一种时态分析的超短期风速预测方法技术

本发明专利技术涉及风速预测的技术领域，揭露了一种时态分析的超短期风速预测方法，所述方法包括：对原始风速序列数据进行相似性类别聚类；对不同类别中的风速序列数据进行多尺度谱密度分解，得到若干风速序列数据分解分量和残余分量；将相似性较高的风速序列数据分解分量进行重构合并；使用超短期风速预测识别模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测；将超短期风速预测识别模型输出的各分量的预测结果进行叠加，得到超短期风速预测结果。本发明专利技术将不同类别的风速序列数据进行分解，得到风速序列在不同尺度的规律信息，利用超短期风速预测识别模型对不同分解分量进行预测，从而实现不同尺度的风速序列预测。测。测。

【技术实现步骤摘要】
一种时态分析的超短期风速预测方法


[0001]本专利技术涉及风速预测的
，尤其涉及一种时态分析的超短期风速预测方法。

技术介绍

[0002]近年来，我国风电装机容量迅速增长，并网规模不断扩大。但由于风能的间歇性和波动性等特点导致并网回馈的电能会对电网的安全运行产生负面影响，造成该影响的重要原因在于无法对风能进行快速精准预测导致无法及时反馈控制，若不能减少风力发电波动带来的负面影响，会对风力发电产生较大影响。针对该问题，本专利技术提出一种时态分析的超短期风速预测方法，缓解电力系统调峰、调频的压力，增强电网安全运行稳定性。

