專利名稱：風(fēng)電場風(fēng)速預(yù)測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于風(fēng)速預(yù)測技術(shù)領(lǐng)域，尤其涉及一種風(fēng)電場風(fēng)速的預(yù)測方法。
背景技術(shù)：
風(fēng)能作為可再生能源的重要類別，具有蘊(yùn)藏量巨大、可再生、分布廣、無污染等特點(diǎn)，受到了越來越廣泛的重視，并成為發(fā)展最快的新型能源。近年來，全球風(fēng)力發(fā)電技術(shù)發(fā)展迅速，中國風(fēng)電裝機(jī)容量從2005年開始，連續(xù)5年翻番增長。截止到2010年底，累計(jì)裝機(jī)容量達(dá)到4200萬千瓦，風(fēng)電裝機(jī)總?cè)萘寇S居全球第一。如今，中國開發(fā)和利用風(fēng)能的主要形式是大規(guī)模并網(wǎng)風(fēng)力發(fā)電，但由于大自然風(fēng)速的隨機(jī)性和間歇性，導(dǎo)致風(fēng)電大規(guī)模并網(wǎng)對電網(wǎng)造成很大的沖擊和挑戰(zhàn)。如果能準(zhǔn)確預(yù)測風(fēng)電場風(fēng)速，則有利于調(diào)整調(diào)度計(jì)劃，有效減輕風(fēng)電對整個(gè)電網(wǎng)的不利影響，減少電力系統(tǒng)運(yùn)行成本和旋轉(zhuǎn)備用，提高風(fēng)電穿透功率極限，并且有利于在開放的電力市場環(huán)境下正確制定電能交換計(jì)劃，對于電網(wǎng)的安全運(yùn)行， 調(diào)度部門及時(shí)準(zhǔn)確地調(diào)整風(fēng)電調(diào)度計(jì)劃，增加風(fēng)電上網(wǎng)比例，具有重要的現(xiàn)實(shí)意義。風(fēng)速易受濕度、地形、氣壓、溫度等因素影響，具有很強(qiáng)的隨機(jī)性，對其預(yù)測的難度較大。目前，風(fēng)速多步預(yù)測精度較低，不能反映風(fēng)速未來變化趨勢的問題。風(fēng)電場風(fēng)速預(yù)測的方法很多，成熟的有持續(xù)預(yù)測法、神經(jīng)網(wǎng)絡(luò)法、時(shí)間序列分析法、卡爾曼濾波法、小波分析法等。常規(guī)的風(fēng)速預(yù)測方法是基于歷史風(fēng)速時(shí)間序列的一種延伸預(yù)測方法，其中常用的時(shí)間序列的分析法又分為自回歸模型(AR)、滑動(dòng)平均模型(MA)、自回歸滑動(dòng)平均模型 (ARMA)、累積式自回歸滑動(dòng)平均模型(ARIMA)，一般風(fēng)速多步預(yù)測的方法是基于歷史數(shù)據(jù)推算實(shí)現(xiàn)，多步預(yù)測精度較差，不能反映風(fēng)速變化趨勢。

發(fā)明內(nèi)容
為了解決上述風(fēng)速預(yù)測精度較差的問題，本發(fā)明提出了一種風(fēng)電場風(fēng)速多步預(yù)測方法，本方法集成了未來數(shù)值天氣預(yù)報(bào)數(shù)據(jù)、歷史測風(fēng)數(shù)據(jù)和實(shí)時(shí)測風(fēng)數(shù)據(jù)，在跟蹤未來風(fēng)速變化趨勢的基礎(chǔ)上，對歷史風(fēng)速進(jìn)行準(zhǔn)確分類，基于實(shí)時(shí)測風(fēng)數(shù)據(jù)并例如采用支持向量機(jī)SVM方法，能夠進(jìn)行例如未來4小時(shí)，15min時(shí)間間隔，共16步的風(fēng)速預(yù)測，既能準(zhǔn)確追蹤未來風(fēng)速變化趨勢，又能基于實(shí)測風(fēng)速每15min刷新一次預(yù)報(bào)結(jié)果，滾動(dòng)預(yù)報(bào)未來16步最新的風(fēng)速變化，實(shí)現(xiàn)了未來風(fēng)速高精確多步預(yù)測。