本發(fā)明涉及風電場風速預測技術(shù)領(lǐng)域，更具體地說，涉及一種基于組合預測理論的風電場短期風速預測方法。

背景技術(shù)：

風能是一種可再生的清潔能源，在當前全球能源危機和環(huán)境危機的情況下，風力發(fā)電受到普遍重視和推廣。

主要利用風力實現(xiàn)發(fā)電及全部使用風力發(fā)電的電網(wǎng)系統(tǒng)，會受到風能隨機性、間歇性等特性的影響，電網(wǎng)運行時必須留有足夠的備用機組和調(diào)峰容量，以保證風電出現(xiàn)大幅度波動時系統(tǒng)電壓和頻率等保持穩(wěn)定。因而能夠準確預測風電場風速的方法顯得尤為重要。

然而現(xiàn)有針對風電場風速的預測方法為采用固定的一種或幾種預測方法的組合，嵌入處理器中由計算機完成預測，因而存在預測模型固定，在將面臨復雜多變的風電場風速變化情況，存在預測準確性差的技術(shù)問題。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明提供一種風電場短期風速預測方法和系統(tǒng)，以實現(xiàn)應對復雜多變的風電場短期風速變化情況，提高預測準確性。

一種風電場短期風速預測方法，包括：

識別并按照第一預設變換分解當前含噪風速混沌時間序列，得到多個固有模態(tài)函數(shù)分量；

構(gòu)建針對各固有模態(tài)函數(shù)分量的預設參數(shù)，調(diào)用預設算法對所述預設參數(shù)進行估計，得到參數(shù)集；

基于所述參數(shù)集更新所述各固有模態(tài)函數(shù)分量，并選取與各最新固有模態(tài)函數(shù)分量匹配的方案集和屬性集；

按照所述方案集和屬性集的預測方法，分別對所述各最新固有模態(tài)函數(shù)分量進行預測，并依預設準則計算各最新固有模態(tài)函數(shù)分量相應的最優(yōu)多屬性決策預測值；

組合各最新固有模態(tài)函數(shù)分量相應的最優(yōu)多屬性決策預測值，并按照所述第一預設變換的反變換計算當前風速預測值。

優(yōu)選地，識別并按照第一預設變換分解當前含噪風速混沌時間序列，包括：

利用經(jīng)驗模態(tài)分解EMD對所述含噪風速混沌時間序列進行分解，得到IMF₁，IMF₂，...，IMF_q，r_n，其中：

IMFq為含噪風速混沌時間序列的固有模態(tài)函數(shù)分量，r_n，為含噪風速混沌時間序列的殘余項。

優(yōu)選地，構(gòu)建針對各固有模態(tài)函數(shù)分量的預設參數(shù)包括：

抓取與所述各固有模態(tài)函數(shù)分量對應的第一參數(shù)和第二參數(shù)，所述第一參數(shù)為嵌入維數(shù)m，所述第二參數(shù)為時間延遲τ；

構(gòu)建所述第一參數(shù)與第二參數(shù)在高維相空間中信息熵優(yōu)化模型；

調(diào)用預設算法對所述預設參數(shù)進行估計包括：利用基于量子并行特性的粒子群優(yōu)化算法對所述第一參數(shù)與第二參數(shù)進行估計。

優(yōu)選地，按照所述方案集和屬性集的預測方法，分別對所述各最新固有模

態(tài)函數(shù)分量進行預測，包括：

按照所述方案集和屬性集的預測方法，分別對所述各最新固有模態(tài)函數(shù)分量計算單項方案的預測誤差相關(guān)性；

依預設準則計算各最新固有模態(tài)函數(shù)分量相應的最優(yōu)多屬性決策預測值包括：

依離差最大化準則計算各最新固有模態(tài)函數(shù)分量相應的最優(yōu)多屬性決策預測值。

優(yōu)選地，利用經(jīng)驗模態(tài)分解EMD對所述含噪風速混沌時間序列進行分解時，還包括：

利用克里格估計法延拓所述當前含噪風速混沌時間序列的邊界；

以所述EMD對延拓后的數(shù)據(jù)序列進行分解，得到延拓分解數(shù)據(jù)；

截掉所述延拓分解數(shù)據(jù)。

本發(fā)明還披露了：

一種風電場短期風速預測系統(tǒng)，包括：

分解單元：用于識別并按照第一預設變換分解當前含噪風速混沌時間序列，得到多個固有模態(tài)函數(shù)分量；

預測單元，包括：

第一子單元，用于構(gòu)建針對各固有模態(tài)函數(shù)分量的預設參數(shù)，調(diào)用預設算法對所述預設參數(shù)進行估計，得到參數(shù)集；

