一种短期风速预测方法
【技术领域】
[0001] 本发明涉及风力发电技术领域。
【背景技术】
[0002] 在可再生能源中风力发电的增长速度最快，装机容量每年增长超过30%。根据欧 洲风能协会和绿色和平组织签署的《关于2020年风电达到世界电力总量的12%的蓝图》的 报告期望并预测2020年全球的风力发电装机将达到12. 31亿kW (是2002年世界风电装机 容量的38.4倍），年安装量达到1.5亿kW，风力发电量将占全球发电量的12%。我国的风 电行业也进入快速增长时期，为了使风电在快速增长的电力工业占有较多的份额，我国政 府计划在2020年风电的装机容量达到3000万kW。
[0003] 如果对风电场风速预测比较准确，将有利于调整调度计划，从而有效减轻风电对 整个电网的不利影响，减少电力系统运行成本和旋转备用，提高风电穿透功率极限，并且有 利于在开放的电力市场环境下正确制定电能交换计划等。风电穿透功率是指风电功率占系 统总发电功率的比例。中国电力科学研宄院在这方面进行了大量的研宄工作。一般情况下， 在风电穿透功率不超过8%时，我国电网不会出现较大的技术问题。但是，当风电穿透功率 超过一定值之后，有可能对电能质量和电力系统的运行产生影响，并且会危及常规发电方 式。对风电场做短期风速预测，再由风功曲线得到风力发电功率的预测值，这是进行风力发 电功率预测的有效途径之一。
[0004] 根据研宄期长短及用途的不同，可将风特征分为长期、中期和短期特征。目前，国 内外用于风速预测的方法主要有持续预测法、卡尔曼滤波法、时间序列分析法、神经网络方 法和模糊逻辑法等，而对于短期风速的预测常采用神经网络方法中的BP神经网络建模预 测风速。这些风速预测的方法只需对风电场的原始风速时间序列建立模型，就可以进行预 测，或者通过差分等手段，把非平稳的风速序列先转换为平稳序列，再对平稳序列进行建模 和预测，存在着平均相对预测误差大，通常预测误差可达到20%。由于风速受温度、气压、地 形等多种因素的影响，具有很强的随机性。对于短期风速的预测，按照现有神经网络方法中 的BP神经网络建模预测风速，最终预测的风速误差大，增大了风电的运行成本。宄其原因 在于：BP神经网络建模预测风速，需要确定神经网络的结构参数即需要确定神经网络的输 入神经元，隐层神经元，和输出神经元。其中神经网络的隐层神经元节点数的多少，对预测 效果也有很大的影响。
[0005] 为降低风电的运行成本，必须提高风速预测精度，本领域技术人员一直在努力研 宄具有高精度的风速预测方法，解决预测风速误差大的难题，但迄今尚未获得成功。
【发明内容】
[0006] 本发明的目的在于克服现有风速预测技术上的缺陷，提出一种风速预测精度高的 短期风速预测方法。
[0007] 为了实现上述目的，本发明提供如下技术方案：一种短期风速预测方法，包括以 下步骤：
[0008] (1)利用风速采集仪器每隔10-20分钟记录一次同一地区的风速数据，整理采集 的原始风速数据，形成风速时间序列用于分析预测；
[0009] (2)基于混沌理论对时间序列进行相空间重构：运用C-C法确定混沌理论中最佳 的嵌入维数和延迟时间，并进行多尺度分解和相空间重构；
[0010] 设X(η), η = 1，2...，N为时间序列 Xi (n) = (Xi (n), XiOi+ τ )，…XiOrKm-I) τ )} Q =1，2,…，Μ)为相空间中的点，C-C法的具体描述如下：
[0011] 嵌入时间序列的关联积分定义为下式的函数，其中r>0
【主权项】
1. 一种短期风速预测方法，其特征在于，包括以下步骤： (1) 利用风速采集仪器每隔10-20分钟记录一次同一地区的风速数据，整理采集的原 始风速数据，形成风速的时间序列用于分析预测； (2) 基于混沌理论对步骤（1)中的时间序列进行相空间重构：运用C-C法确定混沌理 论中的嵌入维数和延迟时间，并进行多尺度分解和相空间重构： 设 Χ(η)，η = 1，2···，N 为时间序列 Xi (n) = {X?，Xi (η+ τ )，…Xi (n+(m-l) τ )} (i = 1，2, -·，Μ)为相空间中的点，C-C法的具体描述如下： 嵌入时间序列的关联积分定义为下式的函数，其中r>0