本發(fā)明提出的一種風(fēng)電場風(fēng)速多步預(yù)測方法包括步驟1，讀入未來數(shù)值天氣預(yù)報(bào)數(shù)據(jù)，獲得風(fēng)速變化趨勢；步驟2，讀入測風(fēng)歷史數(shù)據(jù)，獲得所述風(fēng)速變化趨勢的相似樣本，并從相似樣本中選出學(xué)習(xí)樣本；步驟3，獲取當(dāng)前的實(shí)時(shí)測風(fēng)數(shù)據(jù)；步驟4，根據(jù)選出的學(xué)習(xí)樣本以及獲取的實(shí)時(shí)測風(fēng)數(shù)據(jù)，對風(fēng)速進(jìn)行預(yù)測。根據(jù)本發(fā)明提出的方法的一個(gè)方面，所述未來數(shù)值天氣預(yù)報(bào)數(shù)據(jù)包括預(yù)測出的第一預(yù)定時(shí)間間隔的風(fēng)速、風(fēng)向和溫度數(shù)據(jù)；所述風(fēng)速變化趨勢包括相隔為第一預(yù)定時(shí)間間隔的兩個(gè)時(shí)刻之間的風(fēng)速差和風(fēng)向差。根據(jù)本發(fā)明提出的方法的一個(gè)方面，所述第一預(yù)定時(shí)間間隔為1個(gè)小時(shí)或15分鐘。根據(jù)本發(fā)明提出的方法的一個(gè)方面，所述測風(fēng)歷史數(shù)據(jù)包括第二預(yù)定時(shí)間間隔的歷史風(fēng)速、風(fēng)向和溫度數(shù)據(jù)；所述步驟2具體包括計(jì)算測風(fēng)歷史數(shù)據(jù)的距離為第一預(yù)定時(shí)間間隔的兩個(gè)時(shí)刻之間的風(fēng)速差和風(fēng)向差，并按照風(fēng)速差和風(fēng)向差的取值范圍對測風(fēng)歷史數(shù)據(jù)進(jìn)行分組，每組測風(fēng)歷史數(shù)據(jù)都對應(yīng)著范圍為Xi的風(fēng)速差和范圍為Yj的風(fēng)向差，其中 i = 1…m，j = Ι-η，即將測風(fēng)歷史數(shù)據(jù)分成mXn組，形成mXn的風(fēng)速變化矩陣；獲得與所述風(fēng)速變化趨勢位于同一分組的測風(fēng)歷史數(shù)據(jù)，形成所述相似樣本；從所述相似樣本中獲取與所述風(fēng)速變化趨勢差別在預(yù)定閾值內(nèi)的多組樣本，形成所述學(xué)習(xí)樣本。根據(jù)本發(fā)明提出的方法的一個(gè)方面，所述實(shí)時(shí)測風(fēng)數(shù)據(jù)包括當(dāng)前的風(fēng)速和溫度值。根據(jù)本發(fā)明提出的方法的一個(gè)方面，步驟S4包括對所述學(xué)習(xí)樣本進(jìn)行學(xué)習(xí)，將第一時(shí)刻的風(fēng)速和溫度作為輸入，將與第一時(shí)刻相隔第二預(yù)定時(shí)間間隔的風(fēng)速作為輸出， 獲得輸入和輸出之間的關(guān)系；并根據(jù)所獲得的關(guān)系，輸入所述實(shí)時(shí)測風(fēng)數(shù)據(jù)，獲得相隔為第二預(yù)定時(shí)間間隔的下一時(shí)刻的預(yù)測風(fēng)速值，并根據(jù)相隔為第一預(yù)定時(shí)間間隔的兩個(gè)時(shí)刻的溫度數(shù)據(jù)，通過插值計(jì)算出所述下一時(shí)刻的溫度值，根據(jù)所述下一時(shí)刻的預(yù)測風(fēng)速值和溫度值繼續(xù)執(zhí)行預(yù)測，以實(shí)現(xiàn)多步滾動(dòng)預(yù)測。根據(jù)本發(fā)明提出的方法的一個(gè)方面，使用支持向量機(jī)SVM算法或人工神經(jīng)網(wǎng)絡(luò)算法對學(xué)習(xí)樣本進(jìn)行學(xué)習(xí)，從而獲得輸入和輸出之間的關(guān)系。根據(jù)本發(fā)明提出的方法的一個(gè)方面，所述第二預(yù)定時(shí)間間隔小于或等于所述第一時(shí)間間隔


