一种基于主成分分析的Lorenz扰动风速预测方法与流程
本发明涉及一种能够准确预测风电场风速的方法，属于发电技术领域。
背景技术：
当今世界，化石燃料的供给紧张带来了环境、生态和全球气候变化等一系列问题，各国都自觉行动起来，主动破解困局，加快能源转型，发展可再生能源。风能作为一种环保、可再生的清洁能源，在低碳能源技术中占有举足轻重的地位，受到了全球的广泛关注。同时，随着风力发电在电力生产中的份额越来越大，电网运营商在电力平衡、电能质量、并网的稳定性、负荷调度计划等方面面临着挑战。因此，在风力发电的并网过程中，必须考虑可靠的风电功率预测方法。
国内外研究学者提出了很多关于风电功率预测的研究方法。目前风电功率预测按照预测周期的长短分为长期预测、中期预测、短期预测和超短期预测；按照建立的数学模型可分为物理模型、统计模型、人工智能技术和组合模型。鉴于预测方法的多样性，国内外出现了许多成熟稳定的预报系统。国外从事风力发电功率预测研究工作较早，最具代表性的预报工作包括prediktor、wppt、previento、ewind等等。国内开发的风电功率预报系统主要有winpop系统，wpps系统，wpfs系统、t213l31系统等。
以上的风电功率预测方法大多是基于算法模型以及预报系统的改进研究，而忽视了对于大气动力系统的扰动影响研究，因而预测效果不是很理想。
技术实现要素：
本发明所要解决的技术问题是提供一种基于主成分分析的lorenz扰动风速预测方法，以达到提高风速预测的目的。
为解决上述技术问题，本发明所采取的技术方案是：一种基于主成分分析的lorenz扰动风速预测方法，其特征在于：
(1)对待测风电场每隔一段时长t'采集1组原始数据，在时间t-1时刻采集到n组原始数据，所述原始数据包括风速数据(v)＝(vt-1-(n-1)t',vt-1-(n-2)t',......,vt-1)以及对风速的影响因素原始数据
(2)将t-1时刻所采集到的n组原始数据中的对风速的影响因素原始数据(x)进行主成分分析，根据累计贡献率确定主成分数据；
(3)将主成分数据与将t-1时刻所所采集到的n组原始数据中的风速数据(v)结合作为最小二乘支持向量机(ls-svm)模型的输入，将t时刻的风速vt作为模型的输出对数据进行训练，最后得到风速的初步预测序列v'(t)；
(4)给定初值条件和参数，求解lorenz方程，得到三维的大气扰动序列，并对扰动序列做标准化处理，得到无数量级和量纲的标准化扰动序列；
(5)计算标准化数据与初始值之间的二阶闵可夫斯基(minkowski)距离，得到lorenz综合扰动流；
(6)利用lorenz综合扰动流对风速的初步预测序列v'(t)进行扰动修正，并以实现风速实际值和预测值之间的平均绝对误差最小为目标得到扰动修正的最优扰动强度和最优扰动系数；
(7)利用lorenz综合扰动流得到的最优扰动强度和最优扰动系数对风速的初步预测序列进行扰动修正，得到风速的扰动修正序列v"(t)。
进一步的技术方案在于，所述对风速的影响因素包括风向d、气温t、气压p、比容a、比湿h和地表粗糙度r；
进一步的技术方案在于，所述主成分分析的过程如下：
a、以风向d的正弦值、风向d的余弦值、气温t、气压p、比容a、比湿h和地表粗糙度r为对风速的影响因素；将采集的数据构建主成分分析的原始数据，如下所示：
b、对7个因素集的n×7个原始数据(x)标准化处理，以消除变量间在数量级上的差异产生的影响，使每个变量的均值为0，方差为1，得到标准化矩阵y＝{ynm}；
其中，xm和sm分别表示xm的均值和方差。
c、根据标准化矩阵得出相关系数矩阵a；
d、计算相关系数矩阵a的特征值及特征向量，并计算特征值贡献率和累计贡献率；
其中，λm表示a的特征值。
e、根据累计贡献率求主成分z＝[z1,z2,...,zm]
zm＝yam
其中，am表示λm的特征向量；m≤7。
进一步的技术方案在于，所述步骤(3)将主成分数据与将t-1时刻所所采集到的n组原始数据中的风速数据(v)结合作为最小二乘支持向量机模型的输入矩阵m，将t时刻的风速vt作为模型的输出矩阵n对数据进行训练，最后得到风速的初步预测序列v'(t)；
其中，
式中，dmn表示主成分得到的数据；
