一种基于分解与优化的短期风速时序预测方法
【技术领域】
[0001] 本发明属于风速预测技术领域，具体涉及一种基于分解与优化的短期风速时序预 测方法。
【背景技术】
[0002] 随着化石能源的日渐枯竭以及环境污染的日益严重，风电作为一种清洁可再生能 源发电形式，得到了世界各国的广泛重视。风电大规模并网后，可能会出现电压、频率偏差、 电压波动甚至脱网等现象，在我国多个区域电网还存在风电上网后的系统调峰难题，这些 问题产生的根源是风速的波动性和随机性导致风电出力呈现出间歇性和不确定性的特点。 因此，对风电场短期风速进行准确预测至关重要。
[0003] 国内外学者针对风速预测已进行了一些研究，主要可分为基于物理模型和基于历 史数据预测两类方法。物理模型法采用天气预报数据进行预测，但是由于我国数值气象模 型难获取且气象预报数据更新频率低，仅适用于中长期风速预测。基于历史数据预测的方 法较多，主要有时间序列法、空间相关法、高斯过程回归、神经网络、支持向量机、最小二乘 支持向量机等。其中最小二乘支持向量机(Least Squares support vector machines，LS_ SVM)因其训练时间短、泛化能力强、精度高等优点而得到了广泛的应用。然而由于风速的高 度随机性和影响因素的复杂性，目前上述预测方法绝对平均误差为25%~40%，还未达到 一定的满意程度。
[0004] 最小二乘支持向量机的预测效果与其模型超参数紧密相关，已有研究遗传算法、 粒子群算法和改进的粒子群算法等智能仿生算法对LS-SVM进行参数寻优。研究结果表明参 数寻优可以提高风速预测的精度，而且寻优算法的全局寻优能力越好则模型预测精度越 高。可见，使用性能更好的智能寻优算法对最小二乘支持向量机的参数进行优化，是一种提 高风速预测精度的有效方法。
【发明内容】
[0005] 针对短期风速时序预测精度尚有待提高的问题，本发明提供一种基于分解与优化 的短期风速时序预测方法，其很好的提高了短期风速预测精度，且方法实现简单，计算量 小，可操作性强。
[0006] 本方法所采用的具体技术方案是：一种基于分解与优化的短期风速时序预测方 法，其特征在于，包括以下步骤：
[0007] 31:按小时进行原始风速序列采样及处理，构建时序风速序列{>1^ 2，^_%}，其 中，v表示风速，η表示序列长度；
[0008] S2:将时序风速进行3层小波分解，得到高频细节序列d^c^cb和一个低频近似序 ?3 ；
[0009] S3:对分解得到的序列进行二插值重构，得到细节序列m，D2，D3和近似序列A3;
[0010] S4.对重构后的各序列分别进行归一化处理，构建时序相关序列组，将最后24组作 为测试集，其余为训练集；
[0011] S5:利用步骤S4中的训练集数据，使用混沌萤火虫算法优化最小二乘支持向量机 超参数c，σ2，得到最优LS-SVM;
[0012] S6:将步骤S4中的测试集数据输入到步骤S5中的最优LS-SVM进行风速预测；
[0013] S7:将各预测值反归一化后叠加得到实际的风速预测值。
[0014] 进一步的，所述的步骤S4中，具体的归一化的公式如下：
[0015]
⑴
[001 6] vmax，Vmin分别表示原始序列最大、最小风速，Vi，Vil分别表示第i时段原始及归一化 后的风速；
[0017] 构造的时序相关序列数据组，具体的是，每一行的前六位是输入，最后一位是输 出，其形式如下：
[0018]
(2)
[0019] 式中η是构建的原始风速数据的长度。
[0020] 进一步的，步骤S5中的混沌萤火虫算法包括如下内容：
[0021] 1)萤火虫的亮度I定义为：
[0022] I =/"e ? (3.)