圖1是本發(fā)明提出的方法的流程圖；圖2是根據(jù)風(fēng)速差和風(fēng)向差的歷史數(shù)據(jù)劃分示意圖；圖3是使用支持向量機(jī)獲得輸入輸出關(guān)系的示意圖；圖4是支持向量機(jī)方法流程圖。
具體實(shí)施例方式圖1示出了本發(fā)明所提出的風(fēng)電場風(fēng)速多步預(yù)測方法的主要步驟，如圖1所示，該方法包括S1，讀入未來數(shù)值天氣預(yù)報(bào)數(shù)據(jù)，獲得風(fēng)速變化趨勢；S2，讀入測風(fēng)歷史數(shù)據(jù)，獲得Sl中風(fēng)速變化趨勢的相似樣本，并從相似樣本中選出學(xué)習(xí)樣本；S3，獲取當(dāng)前的實(shí)時(shí)測風(fēng)數(shù)據(jù)；S4，根據(jù)S2中選出的學(xué)習(xí)樣本以及S3獲取的實(shí)時(shí)測風(fēng)數(shù)據(jù)，對風(fēng)速進(jìn)行預(yù)測。下面，對上述四個(gè)步驟進(jìn)行具體描述，這些具體描述僅為示例性的，并不作為對本發(fā)明保護(hù)范圍的限定。步驟Si，讀入未來數(shù)值天氣預(yù)報(bào)數(shù)據(jù)，獲得風(fēng)速變化趨勢。具體的，未來數(shù)值天氣預(yù)報(bào)數(shù)據(jù)包括例如70m高度(或其他高度)的風(fēng)速、風(fēng)向和溫度數(shù)據(jù)，其時(shí)間分辨率例如為Ih (或15min等其他時(shí)間分辨率)，即，當(dāng)分辨率為Ih時(shí)，未來數(shù)值天氣預(yù)報(bào)數(shù)據(jù)包括每隔一小時(shí)預(yù)測的風(fēng)速、風(fēng)向和溫度數(shù)據(jù)，當(dāng)分辨率為15min時(shí)， 未來數(shù)值天氣預(yù)報(bào)數(shù)據(jù)包括每隔15分鐘預(yù)測的風(fēng)速、風(fēng)向和溫度數(shù)據(jù)。根據(jù)提供的逐時(shí)數(shù)值天氣預(yù)報(bào)值，計(jì)算小時(shí)風(fēng)速差和小時(shí)風(fēng)向差 小時(shí)風(fēng)速差Δ Vnwp =未來一小時(shí)的風(fēng)速VNWP(t+1)-當(dāng)前小時(shí)的風(fēng)速Vnwpw ；根據(jù)AV胃的大小分為下降趨勢、平穩(wěn)趨勢和上升趨勢，這三個(gè)趨勢分別對應(yīng)于AVfflp
<-0. 5,-0. 5彡AVnwp彡0. 5、AVnwp > 0. 5。下標(biāo)“t”的具體取值范圍可以是任意一個(gè)小時(shí)的時(shí)刻。小時(shí)風(fēng)向差Δ Dnwp=未來一小時(shí)的風(fēng)向DNWP(t+1)_當(dāng)前小時(shí)的風(fēng)向Dnwpw ；如果小時(shí)風(fēng)向差 AD < -180(度)，貝丨J AD = Δ +360 ；如果 AD > 180，AD = Δ -360 ；這樣就獲得了以指定時(shí)間間隔的風(fēng)速差和風(fēng)向差表示的風(fēng)速變化趨勢。步驟S2，讀入測風(fēng)歷史數(shù)據(jù)，獲得步驟Sl中風(fēng)速變化趨勢的相似樣本，并從相似樣本選出學(xué)習(xí)樣本。