列的預(yù)測(cè)值。所述的支持向量機(jī)預(yù)測(cè)的具體過(guò)程是首先接收小波分解處理后所發(fā)送的低頻信號(hào)，并將信號(hào)加以整理，作為支持向量機(jī)預(yù)測(cè)方法的訓(xùn)練樣本；其次引入決策函數(shù)將訓(xùn)練樣本序列變換到一個(gè)高維空間，然后再在這個(gè)空間中求最優(yōu)分類面；根據(jù)樣本序列求出決策函數(shù)中的諸未知參數(shù)；然后計(jì)算出預(yù)測(cè)值。本發(fā)明的優(yōu)點(diǎn)和有益效果該方法可以高精度預(yù)測(cè)風(fēng)電場(chǎng)風(fēng)速，并通過(guò)數(shù)據(jù)預(yù)處理模塊實(shí)現(xiàn)在線預(yù)測(cè)風(fēng)速， 在風(fēng)電場(chǎng)風(fēng)電功率預(yù)測(cè)和風(fēng)力發(fā)電機(jī)組實(shí)施捕獲最大風(fēng)能的研究中，應(yīng)用前景廣闊，具有重大的生產(chǎn)實(shí)踐意義。


圖1是在線修正的風(fēng)電場(chǎng)短期風(fēng)速混合預(yù)測(cè)方法結(jié)構(gòu)示意圖；圖2是數(shù)據(jù)預(yù)處理模塊實(shí)現(xiàn)風(fēng)速數(shù)據(jù)的實(shí)時(shí)更新示意圖；圖3是基于時(shí)間序列預(yù)測(cè)方法的結(jié)構(gòu)示意圖；圖4是基于支持向量機(jī)預(yù)測(cè)方法的結(jié)構(gòu)示意圖。為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面結(jié)合附圖和實(shí)施方式對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。
具體實(shí)施例方式圖1是本發(fā)明提供的在線修正的風(fēng)電場(chǎng)短期風(fēng)速混合預(yù)測(cè)方法結(jié)構(gòu)示意圖。該預(yù)測(cè)方法包括，風(fēng)速時(shí)間序列101、數(shù)據(jù)預(yù)處理102、小波分解103、時(shí)間序列預(yù)測(cè)104、支持向量機(jī)105、小波重構(gòu)106、風(fēng)速預(yù)測(cè)結(jié)果107。實(shí)施步驟為(1).風(fēng)速時(shí)間序列101，用于表示由風(fēng)速傳感器采集得到的風(fēng)速數(shù)據(jù)。(2).數(shù)據(jù)預(yù)處理102，用于接收來(lái)自傳感器的風(fēng)速信號(hào)，對(duì)風(fēng)速信號(hào)進(jìn)行預(yù)處理后將信號(hào)以時(shí)間順序存儲(chǔ)，建立風(fēng)速歷史序列數(shù)據(jù)庫(kù)并實(shí)時(shí)更新數(shù)據(jù)庫(kù)；(3).小波分解103，用于將預(yù)處理后的風(fēng)速序列信號(hào)分解成高頻信號(hào)和低頻信號(hào)兩部分，并將高頻成份傳送到時(shí)間序列預(yù)測(cè)模型104，低頻成份傳送到支持向量機(jī)預(yù)測(cè)模型 105 ；(4).時(shí)間序列預(yù)測(cè)104，首先接收小波分解103后所發(fā)送的高頻信號(hào)，并將信號(hào)加以整理，作為時(shí)間序列預(yù)測(cè)方法的訓(xùn)練樣本。其次將非平穩(wěn)的訓(xùn)練樣本序列平穩(wěn)化，再對(duì)平穩(wěn)化的訓(xùn)練樣本施行季節(jié)性差分變換。選定近似的數(shù)學(xué)模式來(lái)代表它們，用時(shí)間序列求出平穩(wěn)化變換和季節(jié)性差分變換的數(shù)學(xué)模型中的諸未知參數(shù)，計(jì)算出未來(lái)的時(shí)間序列的預(yù)測(cè)值。然后將預(yù)測(cè)結(jié)果傳遞給小波重構(gòu)106 ；(5).