第二子單元，用于基于所述參數(shù)集更新所述各固有模態(tài)函數(shù)分量，并選取與各最新固有模態(tài)函數(shù)分量匹配的方案集和屬性集；

第三子單元，用于按照所述方案集和屬性集的預測方法，分別對所述各最新固有模態(tài)函數(shù)分量進行預測，并依預設計算各最新固有模態(tài)函數(shù)分量相應的最優(yōu)多屬性決策預測值；

組合單元，用于組合各最新固有模態(tài)函數(shù)分量相應的最優(yōu)多屬性決策預測值，并按照所述第一預設變換的反變換計算當前風速預測值。

優(yōu)選地，所述分解單元具體實現(xiàn)：利用經(jīng)驗模態(tài)分解EMD對所述含噪風速混沌時間序列進行分解，得到IMF₁，IMF₂，...，IMF_q，r_n，其中：

IMFq為含噪風速混沌時間序列的固有模態(tài)函數(shù)分量，r_n，為含噪風速混沌時間序列的殘余項。

優(yōu)選地，所述第一子單元具體實現(xiàn)：

抓取與所述各固有模態(tài)函數(shù)分量對應的第一參數(shù)和第二參數(shù)，所述第一參數(shù)為嵌入維數(shù)m，所述第二參數(shù)為時間延遲τ；

構(gòu)建所述第一參數(shù)與第二參數(shù)在高維相空間中信息熵優(yōu)化模型；

利用基于量子并行特性的粒子群優(yōu)化算法對所述第一參數(shù)與第二參數(shù)進行估計。

優(yōu)選地，所述第三子單元具體實現(xiàn)為：

按照所述方案集和屬性集的預測方法，分別對所述各最新固有模態(tài)函數(shù)分量計算單項方案的預測誤差相關(guān)性；

依離差最大化準則計算各最新固有模態(tài)函數(shù)分量相應的最優(yōu)多屬性決策預測值。

優(yōu)選地，該系統(tǒng)還包括：邊界處理單元，用于在利用經(jīng)驗模態(tài)分解EMD對所述含噪風速混沌時間序列進行分解時，

利用克里格估計法延拓所述當前含噪風速混沌時間序列的邊界；

以所述EMD對延拓后的數(shù)據(jù)序列進行分解，得到延拓分解數(shù)據(jù)；

截掉所述延拓分解數(shù)據(jù)。

從上述的技術(shù)方案可以看出，本發(fā)明實施例一種風電場短期風速預測方法和系統(tǒng)，克服傳統(tǒng)預測策略由于在多變的短期風速場景下，均使用固定預測方法而存在的準確性低下的局限，通過對當前風速的混沌時間序列進行分解、分量參數(shù)補償跟新，方案集與屬性集針對每個分量的預測，并在計算最優(yōu)多屬性決策預測值后，對各分量進行重新組合和反向變換，達到直接預測模型對預測結(jié)果進行誤差修正補償，結(jié)合多種智能預測模型，為提高短期風速的預測精度提供可靠方法，實現(xiàn)了應對復雜多變的風電場短期風速變化情況，提高預測準確性的技術(shù)目的。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例公開的一種風電場短期風速預測方法流程圖；

圖2為本發(fā)明實施例公開的一種風電場短期風速預測方法中構(gòu)建針對各固有模態(tài)函數(shù)分量的預設參數(shù)方法流程圖；

圖3為本發(fā)明實施例公開的一種邊界處理方法流程圖；

圖4為本發(fā)明實施例公開的一種風電場短期風速預測方法系統(tǒng)結(jié)構(gòu)示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

本發(fā)明實施例公開了一種風電場短期風速預測方法和系統(tǒng)，以實現(xiàn)應對復雜多變的風電場短期風速變化情況，提高預測準確性。

圖1示出了一種風電場短期風速預測方法，包括：

S11：識別并按照第一預設變換分解當前含噪風速混沌時間序列，得到多個固有模態(tài)函數(shù)分量；

在該步驟中，具體利用經(jīng)驗模態(tài)分解EMD對所述含噪風速混沌時間序列進行分解，得到IMF₁，IMF₂，...，IMF_q，r_n，其中：

IMFq為含噪風速混沌時間序列的固有模態(tài)函數(shù)分量，r_n，為含噪風速混沌時間序列的殘余項。

S12：構(gòu)建針對各固有模態(tài)函數(shù)分量的預設參數(shù)，調(diào)用預設算法對所述預設參數(shù)進行估計，得到參數(shù)集；