具體的，讀入測風(fēng)歷史數(shù)據(jù)中的例如70m高度(或其他高度)的風(fēng)速、風(fēng)向、溫度數(shù)據(jù)，歷史數(shù)據(jù)時(shí)間分辨率可以為15min，S卩，測風(fēng)歷史數(shù)據(jù)可包括每隔15分鐘測定的歷史風(fēng)速、風(fēng)向和溫度數(shù)據(jù)；計(jì)算測風(fēng)歷史數(shù)據(jù)的小時(shí)風(fēng)速差和小時(shí)風(fēng)向差，并按風(fēng)速差和風(fēng)向差對測風(fēng)歷史數(shù)據(jù)分段，例如，可按風(fēng)速差將歷史數(shù)據(jù)分成3段，每段再按風(fēng)向差分成13段，構(gòu)成一個(gè) 3X13的矩陣，如圖2所示，該風(fēng)速變化矩陣可以進(jìn)一步細(xì)化如5X 15等，或放粗如3X9等， 這里使用3X 13僅為示例性質(zhì)，并不作為對本發(fā)明的限制。具體分段算法為風(fēng)速(1)獲取逐時(shí)風(fēng)速，計(jì)算逐時(shí)風(fēng)速差Δ V = Vt+1-Vt(2)按照 Δ V < -0. 5，-0. 5 彡 Δ V 彡 0. 5，Δ V > 0. 5 分為 3 段；風(fēng)向(1)獲取逐時(shí)風(fēng)向，計(jì)算逐時(shí)風(fēng)向差A(yù)D = Dt+1-Dt(2) if AD < -180，AD = Δ +360 ；if AD > 180，AD = Δ -360(3)按照 AD < -55，-55 ^ AD < -45, -45 ^ AD < -35, -35 ^ AD
<-25,-25 ^ AD < -15,-15 彡 AD < -5,-5 ^ AD ^ 5,5 < AD 彡 15，15 < AD 彡 25， 25 < ΔD 彡 35，35 < AD ^ 45,45 < AD ^ 55, AD > 55,分為 13 段；根據(jù)Δ Vnwp 和 Δ Dnwp (例如 Δ Vnwp < _0. 5,-15 ^ Δ Dnwp < -5)，在分好段的歷史數(shù)據(jù)中選擇對應(yīng)的段(也選擇AV < -0. 5、-15 < AD < -5這一變化范圍內(nèi)的相應(yīng)數(shù)據(jù))， 該對應(yīng)的段中所包括的歷史數(shù)據(jù)即歷史風(fēng)速變化趨勢相似樣本。由于分段的對象是測風(fēng)歷史數(shù)據(jù)的逐時(shí)風(fēng)速差和逐時(shí)風(fēng)向差，因此，在每個(gè)段中的每個(gè)樣本的時(shí)間間隔都是1小時(shí)， 而由于歷史數(shù)據(jù)可包括每隔15分鐘測得的歷史風(fēng)速、風(fēng)向和溫度數(shù)據(jù)，那么每個(gè)樣本都對應(yīng)著4個(gè)每隔15分鐘測得的數(shù)據(jù)，例如，若一個(gè)相似樣本為4 00-5 00的歷史數(shù)據(jù)，那么在該樣本中包括了 4:00，4:15，4:30以及4:45四個(gè)時(shí)刻分別對應(yīng)的歷史數(shù)據(jù)；然后，獲得所述相似樣本每小時(shí)的風(fēng)速差A(yù)Vm = Vt+1_Vt，該風(fēng)速差已經(jīng)在之前計(jì)算逐時(shí)風(fēng)速差時(shí)得出，然后分別計(jì)算八^與AVnwp差值的絕對值，并根據(jù)絕對值由小到大排序，取絕對值排在最前面的多組(一般選擇20 50組)相似樣本，并獲得該相似樣本中所包含的分辨率為15min的歷史數(shù)據(jù)，其中，每組數(shù)據(jù)包括了風(fēng)速和溫度，組成學(xué)習(xí)樣本。步驟S3，獲取當(dāng)前的實(shí)時(shí)測風(fēng)數(shù)據(jù)，該數(shù)據(jù)包括風(fēng)速和溫度值。步驟S4,根據(jù)步驟S2中選出的學(xué)習(xí)樣本以及步驟S3獲取的實(shí)時(shí)測風(fēng)數(shù)據(jù)，對風(fēng)速進(jìn)行預(yù)測。
