一种并网型风电场短期风速组合预测方法技术

本发明专利技术属于环境技术领域公开了一种并网型风电场短期风速组合预测方法，主要基于小波分解和遗传算法优化最小二乘支持向量机的风电场短期风速组合预测方法；在建立了风速预测的预测模型后，利用风电场实测数据进行了一天内的短期风速预测，并与单一预测模型进行比较，在此基础之上，建立了遗传算法优化RBF神经网络模型，拟合得出负荷该风电场特性的实际风速‑功率曲线模型。本发明专利技术通过利用WD将原始风速序列分解为一系列具有不同尺度的数据序列，根据各序列的自身特点构建不同的GA_LS_SVM模型进行预测，最后各分量预测值通过重构转化为风电场短期风速的最终预测结。

【技术实现步骤摘要】

本专利技术涉及一种风速组合预测方法，具体为一种并网型风电场短期风速组合预测方法，属于新能源

技术介绍
近年来，随着气候变暖、环境污染及能源短缺问题的日益凸显，加快发展可再生能源已成为应对重重危机的必然选择。目前，风能是可再生能源中除水能以外最具有开发潜力和竞争优势的能源。风能以其清洁环保、技术成熟、开发成本低等优势成为最具有开发潜力的可再生能源之一。但有一些问题的存在，使得风电并网对电网的调度和运行产生很多不利的影响，例如：1)、风速具有间歇性、随机性等特点，短时间内有可能出现很大的幅值变化。风速序列频率较高很难分析出其所包含的隐藏信息，单纯的风速预测误差大，效果不理想。2)、风电场所得的风速数据是有限的，且具有很强的不稳定性。在函数估计和逼近中应用非常广泛的最小支持向量机方法，但其存在参数确定具有人为依赖性缺陷。3)、风电机组标准功率特性输出并不是一成不变的，机组受动态过程的影响,实际的功率曲线与标准功率曲线不会完全相同。为提高功率的预测精度，有必要建立符合该风电场特性的功率特性曲线。目前我国通过了《可再生能源法》，风能在以后的发展部署中占有很大的地位，目前风电的自主创新需要一个新的战略高度作为目标。而且，我国地域间的经济差异显著，西部、中北部地广人稀且发展相对落后，而风资源相对丰富。非集中型的风电场的发展，对于当地工业的提升、能源构成的优化、电网承受力的减轻，以及国家今后战略部署都具有深远的经济意义和政治意义。风速预报系统是风电场并网运行的关键也是提高电网经济性和风机可利用率的重要技术手段。目前，常用的短期风速预测方法有：随机时间序列法、人工神经网络法、支持向量机法和组合预测法等。随机时间序列法所需历史数据多、预测精度低、模型参数难估计；人工神经网络法难以科学确定网络结构、收敛速度慢、易陷入局部最小；支持向量机法在个别时刻预测效果不佳。因此准确的风电功率预测技术是实现风力发电并网运行稳定性和安全性的必要条件。
技术实现思路
本专利技术要解决短期风速预测技术问题，提供一种并网型风电场短期风速组合预测方法，可以有效测出短期风速变化。本专利技术提供如下技术：一种并网型风电场短期风速组合预测方法，主要基于小波分解和遗传算法优化最小二乘支持向量机的风电场短期风速组合预测方法；在建立了风速预测的预测模型后，利用风电场实测数据进行了一天内的短期风速预测，并与单一预测模型进行比较，在此基础之上，建立了遗传算法优化RBF神经网络模型，拟合得出负荷该风电场特性的实际风速-功率曲线模型；进一步的，所述具体步骤如下：1)、首先选取具有某些特性的小波函数对所取得原始风速序列进行一定层数的小波分解，然后分别重新构成与原数据个数相同的单支序列；将原始风速分解为若干个具有不同时间尺度的风速序列，在不同频率下分析风速所隐藏的特性；2)、对各频率风速序列分别建立LS-SVM模型；对所建立的LS-SVM模型进行基于GA算法的参数寻优；以数据回归拟合后的误差平方和作为目标函数进行寻优，通过反复训练得出最优的正则化参数和核函数参数，预测的得出各部分风速序列；3)、最后将各序列预测结果重构合成得到提前一天的该风电场短期风速预测结果；4)、结合该风电场实际特性，在考虑标准风电功率特性曲线的基础之上，以前六天的实测风速、功率数据作为训练样本，建立经遗传算法优化的RBF神经网络模型，以适应度函数作为基准得出最优模型参数，建立完善的功率曲线。以预测所得的风速序列作为测试样本得出提前24小时的功率预测结果。进一步的，所述小波变换也是对一个函数的变换，但它通过对函数与一个所谓的小波函数作用后，具有平移、伸缩的特点。进一步的，所述遗传算法优化分为四个阶段：1)、原始风速序列的小波分解与重构；2)、对小波分解后的各部分序列分别建立经过遗传算法优化的LS_SVM预测模型；3)、判断预测结果是否满足要求，如不满足则重新设置GA参数，返回步骤2)重新训练，使初始确定的一组支持向量机参数不断进化，直到训练目标满足条件为止；4)、子序列的预测结果重构生成风速序列的提前一天的最终预测结果。本专利技术的有益效果是：本专利技术通过利用WD将原始风速序列分解为一系列具有不同尺度的数据序列，根据各序列的自身特点构建不同的GA_LS_SVM模型进行预测，最后各分量预测值通过重构转化为风电场短期风速的最终预测结果。附图说明下面结合附图对本专利技术进行详细的描述，以使得本专利技术的上述优点更加明确。图1为本专利技术实施例中所述一种并网型风电场短期风速组合预测方法WD_GA_LS_SVM短期风速组合预测模型；图2为本专利技术实施例中所述一种并网型风电场短期风速组合预测方法原始风速序列曲线；图3为本专利技术实施例中所述一种并网型风电场短期风速组合预测方法预测输出曲线；图4为本专利技术实施例中所述一种并网型风电场短期风速组合预测方法预测误差曲线；图5为本专利技术实施例中所述一种并网型风电场短期风速组合预测方法预测误差分析表。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1，本专利技术提供一种技术方案：一种并网型风电场短期风速组合预测方法，主要基于小波分解和遗传算法优化最小二乘支持向量机的风电场短期风速组合预测方法；在建立了风速预测的预测模型后，利用风电场实测数据进行了一天内的短期风速预测，并与单一预测模型进行比较，在此基础之上，建立了遗传算法优化RBF神经网络模型，拟合得出负荷该风电场特性的实际风速-功率曲线模型；所述具体步骤如下：1)、首先选取具有某些特性的小波函数对所取得原始风速序列进行一定层数的小波分解，然后分别重新构成与原数据个数相同的单支序列；将原始风速分解为若干个具有不同时间尺度的风速序列，在不同频率下分析风速所隐藏的特性；2)、对各频率风速序列分别建立LS-SVM模型；对所建立的LS-SVM模型进行基于GA算法的参数寻优；以数据回归拟合后的误差平方和作为目标函数进行寻优，通过反复训练得出最优的正则化参数和核函数参数，预测的得出各部分风速序列；3)、最后将各序列预测结果重构合成得到提前一天的该风电场短期风速预测结果；4)、结合该风电场实际特性，在考虑标准风电功率特性曲线的基础之上，以前六天的实测风速、功率数据作为训练样本，建立经遗传算法优化的RBF神经网络模型，以适应度函数作为基准得出最优模型参数，建立完善的功率曲线。以预测所得的风速序列作为测试样本得出提前24小时的功率预测结果。所述小波变换也是对一个函数的变换，但它通过对函数与一个所谓的小波函数作用后，具有平移、伸缩的特点。所述遗传算法优化分为四个阶段：1)、原始风速序列的小波分解与重构；2)、对小波分解后的各部分序列分别建立经过遗传算法优化的LS_SVM预测模型；3)、判断预测结果是否满足要求，如不满足则重新设置GA参数，返回步骤2)重新训练，使初始确定的一组支持向量机参数不断进化，直到训练目标满足条件为止；4)、子序列的预测结果重构生成风速序列的提前一天的最终预测结果。具本文档来自技高网...