參見圖2，該步驟可優(yōu)選具體實現(xiàn)為：

S21：抓取與所述各固有模態(tài)函數(shù)分量對應的第一參數(shù)和第二參數(shù)，所述第一參數(shù)為嵌入維數(shù)m，所述第二參數(shù)為時間延遲τ；

S22：構(gòu)建所述第一參數(shù)與第二參數(shù)在高維相空間中信息熵優(yōu)化模型；

S23：利用基于量子并行特性的粒子群優(yōu)化算法對所述第一參數(shù)與第二參數(shù)進行估計。

所述第一參數(shù)與所述第二參數(shù)通過量子并行特性選取，通過對量子編碼、分割、適應性計算提高對多維度空間內(nèi)粒子群的收斂性，對量子狀態(tài)進行更新以達到目標值為最優(yōu)結(jié)果，以對固有模態(tài)函數(shù)分量進行補償性更新。

S13：基于所述參數(shù)集更新所述各固有模態(tài)函數(shù)分量，并選取與各最新固有模態(tài)函數(shù)分量匹配的方案集和屬性集；

更新后的固有模態(tài)函數(shù)分量具有更為優(yōu)化的計算特性，選取與當前分量匹配的方案集和屬性集，其中，方案集包括BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡、自組織特征映射網(wǎng)絡、ELMAN神經(jīng)網(wǎng)絡、Hopfield網(wǎng)絡、支持向量機(SVM)以及量子神經(jīng)網(wǎng)絡等。

屬性集包括平均絕對誤差、均方誤差、平均絕對百分比誤差和最大絕對誤差等。

S14：按照所述方案集和屬性集的預測方法，分別對所述各最新固有模態(tài)函數(shù)分量進行預測，并依離預設計算各最新固有模態(tài)函數(shù)分量相應的最優(yōu)多屬性決策預測值；

按照所述方案集和屬性集的預測方法，分別對所述各最新固有模態(tài)函數(shù)分量計算單項方案的預測誤差相關(guān)性。

在不同的風力發(fā)電場址以及不同的時間段條件下，風速所具有的特性差異較大，為了提高含噪風速混沌時間序列預測的可靠性和精度，因而對每個分量計算多種單項預測模型的預測誤差相關(guān)性，確定用于組合預測的智能單項預測模型。

所述依預設準則計算各最新固有模態(tài)函數(shù)分量相應的最優(yōu)多屬性決策預測值具體實現(xiàn)為：

依離差最大化準則計算各最新固有模態(tài)函數(shù)分量相應的最優(yōu)多屬性決策預測值。需要說明的是，所述離差最大化準則作為優(yōu)選在該實施例中調(diào)用，并不局限于該種實現(xiàn)方式。

S15：組合各最新固有模態(tài)函數(shù)分量相應的最優(yōu)多屬性決策預測值，并按照所述第一預設變換的反變換計算當前風速預測值。

將分量預測值進行EMD反變換，得到最終風速預測值，在對組合預測結(jié)果的有效性進行驗證的基礎(chǔ)上，最終建立以組合預測實現(xiàn)方式的短期風速預測系統(tǒng)。

參見圖3，利用經(jīng)驗模態(tài)分解EMD對所述含噪風速混沌時間序列進行分解包括：

S31：利用克里格估計法延拓所述當前含噪風速混沌時間序列的邊界；

S32：以所述EMD對延拓后的數(shù)據(jù)序列進行分解，得到延拓分解數(shù)據(jù)；

S33：截掉所述延拓分解數(shù)據(jù)。

由于經(jīng)驗模態(tài)分解EMD存在端點效應問題，利用其對含噪風速混沌時間序列分解，會導致經(jīng)過分解的信號端點部分無法正確反映信號所包含的信息。為了保證分解結(jié)果的有效性，提出利用克里格估計方法對含噪混沌時間序列進行延拓和預測，以解決經(jīng)驗模態(tài)分解中的端點效應問題。

圖4示出了一種風電場短期風速預測系統(tǒng)，包括：

分解單元41：用于識別并按照第一預設變換分解當前含噪風速混沌時間序列，得到多個固有模態(tài)函數(shù)分量；

優(yōu)選地，所述分解單元41具體實現(xiàn)：利用經(jīng)驗模態(tài)分解EMD對所述含噪風速混沌時間序列進行分解，得到IMF₁，IMF₂，...，IMF_q，r_n，其中：

IMFq為含噪風速混沌時間序列的固有模態(tài)函數(shù)分量，r_n，為含噪風速混沌時間序列的殘余項。

預測單元，包括：

第一子單元42，用于構(gòu)建針對各固有模態(tài)函數(shù)分量的預設參數(shù)，調(diào)用預設算法對所述預設參數(shù)進行估計，得到參數(shù)集；