具體的，可采用支持向量機(jī)SVM算法，首先對選出的學(xué)習(xí)樣本進(jìn)行學(xué)習(xí)(輸入為由步驟S2選出的15min分辨率的一組風(fēng)速和溫度，輸出為下一個(gè)15min的風(fēng)速)獲得輸入和輸出的關(guān)系(如圖3所示)，然后輸入當(dāng)前實(shí)時(shí)測得的風(fēng)速及溫度值，預(yù)測下一個(gè)15min的風(fēng)速，并進(jìn)行未來4小時(shí)，15min間隔的共16步風(fēng)速的滾動(dòng)預(yù)測首先，采用支持向量機(jī)進(jìn)行風(fēng)速預(yù)測的步驟如圖4所示(1)對歷史數(shù)據(jù)進(jìn)行規(guī)一化處理，即將原始數(shù)據(jù)經(jīng)過線性變化至[-1，1]區(qū)間中 (一般通過除以該列數(shù)據(jù)中的正的最大值或負(fù)的最小值，使該列數(shù)據(jù)變換到[-1，1]區(qū)間)， 構(gòu)成訓(xùn)練數(shù)據(jù)集。(2)對訓(xùn)練數(shù)據(jù)用不同核函數(shù)(線形型、多項(xiàng)式型、高斯徑向基型和neural型核函數(shù))和不同參數(shù)(懲罰因子C和敏感損失參數(shù)epsilon的具體值)進(jìn)行優(yōu)化，生成不同核函數(shù)和不同參數(shù)的訓(xùn)練結(jié)果表。(3)從訓(xùn)練結(jié)果表中，根據(jù)訓(xùn)練誤差大小(一般為均方根誤差RMSE)，先挑選出合適的核函數(shù)，然后選擇其對應(yīng)的最佳參數(shù)(懲罰因子C和敏感損失參數(shù)epsilon的具體值)。(4)先用選擇的參數(shù)對訓(xùn)練數(shù)據(jù)集進(jìn)行學(xué)習(xí)，然后輸入一段新數(shù)據(jù)進(jìn)行預(yù)測結(jié)果檢驗(yàn)。如果對預(yù)測誤差不滿意，返回第( 步，重新選擇參數(shù)進(jìn)行學(xué)習(xí)，如果對預(yù)測誤差滿意，進(jìn)行下一步。(5)輸入新的數(shù)據(jù)集，進(jìn)行風(fēng)速預(yù)測，最后進(jìn)行誤差分析。滾動(dòng)預(yù)測是指每預(yù)測一步風(fēng)速，就以此預(yù)測的風(fēng)速和插值求得的溫度數(shù)據(jù)(未來 15min分辨率的溫度采用逐時(shí)天氣預(yù)報(bào)數(shù)據(jù)的插值結(jié)果，Tn = Tt+(n-l) X (Tt+1_Tt)/4，η = 1，2，3，4，5 ；其中Tt為數(shù)值天氣預(yù)報(bào)中的當(dāng)前小時(shí)溫度，Tt+1為數(shù)值天氣預(yù)報(bào)中的未來1小時(shí)的溫度)作為輸入，預(yù)測下一個(gè)15min的風(fēng)速。每預(yù)測4步即每1小時(shí)，再根據(jù)風(fēng)速變化趨勢，重新篩選一次相似樣本和學(xué)習(xí)樣本，重新學(xué)習(xí)然后進(jìn)行預(yù)測。當(dāng)然，根據(jù)學(xué)習(xí)樣本進(jìn)行學(xué)習(xí)獲得輸入和輸出關(guān)系的方法不一定采用支持向量機(jī) SVM算法(如圖3所示)，也可采用其它例如人工神經(jīng)網(wǎng)絡(luò)ANN算法。