进一步的技术方案在于，所述lorenz方程如下：
其中，式中x,y,z是状态变量，分别表示对流运动的强度、对流运动流体的水平方向温差和垂直温差对无对流时的偏离程度。σ,r,b都是无量纲的正实数，分别表示普朗特数、瑞利数和与气候区域大小相关的量。对于经典的lorenz系统的参数值σ＝10,
式中xn,yn,zn表示lorenz方程的数值解，xmin,ymin,zmin和xmax,ymax,zmax分别表示x,y,z的最小值和最大值。
进一步的技术方案在于，所述步骤(5)中所述二阶闵可夫斯基(minkowski)距离如下：
计算标准化数据与初始值(0,0,0)之间的二阶闵可夫斯基距离：
其中，cn表示
进一步的技术方案在于，采用平均绝对误差mae和均方根误差rmse来定量的评价模型的优劣，误差值越小，表示模型的预测能力越好。
其公式为
其中，y(t)和v(t)分别表示风速的实际值和预测值，k为预测样本个数。
采用上述技术方案所产生的有益效果在于：在风速预测过程中引入描述大气运动状态的lorenz系统对风速预测结果进行扰动修正，并利用风电场的实际数据进行仿真模拟。实验结果表明，经过lorenz扰动修正后的模型显著提高了风电场的预测水平，有助于风能资源的大规模开发和利用。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1(a)和(b)分别为风电场每隔十分钟的风速分布情况和其风向玫瑰图；
图2(a)和(b)分布为瑞利数时的lorenz吸引子形态；
图3是在欧式距离下lorenz系统生成的一组lorenz综合扰动流；
图4为时的lorenz扰动强度，横坐标表示扰动的数据个数，即预测样本数据，纵坐标表示扰动强度的大小；
图5是各个模型的风速预测曲线；
图6是本发明的流程图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
本发明提供了一种基于主成分分析的lorenz扰动风速预测方法，一种基于主成分分析的lorenz扰动风速预测方法，其特征在于：
(1)对待测风电场每隔一段时长t'采集1组原始数据，在时间t-1时刻采集到n组原始数据，所述原始数据包括风速数据(v)＝(vt-1-(n-1)t',vt-1-(n-2)t',......,vt-1)以及对风速的影响因素原始数据
在这里对风速的影响因素可以选择风向d、气温t、气压p、比容a、比湿h和地表粗糙度r。
(2)将t-1时刻所所采集到的n组原始数据中的对风速的影响因素原始数据(x)作为主成分分析，根据累计贡献率确定主成分数据；
所述主成分分析的过程如下：
a、以风向d的正弦值、风向d的余弦值、气温t、气压p、比容a、比湿h和地表粗糙度r为对风速的影响因素；将采集的数据构建主成分分析的原始数据，如下所示：
b、对7个因素集的n×7个原始数据(x)标准化处理，以消除变量间在数量级上的差异产生的影响，使每个变量的均值为0，方差为1，得到标准化矩阵y＝{ynm}；
其中，
c、根据标准化矩阵得出相关系数矩阵a；
d、计算相关系数矩阵a的特征值及特征向量，并计算特征值贡献率和累计贡献率；
其中，λm表示a的特征值。
e、根据累计贡献率求主成分z＝[z1,z2,...,zm]
zm＝yam
其中，am表示λm的特征向量；m≤7。
(3)将主成分数据与将t-1时刻所所采集到的n组原始数据中的风速数据(v)结合作为最小二乘支持向量机模型的输入，将t时刻的风速vt作为模型的输出对数据进行训练，最后得到风速的初步预测序列v'(t)；
将主成分数据与将t-1时刻所所采集到的n组原始数据中的风速数据(v)结合作为最小二乘支持向量机模型的输入矩阵m，将t时刻的风速vt作为模型的输出矩阵n对数据进行训练，最后得到风速的初步预测序列v'(t)；
其中，
式中，dmn表示主成分得到的数据；
(4)给定初值条件和参数，求解lorenz方程，得到三维的大气扰动序列，并对扰动序列做标准化处理，得到无数量级和量纲的标准化扰动序列；
所述lorenz方程如下：
其中，式中x,y,z是状态变量，分别表示对流运动的强度、对流运动流体的水平方向温差和垂直温差对无对流时的偏离程度。σ,r,b都是无量纲的正实数，分别表示普朗特数、瑞利数和与气候区域大小相关的量。对于经典的lorenz系统的参数值σ＝10,
