基于频域多尺度风速信号可预报性的超短期风速预测方法技术

技术编号:9872686 阅读:200 留言:0更新日期:2014-04-04 06:17
基于频域多尺度风速信号可预报性的超短期风速预测方法,属于分析和测量控制技术领域,涉及基于频域多尺度风速信号可预报性的超短期风速预测方法。为解决现有预测方法未考虑频域多尺度的可预报性问题和统计预报模型中输入空间的数据维数选取需要依靠经验而导致的预测精度低、模型训练时间长的问题,通过增加可预报性分析和自相关性分析技术步骤避免了高频分量预测的步数过长而导致叠加后反而对预测结果产生负面影响有效提高了超短期风速预测的精度并减少了模型训练的时间。本发明专利技术主要用于风电场对电场功率的预测,从而帮助电网制定合理的调度计划,确定旋转备用,安全经济地保证电网的运行。

【技术实现步骤摘要】

本专利技术属于分析和测量控制
,涉及。
技术介绍
风能是当今公认的可再生能源中最具规模化开发前景的新能源之一。我国风电发展起步较晚但发展迅速;近年来,大量的规模化风电场投入到实际运营中。风电是典型的强随机不确定性电源,规模化风电会对电网的安全稳定运行带来很多问题;因此,规模化风电消纳已成为我国电力系统面临的重大现实问题。准确的风电场输出功率预测是解决规模化风电安全高效并网利用的重要基础之一。风是风电机组出力的动力源,因此,准确的风速预测是实现风电场功率预测的重要前提。其中,以10分钟或15分钟为单位的I?6小时的超短期预报可以帮助调度决策。由于风速的影响因素众多、作用机理复杂、具有很强的多尺度特性,因此,风速序列可以看做多个信号耦合在一起的结果。然而,这也使得风速信号表现出强烈的非线性和非平稳性,导致风速预报建模的难度很大,是公认的最难进行预测的气象参数。近年来,国内外学者陆续开始关注风速的频域多尺度特性,其中,广泛使用的思路是:首先,将原始风速序列分解成不同频率的子序列;然后,在各个子序列上建立回归模型;最后,再进行合成给出最终的预测效果。然而,目前的预测方法未考虑频域多尺度的可预报性问题,而是将各频域风速在预测相同的长度后再将各预测结果简单合成作为最终的预测结果。事实上,各频率尺度序列由于其自身的驱动能量不同等特性差异,导致各频域尺度序列可以预报的时间长度是不一样的;尤其对于高频波动分量,序列中包含的信息量较小,其规律性已经较低,做多步预测后的结果中有效步数较少;低频分量有更强的趋势量和变化规律,其自相关性较强;而高频分量的自相关性很弱,其规律性较弱。因此,将高频分量预测的步数过长则叠加后反而对预测结果产生负面影响,因此将其做与低频分量同样长度的多步预测是不合适的,因为将所有尺度分量的相同步数预测结果合成之后,高频序列中包含信息量较少的后面几步结果会对影响最终的预测效果。并且风速数据是一种隐含复杂关系的时间序列,目前的统计预报模型中对于输入空间的数据维数选取一般靠经验来选取,没有统一的标准。因此就需要较长的模型训练时间,同时预报精度也有限。
技术实现思路
为解决现有预测方法未考虑频域多尺度的可预报性而导致的高频分量预测的步数过长则叠加后反而对预测结果产生负面影响的问题和统计预报模型中输入空间的数据维数选取需要依靠经验而导致的预报精度低、模型训练时间长的问题,以及现有预测方法对风电场功率预测精度低,对风电场运行安全造成隐患的问题,本专利技术提供了一种基于不同频域多尺度风速信号可预报性的超短期风速预测方法。本专利技术的,具体步骤如下:步骤一:基于风速的频域多尺度特性,通过Mallat小波分解将原始风速信号进行分解,分解成3~4层不同频域尺度的子序列;步骤二:通过自相关性分析方法来度量各频域子序列的可预报性,根据每一个频域尺度上的风速序列可预报性分析结果以函数阈值确定各子序列的预测步数L (即预测长度);步骤三^fMallat小波分解得到的尺度信号和细节信号中的每个点,通过与其前面时刻L个点及L-1个差分项组成每个点的特征向量,并做归一化处理;利用主成分分析方法对尺度信号的输入空间进行降维处理,得到维数优化的输入向量;步骤四:根据步骤二得到的分析结果和步骤三得到的尺度信号的维数优化的输入向量和细节信号的特征向量,在各个频域尺度上分别建立不同预测长度的统计回归模型,同时得到各个频域尺度的预测结果;步骤五、通过Mallat小波重构算法将步骤四中各频域尺度的统计回归模型的预测结果进行合成,最终得到超短期风速预测的结果。本专利技术优点:本专利技术将频域多尺度可预报性问题引入到风速预测之中,并给出了一种利用自相关分析来对可预报性进行度量的方法;通过各频域尺度风速信号的可预报性分析来确定各频域尺度序列信号可预报的有效时间长度;然后,对每一频域尺度信号分别建模预报;最终,将各模型输出结果组合,给出最终预报结果。因为各个频率尺度子序列的可预报性不同,其自相关性也不同,因此,可以采用自相关分析的方法来分析每一频域尺度信号子序列的可预报性问题,同时由于尺度信号计算出的自相关长度通常较大,使用主成分分析方法,取得隐藏在数据背后的变量关`系,对其输入空间进行降维,得到维数优化的输入向量。实际风速预测实验的结果表明,本专利技术提出的方法与直接合成各频域相同预报步长方法以及单独使用支持向量回归方法相比均方误差(MSE)和平均绝对误差(MAE)低10%左右,并缩短了模型训练时间,提高了风电场功率预测精度,降低对风电场安全运行造成的隐患。【附图说明】图1为本专利技术方法的流程示意图;图2为Mallat小波3层分解算法示意图,即将风速时间序列分解得到三层高频序列和一层低频序列;图3为Mallat小波3层重构算法示意图,即通过将三层高频序列和一层低频序列重构为风速时间序列;图4为实测原始风速(时间序列)信号;图5为风速信号的三层小波多尺度分解结果;图6为各频率尺度分量序列的自相关分析结果;图7为本专利技术方法在实际风速预测中的MSE随着预测步长的变化曲线;图8为测试集上MAE随着预测步长的变化曲线;图9为三种风速预测效果对比图(a为本专利技术方法,b为对比试验1,c为对比试验2)。【具体实施方式】【具体实施方式】一:本实施方式中基于频域多尺度风速信号可预报性的风速预测方法,具体步骤如下(如图1所示):步骤一:基于风速的频域多尺度特性,通过小波分解将原始风速信号(如图4所示)进行分解(如图2所示),分解成3~4层不同频域尺度的子序列;步骤二:通过自相关性分析方法来度量各频域子序列的可预报性,根据每一个频域尺度上的风速序列可预报性分析结果以函数阈值确定各子序列的预测长度L ;步骤三:将小波分解得到的尺度信号和细节信号中的每个点,通过与其前面时刻L个点及L-1个差分项组成每个点的特征向量,并将各向量做归一化处理;利用用主成分分析方法对尺度信号的特征向量进行降维处理,得到维数优化的向量;其中尺度信号为通过小波分解得到的不同频域尺度的子序列中的低频序列,细节信号为高频序列;步骤四:根据步骤二得到的分析结果和步骤三得到的尺度信号维度优化向量和细节信号的特征向量,在各个频域尺度上分别建立不同预测长度的统计回归模型,同时得到各个频域尺度的预测结果;步骤五:将步骤四中各频域尺度的统计回归模型的预测结果利用小波分解算法进行合成(如图3所示), 最终得到风速预测的结果。【具体实施方式】二:本实施方式中基于频域多尺度风速信号可预报性的风速预测方法与【具体实施方式】一的不同之处在于:步骤一中小波分解具体方法为=Mallat使用金字塔算法,结合多分辨分析,进行金字塔式小波分解算法。信号f (t)在尺度空间 ' 和小波空间W」的投影为 U1 =X< (O > (pj'k (O U =Z</(0,r/,A(0>^a(0L(8)Cm =</(0,~(0〉,Cljjk = < f(t), ¥J;k(t) >,由匕=6+1Φ%+1’得到Σ cA 上(0= Σ (0+ Σ ‘,,+u (Oc9)k=-<ciAr=-CCλ=-οο由尺度函数的双尺度方程可得φ^,η ⑴=Σ Kk-2n^M (O ’(10)由尺度函数正交性可得 本文档来自技高网
...