技术实现思路

[0003]有鉴于此，本专利技术提供一种时态分析的超短期风速预测方法，目的在于：利用相似性类别方法对原始风速序列数据进行聚类处理，将相似风速数据合并为一类，并构建风速序列数据分解分量相似性度量模型，将所选取类别中相似性较高的风速序列数据分解分量进行重构合并，减少数据维度，提高后续的风速预测效率；利用多尺度谱密度分解方法将不同类别的风速序列数据进行分解，得到风速序列在不同尺度的规律信息，其中不同的尺度分别代表长期趋势信息、周期信息以及噪声信息，分解得到的风速序列数据分解分量蕴含了更多的风速信息，利用超短期风速预测识别模型对不同分解分量进行预测，从而实现不同尺度的风速序列预测，提高预测结果的准确性，并将不同尺度的预测结果进行叠加，得到最终的超短期风速预测结果。
[0004]实现上述目的，本专利技术提供的一种时态分析的超短期风速预测方法，包括以下步骤：S1：采集原始风速序列数据，并对原始风速序列数据进行相似性类别聚类，得到不同类别的风速序列数据；S2：分别对不同类别中的风速序列数据进行多尺度谱密度分解，得到若干风速序列数据分解分量和残余分量；S3：选取最优类别的风速序列数据分解分量和残余分量，构建风速序列数据分解分量相似性度量模型，将所选取类别中相似性较高的风速序列数据分解分量进行重构合并，得到重构合并后的风速序列数据分解分量；S4：构建超短期风速预测识别模型，使用该模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测；S5：将超短期风速预测识别模型输出的各分量的预测结果进行叠加，得到超短期风速预测结果。
[0005]作为本专利技术的进一步改进方法：可选地，所述S1步骤中采集原始风速序列数据，包括：
利用风速传感器采集原始风速序列数据，所述原始风速序列数据的格式为：其中：表示采集到时刻的风速数据。
[0006]在本专利技术实施例中，所选取风速传感器为三杯风速传感器。
[0007]可选地，所述S1步骤中对原始风速序列数据进行相似性类别聚类，包括：对原始风速序列数据进行相似性类别聚类，得到不同类别的风速序列数据，所述相似性类别聚类流程为：S11：从原始风速序列数据中随机选取k个时刻的风速数据作为初始类别的中心点，计算原始风速序列数据中所有非中心点到中心点的欧式距离，其中所述非中心点表示原始风速序列数据中未被选取的n
‑
k个时刻的风速数据；S12：将每个中心点构建为聚类簇，将非中心添加到与自身距离最近的聚类簇中；S13：计算每个聚类簇中非中心点到其他点的距离和；S14：随机选取每个聚类簇中非中心点作为该簇的候选中心点，计算每个聚类簇中非候选中心点到其他点的距离和；S15：若，则将聚类簇中的候选中心点作为该聚类簇的中心点，将原中心点作为非中心点，返回步骤S13，否则将候选中心点作为非中心点，返回步骤S13；重复上述步骤，直到每个聚类簇的中心点均不发生变化，得到K个类别的风速序列数据集合，表示第k个类别的风速序列数据，其中每个类别的风速序列数据包含若干个时刻的风速数据，按照时序顺序对风速进行排序，得到该类别的风速序列数据。
[0008]可选地，所述S2步骤中分别对不同类别中的风速序列数据进行多尺度谱密度分解，包括：对K个类别的风速序列数据集合中任意第k个类别的风速序列数据进行多尺度谱密度分解，所述多尺度谱密度分解的流程为：S21：将风速序列数据转换为轨迹矩阵：其中：表示风速序列数据中的第个风速数据，表示风速序列数据中风速数据的总数；
表示轨迹矩阵的轨迹窗口大小，；S22：计算矩阵，其中T表示转置；S23：计算矩阵的协方差矩阵：S24：计算得到协方差矩阵的第u个特征值：其中：I表示单位矩阵；选取所计算得到的协方差矩阵最大的N个特征值，其中，特征值所对应的特征向量为：S25：将所选取的N个特征值中最大的r个特征值分别构建为r个尺度的风速序列数据分解分量，其中特征值所对应尺度的风速序列数据分解分量为：所述构建得到的r个尺度的风速序列数据分解分量集合为：；S26：将其余特征值以及特征向量构建为风速序列数据的残余分量：其中：表示风速序列数据的残余分量；所述风速序列数据的多尺度谱密度分解结果为：所述K个类别的风速序列数据的多尺度谱密度分解结果为。
[0009]可选地，所述S3步骤中选取最优类别的风速序列数据分解分量和残余分量，包括：计算不同类别风速序列数据的价值，其中风速序列数据的价值为：
其中：表示第k个类别的风速序列数据的价值；表示风速序列数据中风速数据的总数；将价值最大的类别作为最优类别，所述最优类别所对应的风速序列数据为，多尺度谱密度分解结果为，其中表示风速序列数据在第j个特征值尺度上的风速序列数据分解分量，表示风速序列数据的残余分量。