【技术保护点】
一种并网型风电场短期风速组合预测方法，其特征在于：主要基于小波分解和遗传算法优化最小二乘支持向量机的风电场短期风速组合预测方法；在建立了风速预测的预测模型后，利用风电场实测数据进行了一天内的短期风速预测，并与单一预测模型进行比较，在此基础之上，建立了遗传算法优化RBF神经网络模型，拟合得出负荷该风电场特性的实际风速‑功率曲线模型。

【技术特征摘要】
1.一种并网型风电场短期风速组合预测方法，其特征在于：主要基于小波分解和遗传算法优化最小二乘支持向量机的风电场短期风速组合预测方法；在建立了风速预测的预测模型后，利用风电场实测数据进行了一天内的短期风速预测，并与单一预测模型进行比较，在此基础之上，建立了遗传算法优化RBF神经网络模型，拟合得出负荷该风电场特性的实际风速-功率曲线模型。2.根据权利要求1所述的一种并网型风电场短期风速组合预测方法，其特征在于：所述具体步骤如下：1)、首先选取具有某些特性的小波函数对所取得原始风速序列进行一定层数的小波分解，然后分别重新构成与原数据个数相同的单支序列；将原始风速分解为若干个具有不同时间尺度的风速序列，在不同频率下分析风速所隐藏的特性；2)、对各频率风速序列分别建立LS-SVM模型；对所建立的LS-SVM模型进行基于GA算法的参数寻优；以数据回归拟合后的误差平方和作为目标函数进行寻优，通过反复训练得出最优的正则化参数和核函数参数，预测的得出各部分风速序列；3)、最后将各序列预测结果重构合成得到提前一天的该...

【专利技术属性】
技术研发人员：赵征，张龙新，李士哲，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：河北;13