式中xn,yn,zn表示lorenz方程的数值解，xmin,ymin,zmin和xmax,ymax,zmax分别表示x,y,z的最小值和最大值。
(5)计算标准化数据与初始值之间的二阶闵可夫斯基距离，得到lorenz综合扰动流；
所述二阶闵可夫斯基(minkowski)距离如下：
计算标准化数据与初始值(0,0,0)之间的二阶闵可夫斯基距离：
其中，cn表示
(6)利用(5)得到的lorenz综合扰动流对基于主成分分析的最小二乘支持向量机得到的风速初步预测序列进行修正，扰动修正公式为：
v″(t1,t2,...,tk)＝v′(t1,t2,...,tk)+ld(t1,t2,...,tk)
其中，v″(t1,t2,...,tk)为风速的扰动修正序列；v′(t1,t2,...,tk)为风速的初步预测序列。l为扰动系数，若l为正数，则表明风速初步预测序列需要加强扰动；若l为负数，则表明风速初步预测序列需要减弱扰动。d(t1,t2,...,tk)为扰动强度，代表lorenz综合扰动流的部分序列。k为预测的样本数。
(7)利用lorenz综合扰动流对风速的初步预测序列v'(t)进行扰动修正，并以实现风速实际值和预测值之间的平均绝对误差最小为目标得到扰动修正的最优扰动强度和最优扰动系数；
(8)利用lorenz综合扰动流得到的最优扰动强度和最优扰动系数对风速的初步预测序列进行扰动修正，得到风速的扰动修正序列v"(t)。
基于此预测方法，发明人还提供了如何评价预测效果的方法；其采用平均绝对误差mae和均方根误差rmse来定量的评价模型的优劣，误差值越小，表示模型的预测能力越好。
其公式为
其中，y(t)和v(t)分别表示风速的实际值和预测值，k为预测样本个数。
利用误差指标对ls-svm模型、主成分分析的ls-svm模型(p-lssvm)和lorenz扰动修正的主成分分析的ls-svm模型(l-p-lssvm)的预测水平进行定量分析。
实施例
在采集风电场每隔10分钟观测的原始数据，包括风速、风向数据以及用三次样条插值得到的气温、气压、比容、比湿和地表粗糙度等数据；进行相关处理。
图1(a)和(b)分别为风电场每隔十分钟的风速分布情况和其风向玫瑰图，可以看到图(a)中的风速具有典型的随机波动性；图(b)的风速风向玫瑰图在区间(6,8)风速最多，在东南方向色带最长，表示该风向频率最高。图2(a)和(b)分布为瑞利数r＝23,r＝27时的lorenz吸引子形态，可以看到对于同样的初始值，不同的瑞利数会得到不同的lorenz吸引子形态。图3是在欧式距离下不同的lorenz系统生成的lorenz综合扰动流，lorenz综合扰动流仍然具有很强的随机性。图4为r＝23,r＝27时的lorenz扰动系数和扰动强度，横坐标表示扰动的数据个数，即预测样本数据，纵坐标表示扰动强度的大小，图例中的l表示扰动系数。
按照以上模型的建模流程对风速进行预测，得到各个模型的风速预测曲线，如图5所示。从图中可以看到相比于最小二乘支持向量机模型，经过主成分分析的最小二乘支持向量机模型的风速预测曲线与风速的实际趋势保持一致；同时整体风速预测序列偏低的主成分分析的风速预测模型需要施加正扰动以使其更符合风速的实际值。粉色和绿色实线表示lorenz扰动修正的风速预测结果，不同瑞利数的lorenz方程扰动修正后的模型更贴近实际风速序列，有更好的预测结果。这说明两种lorenz方程状态下得到的最优lorenz扰动序列都减弱了风速序列的随机性，达到了改进风速预测结果的目的。
利用mae和rmse误差指标对各个模型进行定量分析，具体预测精度如表1所示。在模型的优劣上，各个模型的误差指标数据与风速预测图保持了高度一致。基于主成分的最小二乘支持向量机模型的误差指标数据略小于单一的ls-svm模型，同时这两个模型的各误差指标数据远远大于经lorenz修正后的风速预测模型。这不仅说明了主成分分析的优势，也说明了lorenz方程对风速初步预测序列的良好改进作用。瑞利数不同的lorenz扰动序列修正了风速预测过程中的随机性，显著提高了风速的预测水平。
表1各模型的误差分析
- 还没有人留言评论。精彩留言会获得点赞！