[0010]可选地，所述S3步骤中构建风速序列数据分解分量相似性度量模型，将最优类别中相似性较高的风速序列数据分解分量进行重构合并，包括：构建风速序列数据分解分量相似性度量模型，其中所述风速序列数据分解分量相似性度量模型的输入为同一类别风速序列数据中不同尺度的两个风速序列数据分解分量，输出为输入风速序列数据分解分量的相似性，将相似性较高的风速序列数据分解分量进行重构合并，其中重构合并方法为叠加风速序列数据分解分量；将中任意两个风速序列数据分解分量输入到风速序列数据分解分量相似性度量模型中，其中，所述相似性度量流程为：S31：计算风速序列数据分解分量的长度L，所述任意风速序列数据分解分量的长度均为L；S32：计算风速序列数据分解分量之间的分量距离：其中：表示风速序列数据分解分量中的第z个值，表示风速序列数据分解分量中的第z个值；S33：对于任意，，计算的风速序列数据分解分量数量为，其中表示容许偏差，并令；S34：计算风速序列数据分解分量之间的相似度：若，则令，得到合并后的风速序列数
据分解分量，其中表示相似阈值。
[0011]可选地，所述S4步骤中使用超短期风速预测识别模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测，包括：构建超短期风速预测识别模型，利用超短期风速预测识别模型对重构合并后的风速序列数据分解分量以及残余分量分别进行风速预测；所述超短期风速预测识别模型包括输入层、记忆层以及输出层，记忆层由8个记忆块串联构成，每个记忆块包括输入门、输出门以及遗忘门，其中输出层用于接收特征分量，所述特征分量包括风速序列数据分解分量以及残余分量，将接收的特征分量输入到记忆层中，并在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种时态分析的超短期风速预测方法，其特征在于，所述方法包括：S1：采集原始风速序列数据，并对原始风速序列数据进行相似性类别聚类，得到不同类别的风速序列数据；S2：分别对不同类别中的风速序列数据进行多尺度谱密度分解，得到若干风速序列数据分解分量和残余分量，包括：对K个类别的风速序列数据集合中任意第k个类别的风速序列数据进行多尺度谱密度分解，所述多尺度谱密度分解的流程为：S21：将风速序列数据转换为轨迹矩阵：其中：表示风速序列数据中的第个风速数据，表示风速序列数据中风速数据的总数；表示轨迹矩阵的轨迹窗口大小，；S22：计算矩阵，其中T表示转置；S23：计算矩阵的协方差矩阵：S24：计算得到协方差矩阵的第u个特征值：其中：I表示单位矩阵；选取所计算得到的协方差矩阵最大的N个特征值，其中，特征值所对应的特征向量为：S25：将所选取的N个特征值中最大的r个特征值分别构建为r个尺度的风速序列数据分解分量，其中特征值所对应尺度的风速序列数据分解分量为：
所述构建得到的r个尺度的风速序列数据分解分量集合为：；S26：将其余特征值以及特征向量构建为风速序列数据的残余分量：其中：表示风速序列数据的残余分量；所述风速序列数据的多尺度谱密度分解结果为：所述K个类别的风速序列数据的多尺度谱密度分解结果为；S3：选取最优类别的风速序列数据分解分量和残余分量，构建风速序列数据分解分量相似性度量模型，将所选取类别中相似性较高的风速序列数据分解分量进行重构合并，得到重构合并后的风速序列数据分解分量；S4：构建超短期风速预测识别模型，使用该模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测；S5：将超短期风速预测识别模型输出的各分量的预测结果进行叠加，得到超短期风速预测结果。2.如权利要求1所述的一种时态分析的超短期风速预测方法，其特征在于，所述S1步骤中采集原始风速序列数据，包括：利用风速传感器采集原始风速序列数据，所述原始风速序列数据的格式为：其中：表示采集到时刻的风速数据。3.如权利要求1所述的一种时态分析的超短期风速预测方法，其特征在于，所述S1步骤中对原始风速序列数据进行相似性类别聚类，包括：对原始风速序列数据进行相似性类别聚类，得到不同类别的风速序列数据，所述相似性类别聚类流程为：S11：从原始风速序列数据中随机选取k个时刻的风速数据作为初始类别的中心点，计算原始风速序列数据中所有非中心点到中心点的欧式距离，其中所述非中心点表示原始风速序列数据中未被选取的n
‑
k个时刻的风速数据；S12：将每个中心点构建为聚类簇，将非中心添加到与自身距离最近的聚类簇中；S13：计算每个聚类簇中非中心点到其他点的距离和；S14：随机选取每个聚类簇中非中心点作为该簇的候选中心点，计算每个聚类簇中非候
选中心点到其他点的距离和；S15：若，则将聚类簇中的候选中心点作为该聚类簇的中心点，将原中心点作为非中心点，返回步骤S13，否则将候选中心点作为非中心点，返回步骤S13；重复上述步骤，直...

【专利技术属性】
技术研发人员：彭燕，高川，肖科，黄巍，吴自厚，
申请(专利权)人：湖南赛能环测科技有限公司，
类型：发明
国别省市：