【技术保护点】
基于频域多尺度风速信号可预报性的超短期风速预测方法,其特征在于其具体步骤如下:步骤一:基于风速的频域多尺度特性,通过Mallat小波分解将原始风速时间序列进行分解,分解成3~4层不同频域尺度的子序列;步骤二:通过自相关性分析方法来度量各频域子序列的可预报性,根据每一个频域尺度上的风速序列可预报性分析结果以函数阈值确定各子序列的预测步数L;步骤三:将Mallat小波分解得到的尺度信号和细节信号中的每个点,通过与其前面时刻L个点及L?1个差分项组成每个点的特征向量,并做归一化处理;利用主成分分析方法对尺度信号的输入空间进行降维处理,得到维数优化的输入向量;步骤四:根据步骤二得到的分析结果和步骤三得到的尺度信号的维数优化的输入向量和细节信号的特征向量,在各个频域尺度上分别建立不同预测长度的统计回归模型,同时得到各个频域尺度的预测结果;步骤五、通过Mallat小波重构算法将步骤四中各频域尺度的统计回归模型的预测结果进行合成,最终得到超短期风速预测的结果。

【技术特征摘要】
1.基于频域多尺度风速信号可预报性的超短期风速预测方法,其特征在于其具体步骤如下: 步骤一:基于风速的频域多尺度特性,通过Mallat小波分解将原始风速时间序列进行分解,分解成3~4层不同频域尺度的子序列; 步骤二:通过自相关性分析方法来度量各频域子序列的可预报性,根据每一个频域尺度上的风速序列可预报性分析结果以函数阈值确定各子序列的预测步数L ; 步骤三^fMallat小波分解得到的尺度信号和细节信号中的每个点,通过与其前面时亥IjL个点及L-1个差分项组成每个点的特征向量,并做归一化处理;利用主成分分析方法对尺度信号的输入空间进行降维处理,得到维数优化的输入向量; 步骤四:根据步骤二得到的分析结果和步骤三得到的尺度信号的维数优化的输入向量和细节信号的特征向量,在各个频域尺度上...

【专利技术属性】
技术研发人员:于达仁万杰任国瑞乔成成刘金福郭钰峰胡清华雷呈瑞魏松林
申请(专利权)人:哈尔滨工业大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1