式中：m为嵌入维数；N为时间序列的长度；r为邻域半径的大小；τ为延迟时间； Θ (·)为Heaviside单位函数，
关联维数为
其中，logC("W) = ，将时间序列 χ(η)，J1 = 1，2...，N，分成 t 个不相交 的时间序列，长度为INT (N/t)，INT为取整，对于一般的自然数t，有 {x(l), x(t+l), x(2t+l), ···} {x(2),x(t+2),x(2t+2), ···} 參 參 參 {x (3)，X (t+3)，X (2t+3)，…} 然后计算每个子序列的统计量S(m，N，r，τ) S ^ (/?, Nj\τ) ^Ντ-r-τ)_ lie/!Τ-Γ'^)}1' I ^ ι=ι 式中=C1是第1个子序列的相关积分，局部最大间隔可以取s(·)零点或对所有的半径 r相互差别最小的时间点，选择对应值最大和最小两个半径r，定义差量为： Δ S (m，t) = max [S (m, N, T1, t) ] -min [S (m, N, rp t) ], i ^ j 根据统计学原理，m取值在2到5之间，r的取值在σ /2和2 σ之间，σ是时间序列的 均方差，得到方程如下：
其中，S(t)为所有子序列的统计量S (m, N, rj，t)的均值，的第一个极小值对应第 一个局部最大时间τ，Scot(t)的最小值对应时间序列独立的第一个整体最大值时间窗口， 即延迟时间窗口，用Tw= (m-l) τ可以求出嵌入维数m，τ w即为延迟时间τ ; ⑶由步骤⑵中相空间重构生成新的样本空间，并用BP神经网络建立模型； (4)仿真验证，对比预测结果并得出结论。
2. 如权利要求1所述的短期风速预测方法，其特征在于，在步骤（3)中，所述BP神经网 络建立模型包括运用BP神经网络预测和BP神经网络隐层神经元的确定。
3. 如权利要求2所述的短期风速预测方法，其特征在于，运用BP神经网络预测是通过 BP神经网络将步骤（2)中的m和τ进行组合，组合成多组嵌入维数和延迟时间进行预测， 并通过性能指标来预测最佳的嵌入维数和延迟时间，根据混沌时间序列的嵌入维数m，用 m-Ι作为网络的输入层节点数，输出层位1，网络的输入、输出为：
4. 如权利要求2所述的短期风速预测方法，其特征在于，BP神经网络隐层神经元的确 定是根据公式A= 4k + a来选择隐层节点数，确定了不同嵌入维数和延迟时间组合 相空间重构后BP神经网络的最佳隐层节点数，式中：k为输入节点个数，b为输出节点个数， a为1到10之间的常数。
5. 如权利要求1或2所述的短期风速预测方法，其特征在于，在步骤（4)中的仿真验证 中，预测的相对误差为19. 509%，然后用武隆风电场提供的短期风速数据进行相空间重构 和BP神经网络建模，并对武隆风电场所预测的风速数据的相对误差进行对比。
【专利摘要】本发明涉及风力发电技术领域，包括以下步骤：利用风速采集仪器每隔10-20分钟记录一次同一地区的风速数据，整理采集的原始风速数据，形成风速时间序列用于分析预测；基于混沌理论对时间序列进行相空间重构：运用C-C法确定混沌理论中最佳的嵌入维数和延迟时间，并进行多尺度分解和相空间重构；相空间重构生成新的样本空间用BP神经网络建立模型；仿真验证，对比预测结果得出结论。本发明的目的在于克服现有风速预测技术上的缺陷，提出一种风速预测精度高的短期风速预测方法。
【IPC分类】G06F19-00, G01P5-00, G06N3-02
【公开号】CN104834816
【申请号】CN201510232871
【发明人】韩亚军, 杨小强, 杜德银
【申请人】重庆科创职业学院
【公开日】2015年8月12日
【申请日】2015年5月8日