一种短期风速预测方法及装置制造方法及图纸

本发明专利技术提出一种短期风速预测方法及装置，其中方法包括：对采集的风电场风速数据进行预处理；对预处理后的风速数据进行经验模态分解；对分解后的数据进行平稳性检验，通过平稳性检验的数据采用自回归滑动平均方法进行预测，未通过平稳性检验的数据采用训练好的elman神经网络进行预测，进而得到未来风速预测结果。本发明专利技术的方法及装置无需考虑风速与各种影响因素的物理关系，所需数据简单，不仅易于实现，还提高了预测精度。

【技术实现步骤摘要】
一种短期风速预测方法及装置
本专利技术涉及风速预测
，具体涉及一种短期风速预测方法及装置。
技术介绍
随着国家对新能源的日益重视，风能作为一种可再生的清洁能源受到了越来越多的关注，风电发电厂的数量和规模不断扩大，风力发电在电网中的比重越来越大由于风力本身具有相当强的不确定性，对于风力进行预测就显得极其重要，准确的风力预测有助于调度部门调整计划，采取正确的调度决策，降低风力发电系统的运行成本。短期风速预测对于风能预测具有重要意义。风速本身受到地形、海拔、湿度等等多种因素影响，具有相当强的随机性与波动性。诚然我们可以研究风速与这些影响因素的物理关系，由此来预测风速。但是在实际中，不少风电厂往往只有风速这一种数据，这就需要我们利用实际风速来进行预测。现有技术中基于风速进行未来风速预测的方法是将风速视为时间序列，通过各种模型，比如自回归滑动平均模型，卡尔曼滤波法模型、神经网络模型，支持向量机模型等，然而由于风电数据往往呈现出高度的复杂性，具有非线性和非平稳性的特点，上述方法往往不能进行精确的风速预测。
技术实现思路
为了克服上述缺陷，本专利技术的目的在于提供了一种无需考虑风速与各种影响因素的物理关系，且预测精度高的短期风速预测方法及装置。本专利技术的目的是采用下述技术方案实现的：一种短期风速预测方法，其改进之处在于，包括：对采集的风电场风速数据进行预处理；对预处理后的风速数据进行经验模态分解；对分解后的数据进行平稳性检验，通过平稳性检验的数据采用自回归滑动平均方法进行预测，未通过平稳性检验的数据采用训练好的elman神经网络进行预测，进而得到未来风速预测结果。优选的，所述采集的风电场风速数据包括实时测风数据；所述实时测风数据的频率为15min/点，数据长度≥1个月。优选的，所述对采集的风电场风速数据进行预处理，包括：删除风速数据中小于0的风速值，删除风速数据中大于预设值的风速值，删除风速数据中因输入错误产生的值；对齐时间刻度，无数据时通过上下数据取平均值补齐数据，将补齐后的风速数据按小时平均得到小时平均风速。优选的，所述对预处理后的风电场风速数据进行经验模态分解包括：获取风速数据的所有局部极大值点和局部极小值点，并按采集时间顺序进行排序得到风速数据序列；分别对风速数据序列中所有局部极大值点和局部极小值点进行拟合得到上、下包络线，并根据上、下包络线的均值得到均值曲线；首次分解过程中，判断风速数据序列减去均值曲线后的数据序列是否满足IMF约束条件，若满足，则将数据序列作为首次分解的IMF分量；否则重新确定均值曲线，直至满足IMF约束条件为止；非首次分解过程中，判断风速数据序列减去之前所有分解过程得到的IMF分量后的数据序列是否满足IMF约束条件，若满足，则将数据序列作为非首次分解的IMF分量；否则重新确定均值曲线，直至满足IMF约束条件为止；当达到预设分解次数后，得到所有IMF分量和残差值；所述IMF约束条件为检查数据序列是否存在负的局部极大值和正的局部极小值。优选的，所述分解后的数据包括IMF分量和残差值；所述对分解后的数据进行平稳性检验，通过平稳性检验的数据采用自回归滑动平均方法进行预测，未通过平稳性检验的数据采用训练好的elman神经网络进行预测，进而确定未来风速预测结果，包括：对分解后的IMF分量和残差值进行ADF平稳性校验，若满足预设置信区间要求，则IMF分量和残差值通过平稳性校验，否则未通过平稳性校验；采用自回归滑动平均方法分别对通过平稳性校验的IMF分量和残差值进行估计，得到通过平稳性校验的IMF分量和残差值的预测值；将未通过平稳性校验的IMF分量和残差值代入训练好的elman神经网络模型，得到未通过平稳性校验的IMF分量和残差值的预测值；将所有imf分量和残差值的预测值进行加和，得到未来风速预测结果。优选的，所述elman神经网络模型的训练方法包括：计算未通过平稳性校验的imf分量和残差值的自相关系数；根据自相关系数确定elman神经网络模型输入数据与输出数据之间相差的阶数k1、k2……kn，进而通过elman神经网络模型输出数据Xi和阶数k1、k2……kn，确定elman神经网络模型的输入数据Xi–k1、Xi–k2……Xi–kn；利用所述输入数据和输出数据训练elman神经网络模型并不断更新elman神经网络模型的参数，直至网络损失函数收敛或达到预设迭代次数，得到训练好的elman神经网络模型。本专利技术还提供了一种短期风速预测装置，其改进之处在于，包括：预处理单元，用于对采集的风电场实时风速数据进行预处理；分解单元，用于对预处理后的风速数据进行经验模态分解；预测单元，用于对分解后的数据进行平稳性检验，通过平稳性检验的数据采用自回归滑动平均方法进行预测，未通过平稳性检验的数据采用训练好的elman神经网络进行预测，进而得到未来风速预测结果。优选的，所述实时风速数据的频率为15min/点，数据长度≥1个月。优选的，所述预处理单元，具体用于：删除风速数据中小于0的风速值，删除风速数据中大于预设值的风速值，删除风速数据中因输入错误产生的值；对齐时间刻度，无数据时通过上下数据取平均值补齐数据，将补齐后的风速数据按小时平均得到小时平均风速。优选的，所述分解单元，具体用于：获取风速数据的所有局部极大值点和局部极小值点，并按采集时间顺序进行排序得到风速数据序列；分别对风速数据序列中所有局部极大值点和局部极小值点进行拟合得到上、下包络线，并根据上、下包络线的均值得到均值曲线；首次分解过程中，判断风速数据序列减去均值曲线后的数据序列是否满足IMF约束条件，若满足，则将数据序列作为首次分解的IMF分量；否则重新确定均值曲线，直至满足IMF约束条件为止；非首次分解过程中，判断风速数据序列减去之前所有分解过程得到的IMF分量后的数据序列是否满足IMF约束条件，若满足，则将数据序列作为非首次分解的IMF分量；否则重新确定均值曲线，直至满足IMF约束条件为止；当达到预设分解次数后，得到所有IMF分量和残差值；所述IMF约束条件为检查数据序列是否存在负的局部极大值和正的局部极小值。优选的，所述分解后的数据包括IMF分量和残差值；所述预测单元，具体用于：对分解后的IMF分量和残差值进行ADF平稳性校验，若满足预设置信区间要求，则IMF分量和残差值通过平稳性校验，否则未通过平稳性校验；采用自回归滑动平均方法分别对通过平稳性校验的IMF分量和残差值进行估计，得到通过平稳性校验的IMF分量和残差值的预测值；将未通过平稳性校验的IMF分量和残差值代入训练好的elman神经网络模型，得到未通过平稳性校验的IMF分量和残差值的预测值；将所有imf分量和残差值的预测值进行加和，得到未来风速预测本文档来自技高网...