[0023] 式中：1〇为最大亮度，rij为萤火虫之间的欧式距离如式(4);
[0024]
(4)
[0025] 其中，式中D为空间维数xi,d，xj,d分别为萤火虫xi，xj在空间中的第d个分量；
[0026] 2)萤火虫间的吸引度β与亮度相关，定义为：
[0027] β=β^ (5)
[0028] 其中，是初始位置吸引度，γ为光强吸收系数，m为常数；
[0029] 3)萤火虫i被萤火虫j吸引的位置更新公式为：
[0030] xi(t+l) = Xi(t)+P(xj(t)-Xi(t) )+αει (6)
[0031] 式中：Xi(t+1)是萤火虫Xi第t+1次移动后的位置，β是萤火虫Xj对 Xi的吸引度;α是 步长因子，为[0，1]上的常数;^为[0，1]上服从高斯分布的随机因子；
[0032] 4)改进的惯性权重；
[0033] 使用线性递减惯性权重对基本萤火虫算法进行改进；
[0034]
(7)
[0035] 其中，W为权重，Wmax，Wmin分别为给定的最大最小权重，t，Tmax分别为当前和最大迭 代次数;改进后的位置更新公式如式(8);
[0036]
(8)
[0037] 5)改进的混沌机制；
[0038] 将优化变量通过混沌映射规则映射到混沌变量空间的取值区间内，利用混沌变量 的遍历性和随机性寻优搜索，最后将获得的优化解线性转化到优化空间；其数学表达式如 下：
[0039] xd,k* = u Xx*d,k-i X (l-x*d,k-i) ,x*e (〇, 1) (9)
[0040] 其中，x\k表示D维向量的第d维，k表示混纯迭代次数；当u = 4,且以矣{0,0.25, 0.5，0.75，1}时，由（9)产生的序列完全混沌化；
[0041] 在得到混沌序列之后，用式(10)进行载波操作，映射到优化空间范围
[0042] Xd,k-( Xd,max_Xd,min) X X d,k+Xd,min ( 10 )
[0043] 其中，xd,max，xd,min分别表示第d维变量的上、下限；
[0044] 6)萤火虫的混纯优化过程为:在每一代优化过程中，选取表现最好的N个萤火虫作 为精英个体进行混沌优化，按设定的混沌，代数由（9)产生混沌序列，然后按照（10)混沌序 列映射回萤火虫搜索空间，最后对精英个体进行混沌搜索，若搜索到更优个体则予以替换， 否则进入下一代更新。
[0045] 进一步的，所述的利用混沌萤火虫算法优化最小二乘支持向量机超参数c，〇2步骤 如下：
[0046] 1)设置最大进化代数Tmax，初始吸引度光强吸收系数γ和步长因子α，设置种群 规模为ΝΡ，当前进化代数为t = 0，初始化种群中萤火虫位置t = {c，σ2};
[0047] 2)计算每个萤火虫的目标函数值f(Xl)作为亮度，目标函数按式(11);
[0048]
:(.1.1)
[0049] 其中MREi表示平均相对误差，predicti是训练集的LS-SVM预测值，reali是实测值；
[0050] 3)按照式(3)计算萤火虫的亮度，式(4)计算萤火虫之间的欧式距离，按式(5)计算 萤火虫之间的吸引度β;
[0051] 4)按式(7)计算惯性权重，比较萤火虫之间的亮度，按照式(8)更新萤火虫位置；
[0052] 5)重新计算萤火虫的适应度，取前Ν个精英个体进行(9)~（10)的混沌操作并进行 遍历搜索，若搜索到更优位置，则更新精英个体，否则直接转下一步；
[0053] 6)若达到最大迭代步数，则输出最优超参数，否则转第2)步。
[0054] 进一步的，所述的步骤S7中的反归一化的公式如下：
[0055] Vi2 = Vmin+(Vmax-Vmin) X Vil (12)
[0056] 式中：Vil表示第i时刻的归一化速度，Vmax，Vmin为原始序列中最大、最小风速，Vi2为 第时刻反归一化速度。
[0057]进一步的，所述的m取2。
[0058] 本发明的有益效果是:一种基于分解与优化的短期风速时序预测方法，提高了短 期风速预测精度，可以为运行人员提供更有效的决策信息，保障风电运行的安全性和可靠 性。
【附图说明】
[0059] 图1是基于分解与优化的短期风速时序预测方法流程图；
[0060] 图2是两种时间尺度的风速实测序列；
[0061 ]图3是10分钟级采集数据序列的小波分解与重构图；
[0062] 图4是10分