支持向量機(jī)預(yù)測(cè)105，首先接收小波分解后所發(fā)送的低頻信號(hào)，并將信號(hào)加以整理，作為支持向量機(jī)預(yù)測(cè)方法的訓(xùn)練樣本。其次引入決策函數(shù)將訓(xùn)練樣本序列變換到一個(gè)高維空間，然后再在這個(gè)空間中求(廣義)最優(yōu)分類面。根據(jù)樣本序列求出決策函數(shù)中的諸未知參數(shù)，計(jì)算出預(yù)測(cè)值。然后將預(yù)測(cè)結(jié)果傳送到小波重構(gòu)106 ；(6).小波重構(gòu)106，用于重構(gòu)來(lái)自時(shí)間序列預(yù)測(cè)104的預(yù)測(cè)結(jié)果和支持向量機(jī)預(yù)測(cè)模型的預(yù)測(cè)結(jié)果105 ；(7).風(fēng)速預(yù)測(cè)結(jié)果107，顯示預(yù)測(cè)結(jié)果。本發(fā)明提供的時(shí)間序列預(yù)測(cè)法原理及工作過(guò)程如下(參見(jiàn)圖3)1.風(fēng)速序列{yjk為非平穩(wěn)序列，其中Yi為訓(xùn)練樣本值，k為樣本個(gè)數(shù)，引入有序差分算子As = 1-B，將非平穩(wěn)序列平穩(wěn)化。其中，B為延遲算子。對(duì)原非平穩(wěn)高頻風(fēng)速序列{yjk施行一階有序差分變換Ayi = (I-B)yi = y-y^原風(fēng)速序列經(jīng)過(guò)d階差分后得Ad7i = (I-B)Vi時(shí)間序列自回歸模型AR(p)為
(p(B)yt = at式中Byt = yt_i ；ρ為模型的階數(shù)叫為隨機(jī)干擾。則差分后得到的平穩(wěn)序列可以用AR模型來(lái)描述
(PiB)^yi = θ(Β)αι2.由于所研究的風(fēng)速時(shí)間序列具有季節(jié)性變化趨勢(shì)，可對(duì)其施行季節(jié)性差分變換，引入季節(jié)性差分算子As= 1-BS，且Δ/= (1-BS)D，其中，S為周期，D為階數(shù)。則季節(jié)性ARMA模型為
φ(Β5)Α° γι=φ(Β5)αι3.綜合上述兩種差分變換，所得模型為ARMA (p，d，q) X (P，D，Q)S，即
φ(Β)φ(Β3)Α Α03γΙ=θ(Β)φ(Β3)αΙ為確定這個(gè)模型的階數(shù)，考察yi、Ayi, ，通過(guò)高次差分以后變量的自協(xié)方差和自相關(guān)函數(shù)，來(lái)確定d和D，將模型簡(jiǎn)化為相應(yīng)的ARMA模型。進(jìn)而確定p，q，P，Q。模型的階數(shù)確定之后，利用樣本矩來(lái)估計(jì)總體中相應(yīng)的參數(shù)。訓(xùn)練樣本的殘差序列為a ^ i = y-y ^ i其中，y a i為預(yù)測(cè)值。最后，檢驗(yàn)殘差序列a a i是否為白噪聲的一個(gè)樣本序列；若是，則所建立的模型是合適的，否則即為不合適，需要對(duì)其進(jìn)行修改或重新識(shí)別模型，直到其通過(guò)檢驗(yàn)為止。本發(fā)明提供的支持向量機(jī)預(yù)測(cè)模型實(shí)現(xiàn)預(yù)測(cè)的原理及工作過(guò)程如下(參見(jiàn)圖4)支持向量機(jī)預(yù)測(cè)方法運(yùn)用于回歸預(yù)測(cè)問(wèn)題時(shí)的算法如下，設(shè)訓(xùn)練樣本集為{yi}k， 相應(yīng)的決策函數(shù)為/(X) = M/ f(X) + 6。模型的訓(xùn)練轉(zhuǎn)化為最小化結(jié)構(gòu)風(fēng)險(xiǎn)函數(shù)
權(quán)利要求