【技术保护点】
1.一种短期风速预测方法，其特征在于，包括：/n对采集的风电场风速数据进行预处理；/n对预处理后的风速数据进行经验模态分解；/n对分解后的数据进行平稳性检验，通过平稳性检验的数据采用自回归滑动平均方法进行预测，未通过平稳性检验的数据采用训练好的elman神经网络进行预测，进而得到未来风速预测结果。/n

【技术特征摘要】
1.一种短期风速预测方法，其特征在于，包括：
对采集的风电场风速数据进行预处理；
对预处理后的风速数据进行经验模态分解；
对分解后的数据进行平稳性检验，通过平稳性检验的数据采用自回归滑动平均方法进行预测，未通过平稳性检验的数据采用训练好的elman神经网络进行预测，进而得到未来风速预测结果。


2.如权利要求1所述的方法，其特征在于，所述采集的风电场风速数据包括实时测风数据；所述实时测风数据的频率为15min/点，数据长度≥1个月。


3.如权利要求1所述的方法，其特征在于，所述对采集的风电场风速数据进行预处理，包括：
删除风速数据中小于0的风速值，删除风速数据中大于预设值的风速值，删除风速数据中因输入错误产生的值；
对齐时间刻度，无数据时通过上下数据取平均值补齐数据，将补齐后的风速数据按小时平均得到小时平均风速。


4.如权利要求1所述的方法，其特征在于，所述对预处理后的风电场风速数据进行经验模态分解包括：
获取风速数据的所有局部极大值点和局部极小值点，并按采集时间顺序进行排序得到风速数据序列；
分别对风速数据序列中所有局部极大值点和局部极小值点进行拟合得到上、下包络线，并根据上、下包络线的均值得到均值曲线；
首次分解过程中，判断风速数据序列减去均值曲线后的数据序列是否满足IMF约束条件，若满足，则将数据序列作为首次分解的IMF分量；否则重新确定均值曲线，直至满足IMF约束条件为止；
非首次分解过程中，判断风速数据序列减去之前所有分解过程得到的IMF分量后的数据序列是否满足IMF约束条件，若满足，则将数据序列作为非首次分解的IMF分量；否则重新确定均值曲线，直至满足IMF约束条件为止；
当达到预设分解次数后，得到所有IMF分量和残差值；
所述IMF约束条件为检查数据序列是否存在负的局部极大值和正的局部极小值。


5.如权利要求1所述的方法，其特征在于，所述分解后的数据包括IMF分量和残差值；
所述对分解后的数据进行平稳性检验，通过平稳性检验的数据采用自回归滑动平均方法进行预测，未通过平稳性检验的数据采用训练好的elman神经网络进行预测，进而确定未来风速预测结果，包括：
对分解后的IMF分量和残差值进行ADF平稳性校验，若满足预设置信区间要求，则IMF分量和残差值通过平稳性校验，否则未通过平稳性校验；
采用自回归滑动平均方法分别对通过平稳性校验的IMF分量和残差值进行估计，得到通过平稳性校验的IMF分量和残差值的预测值；
将未通过平稳性校验的IMF分量和残差值代入训练好的elman神经网络模型，得到未通过平稳性校验的IMF分量和残差值的预测值；
将所有imf分量和残差值的预测值进行加和，得到未来风速预测结果。


6.如权利要求5所述的方法，其特征在于，所述elman神经网络模型的训练方法包括：
计算未通过平稳性校验的imf分量和残差值的自相关系数；
根据自相关系数确定elman神经网络模型输入数据与输出数据之间相差的阶数k1、k2……kn，进而通过elman...

【专利技术属性】
技术研发人员：周泽人，陈敏，梁志峰，耿天翔，
申请(专利权)人：中国科学院数学与系统科学研究院，国家电网有限公司，国网宁夏电力有限公司电力科学研究院，
类型：发明
国别省市：北京;11