優(yōu)選地，該第一子單元42具體實現(xiàn)：

抓取與所述各固有模態(tài)函數(shù)分量對應的第一參數(shù)和第二參數(shù)，所述第一參數(shù)為嵌入維數(shù)m，所述第二參數(shù)為時間延遲τ；

構(gòu)建所述第一參數(shù)與第二參數(shù)在高維相空間中信息熵優(yōu)化模型；

利用基于量子并行特性的粒子群優(yōu)化算法對所述第一參數(shù)與第二參數(shù)進行估計。

第二子單元43，用于基于所述參數(shù)集更新所述各固有模態(tài)函數(shù)分量，并選取與各最新固有模態(tài)函數(shù)分量匹配的方案集和屬性集；

第三子單元44，用于按照所述方案集和屬性集的預測方法，分別對所述各最新固有模態(tài)函數(shù)分量進行預測，并依預設準則計算各最新固有模態(tài)函數(shù)分量相應的最優(yōu)多屬性決策預測值；

優(yōu)選地，所述第三子單元43具體實現(xiàn)為：

按照所述方案集和屬性集的預測方法，分別對所述各最新固有模態(tài)函數(shù)分量計算單項方案的預測誤差相關(guān)性；

依離差最大化準則計算各最新固有模態(tài)函數(shù)分量相應的最優(yōu)多屬性決策預測值。

組合單元45，用于組合各最新固有模態(tài)函數(shù)分量相應的最優(yōu)多屬性決策預測值，并按照所述第一預設變換的反變換計算當前風速預測值。

優(yōu)選地，該系統(tǒng)還包括：邊界處理單元46，用于在利用經(jīng)驗模態(tài)分解EMD對所述含噪風速混沌時間序列進行分解時，

利用克里格估計法延拓所述當前含噪風速混沌時間序列的邊界；

以所述EMD對延拓后的數(shù)據(jù)序列進行分解，得到延拓分解數(shù)據(jù)；

截掉所述延拓分解數(shù)據(jù)。

對于系統(tǒng)實施例而言，由于其基本相應于方法實施例，所以描述得比較簡單，相關(guān)之處參見方法實施例的部分說明即可。以上所描述的裝置實施例僅僅是示意性的，其中所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡單元上?？梢愿鶕?jù)實際的需要選擇其中的部分或者全部模塊來實現(xiàn)本實施例方案的目的。本領(lǐng)域普通技術(shù)人員在不付出創(chuàng)造性勞動的情況下，即可以理解并實施。

需要說明的是，在本說明書中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者 暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個......”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。

綜上所述：

本發(fā)明實施例一種風電場短期風速預測方法和系統(tǒng)，克服傳統(tǒng)預測策略由于在多變的短期風速場景下，均使用固定預測方法而存在的準確性低下的局限，通過對當前風速的混沌時間序列進行分解、分量參數(shù)補償跟新，方案集與屬性集針對每個分量的預測，并在計算最優(yōu)多屬性決策預測值后，對各分量進行重新組合和反向變換，達到直接預測模型對預測結(jié)果進行誤差修正補償，結(jié)合多種智能預測模型，為提高短期風速的預測精度提供可靠方法，實現(xiàn)了應對復雜多變的風電場短期風速變化情況，提高預測準確性的技術(shù)目的。

本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。對于實施例公開的系統(tǒng)而言，由于其與實施例公開的方法相對應，所以描述的比較簡單，相關(guān)之處參見方法部分說明即可。

本領(lǐng)域技術(shù)人員可以理解，可以使用許多不同的工藝和技術(shù)中的任意一種來表示信息、消息和信號。例如，上述說明中提到過的消息、信息都可以表示為電壓、電流、電磁波、磁場或磁性粒子、光場或以上任意組合。

專業(yè)人員還可以進一步意識到，結(jié)合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、計算機軟件或者二者的結(jié)合來實現(xiàn)，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應用和設計約束條件。專業(yè)技術(shù)人員可以對每個特定的應用來使用不同方法來實現(xiàn)所描述的功能，但是這種實現(xiàn)不應認為超出本發(fā)明的范圍。

結(jié)合本文中所公開的實施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結(jié)合來實施。軟件模塊可以置于隨機存儲器(RAM)、內(nèi)存、只讀存儲器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬盤、可移動磁盤、CD-ROM、或技術(shù)領(lǐng)域內(nèi)所公知的任意其它形式的存儲介質(zhì)中。

對所公開的實施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對這些實施例的多種修改對本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明實施例的精神或范圍的情況下，在其它實施例中實現(xiàn)。因此，本發(fā)明實施例將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。