1.一種在線預(yù)測(cè)的風(fēng)電場(chǎng)短期風(fēng)速混合預(yù)測(cè)方法，其特征在于，它包括數(shù)據(jù)預(yù)處理，用于接收來(lái)自風(fēng)速傳感器的信號(hào)，對(duì)風(fēng)速信號(hào)進(jìn)行預(yù)處理后，按時(shí)間順序?qū)⑿盘?hào)存儲(chǔ)，作為預(yù)測(cè)模型的訓(xùn)練樣本序列，建立風(fēng)速歷史序列數(shù)據(jù)庫(kù)并實(shí)時(shí)更新數(shù)據(jù)庫(kù)；小波分解，用于將預(yù)處理后的風(fēng)速序列信號(hào)分解成高頻信號(hào)和低頻信號(hào)兩部分，高頻成份進(jìn)行時(shí)間序列預(yù)測(cè)，低頻成份進(jìn)行支持向量機(jī)預(yù)測(cè)；時(shí)間序列預(yù)測(cè)，用于接收小波分解處理后所發(fā)送的高頻信號(hào)，學(xué)習(xí)該信號(hào)并給出下一時(shí)刻的預(yù)測(cè)結(jié)果；支持向量機(jī)預(yù)測(cè)，用于接收小波分解處理后所發(fā)送的低頻信號(hào)，學(xué)習(xí)該信號(hào)并給出下一時(shí)刻的預(yù)測(cè)結(jié)果；小波重構(gòu)，用于重構(gòu)來(lái)自時(shí)間序列預(yù)測(cè)給出的預(yù)測(cè)結(jié)果和支持向量機(jī)預(yù)測(cè)給出的預(yù)測(cè)結(jié)果，得出風(fēng)速預(yù)測(cè)值。
2.如權(quán)利要求1所述的方法，其特征在于所述的時(shí)間序列預(yù)測(cè)的具體過(guò)程是首先接收小波分解處理后所發(fā)送的高頻信號(hào)，并將信號(hào)加以整理，作為時(shí)間序列預(yù)測(cè)方法的訓(xùn)練樣本；其次將非平穩(wěn)的訓(xùn)練樣本序列平穩(wěn)化，再對(duì)平穩(wěn)化的訓(xùn)練樣本施行季節(jié)性差分變換；選定近似的數(shù)學(xué)模式來(lái)代表它們，用時(shí)間序列求出平穩(wěn)化變換和季節(jié)性差分變換的數(shù)學(xué)模型中的諸未知參數(shù)，然后計(jì)算出未來(lái)的時(shí)間序列的預(yù)測(cè)值。
3.如權(quán)利要求1所述的方法，其特征在于所述的支持向量機(jī)預(yù)測(cè)的具體過(guò)程是首先接收小波分解處理后所發(fā)送的低頻信號(hào)，并將信號(hào)加以整理，作為支持向量機(jī)預(yù)測(cè)方法的訓(xùn)練樣本；其次引入決策函數(shù)將訓(xùn)練樣本序列變換到一個(gè)高維空間，然后再在這個(gè)空間中求最優(yōu)分類面；根據(jù)樣本序列求出決策函數(shù)中的諸未知參數(shù)；然后計(jì)算出預(yù)測(cè)值。
全文摘要
一種在線的風(fēng)電場(chǎng)短期風(fēng)速混合預(yù)測(cè)方法，包括數(shù)據(jù)預(yù)處理、小波分解、時(shí)間序列預(yù)測(cè)、支持向量機(jī)預(yù)測(cè)、小波重構(gòu)六個(gè)模型。風(fēng)速傳感器采集風(fēng)電場(chǎng)的風(fēng)速數(shù)據(jù)后，數(shù)據(jù)預(yù)處理模型對(duì)形成的歷史風(fēng)速序列進(jìn)行預(yù)處理；運(yùn)用小波分解模型將預(yù)處理后的風(fēng)速序列分解為高頻和低頻兩部分，利用時(shí)間序列預(yù)測(cè)方法對(duì)分解得到的高頻成份進(jìn)行預(yù)測(cè)；利用支持向量機(jī)預(yù)測(cè)方法對(duì)低頻成份進(jìn)行預(yù)測(cè)，最后利用小波重構(gòu)方法對(duì)兩種預(yù)測(cè)結(jié)果進(jìn)行重構(gòu)，得出下一時(shí)刻風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)結(jié)果。
文檔編號(hào)G01P5/00GK102338808SQ20111024782
公開(kāi)日2012年2月1日 申請(qǐng)日期2011年8月26日 優(yōu)先權(quán)日2011年8月26日
發(fā)明者岳有軍, 李斌, 王紅君, 趙輝 申請(qǐng)人:天津理工大學(xué)