由此可見，本發(fā)明所提出的風(fēng)電場風(fēng)速多步預(yù)測方法集成成了未來數(shù)值天氣預(yù)報(bào)數(shù)據(jù)、歷史測風(fēng)數(shù)據(jù)和實(shí)時(shí)測風(fēng)數(shù)據(jù)作為預(yù)報(bào)的基礎(chǔ)數(shù)據(jù)；根據(jù)數(shù)值天氣預(yù)報(bào)數(shù)據(jù)找出風(fēng)速變化趨勢，根據(jù)變化趨勢采用風(fēng)速變化矩陣，在歷史風(fēng)速數(shù)據(jù)中搜尋相似樣本，在相似樣本中選擇最有代表性的數(shù)據(jù)組成學(xué)習(xí)樣本，采用支持向量機(jī)SVM或人工神經(jīng)網(wǎng)絡(luò)ANN算法， 進(jìn)行例如未來4小時(shí)，15min間隔的共16步風(fēng)速的滾動(dòng)預(yù)測。采用本發(fā)明的方法，既能準(zhǔn)確追蹤未來風(fēng)速變化趨勢，又能基于實(shí)測風(fēng)速例如每15min刷新一次預(yù)報(bào)結(jié)果，滾動(dòng)預(yù)報(bào)未來16步最新的風(fēng)速變化，實(shí)現(xiàn)了未來風(fēng)速的高精確多步預(yù)測。本文所提出的數(shù)值天氣預(yù)測數(shù)據(jù)時(shí)間分辨率可以是15min或其他< Ih的數(shù)據(jù)；預(yù)測可以是持續(xù)預(yù)測法、神經(jīng)網(wǎng)絡(luò)法、時(shí)間序列分析法、卡爾曼濾波法、小波分析法等其他方法，并且，在前面已經(jīng)提到的，該風(fēng)速變化矩陣可以進(jìn)一步細(xì)化如5X 15，或放粗如3X9等，可按照任意風(fēng)速差、風(fēng)向差劃分。本文所提出的上述所有具體實(shí)施方式
僅為示例性的，僅作為對本發(fā)明的解釋和說明，并不作為對本發(fā)明保護(hù)范圍的限制，本領(lǐng)域技術(shù)人員可根據(jù)不同實(shí)際情況作出改變和調(diào)整，這些改變和調(diào)整同樣落入本發(fā)明的保護(hù)范圍內(nèi)。
權(quán)利要求
1.一種風(fēng)電場風(fēng)速預(yù)測方法，其特征在于，該方法包括 步驟1，讀入未來數(shù)值天氣預(yù)報(bào)數(shù)據(jù)，獲得風(fēng)速變化趨勢；步驟2，讀入測風(fēng)歷史數(shù)據(jù)，獲得所述風(fēng)速變化趨勢的相似樣本，并從相似樣本中選出學(xué)習(xí)樣本；步驟3，獲取當(dāng)前的實(shí)時(shí)測風(fēng)數(shù)據(jù)；步驟4，根據(jù)選出的學(xué)習(xí)樣本以及獲取的實(shí)時(shí)測風(fēng)數(shù)據(jù)，對風(fēng)速進(jìn)行預(yù)測。
2.根據(jù)權(quán)利要求1的方法，其特征在于所述未來數(shù)值天氣預(yù)報(bào)數(shù)據(jù)包括預(yù)測出的第一預(yù)定時(shí)間間隔的風(fēng)速、風(fēng)向和溫度數(shù)據(jù)；所述風(fēng)速變化趨勢包括相隔為第一預(yù)定時(shí)間間隔的兩個(gè)時(shí)刻之間的風(fēng)速差和風(fēng)向差。
3.根據(jù)權(quán)利要求2的方法，其特征在于 所述第一預(yù)定時(shí)間間隔為1個(gè)小時(shí)或15分鐘。
4.根據(jù)權(quán)利要求2的方法，其特征在于所述測風(fēng)歷史數(shù)據(jù)包括第二預(yù)定時(shí)間間隔的歷史風(fēng)速、風(fēng)向和溫度數(shù)據(jù)； 所述步驟2具體包括計(jì)算測風(fēng)歷史數(shù)據(jù)的距離為第一預(yù)定時(shí)間間隔的兩個(gè)時(shí)刻之間的風(fēng)速差和風(fēng)向差，并按照風(fēng)速差和風(fēng)向差的取值范圍對測風(fēng)歷史數(shù)據(jù)進(jìn)行分組，每組測風(fēng)歷史數(shù)據(jù)都對應(yīng)著范圍為&的風(fēng)速差和范圍為t的風(fēng)向差，其中i = 1…m，j = L···!!， 即將測風(fēng)歷史數(shù)據(jù)分成mXn組，形成mXn的風(fēng)速變化矩陣；獲得與所述風(fēng)速變化趨勢位于同一分組的測風(fēng)歷史數(shù)據(jù)，形成所述相似樣本； 從所述相似樣本中獲取與所述風(fēng)速變化趨勢差別在預(yù)定閾值內(nèi)的多組樣本，形成所述學(xué)習(xí)樣本。
5.根據(jù)權(quán)利要求4所述的方法，其特征在于 所述實(shí)時(shí)測風(fēng)數(shù)據(jù)包括當(dāng)前的風(fēng)速和溫度值。
6.根據(jù)權(quán)利要求4所述的方法，其特征在于 步驟4包括對所述學(xué)習(xí)樣本進(jìn)行學(xué)習(xí)，將第一時(shí)刻的風(fēng)速和溫度作為輸入，將與第一時(shí)刻相隔第二預(yù)定時(shí)間間隔的風(fēng)速作為輸出，獲得輸入和輸出之間的關(guān)系；并根據(jù)所獲得的關(guān)系，輸入所述實(shí)時(shí)測風(fēng)數(shù)據(jù)，獲得相隔為第二預(yù)定時(shí)間間隔的下一時(shí)刻的預(yù)測風(fēng)速值，并根據(jù)相隔為第一預(yù)定時(shí)間間隔的兩個(gè)時(shí)刻的溫度數(shù)據(jù)，通過插值計(jì)算出所述下一時(shí)刻的溫度值，根據(jù)所述下一時(shí)刻的預(yù)測風(fēng)速值和溫度值繼續(xù)執(zhí)行預(yù)測，以實(shí)現(xiàn)多步滾動(dòng)預(yù)測。
7.根據(jù)權(quán)利要求5所述的方法，其特征在于使用支持向量機(jī)SVM算法或人工神經(jīng)網(wǎng)絡(luò)算法對學(xué)習(xí)樣本進(jìn)行學(xué)習(xí)，從而獲得輸入和輸出之間的關(guān)系。
8.根據(jù)權(quán)利要求4所述的方法，其特征在于所述第二預(yù)定時(shí)間間隔小于或等于所述第一時(shí)間間隔。
全文摘要
提出了一種風(fēng)電場風(fēng)速預(yù)測方法，屬于風(fēng)速預(yù)測的技術(shù)領(lǐng)域，所述方法包括步驟1，讀入未來數(shù)值天氣預(yù)報(bào)數(shù)據(jù)，獲得風(fēng)速變化趨勢；步驟2，讀入測風(fēng)歷史數(shù)據(jù)，獲得所述風(fēng)速變化趨勢的相似樣本，并從相似樣本中選出學(xué)習(xí)樣本；步驟3，獲取當(dāng)前的實(shí)時(shí)測風(fēng)數(shù)據(jù)；步驟4，根據(jù)選出的學(xué)習(xí)樣本以及獲取的實(shí)時(shí)測風(fēng)數(shù)據(jù)，對風(fēng)速進(jìn)行預(yù)測。本方法解決了風(fēng)速預(yù)測精度較差的技術(shù)問題。
文檔編號G06K9/62GK102236795SQ201110180420
公開日2011年11月9日 申請日期2011年6月30日 優(yōu)先權(quán)日2011年6月30日
發(fā)明者孫少軍, 彭懷午, 杜燕軍, 楊曉峰, 王曉林, 聶維新 申請人:內(nèi)蒙古電力勘測設(shè)計(jì)院