基于小波变换和粒子群改进灰色模型的短期风速预测方法

文档序号:9397058阅读:818来源:国知局
基于小波变换和粒子群改进灰色模型的短期风速预测方法
【技术领域】
[0001] 发明涉及一种基于小波变换和粒子群改进灰色模型的短期风速预测方法,属于短 期风速预测领域。
【背景技术】
[0002] 世界能源危机和环境保护的双重压力,促使世界各国家地区更加重视可持续发展 能源和清洁能源的开发利用。其中风能清洁无污染,能量大,使用前景广阔。如今国内外对 于风力发电的研究日渐深入,范围也日趋变广,包括大型风力发电机组、风电穿透功率等方 面。发电量由风能大小决定。风能的大小则受到风速大小的影响。由此可以得出,风速的 大小同风力发电效率有着密切的联系。当风机刚刚投入工作发电时,风速的值被称作切入 风速,也称作启动风速。这个时刻是风机用于确定额定功率时风的速度的。它是一个确定 的值。此时风机的功率达到最大值。当风速为某一个数值一一切出风速时,风电机继续运 行会有一定的危险。此时风速是一个极大值。可能出现的情况有损坏机械、大幅度不稳定 输出等。这些都要求我们对未来风速要有一个相对准确的预测。
[0003]目前适合用于风速短期预测的方法有很多。其中一些统计方法包括有线性回归, 多元回归分析,ARMA(自回归移动平均),基于卡尔曼滤波器技术方法,博克斯和詹金斯模 型。同时越来越多的智能算法也被运用于此,如利用专家系统,ANN(人工神经网络),模糊 逻辑,ESN(回声状态网络)。将多种方法组合,如基于模糊推理和人工神经网络方法的组合 模型,基于WT(小波变换),人工神经网络,EA(进化算法)的组合模型,基于ARMAX(自回归 (AR)和移动平均(M)的外生变量)和PSO (粒子群法)的组合模型,以及ANN和ANFIS的 组合模型很常用。组合模型的优越性是显而易见的。GM(灰色模型)独立进行预测得到的 短期风速预测结果有时候不够精确,因而需要结合其他方法来提高它的性能。

【发明内容】

[0004] 本发明针对国内风电场短期风速预测应用的需要,提出了一种基于小波变换和粒 子群改进灰色模型的短期风速预测方法,可应用于风能相关领域的科学研究和工程应用。
[0005] 为实现上述目的,本发明采用如下技术方案:
[0006] 基于小波变换和粒子群改进灰色模型的短期风速预测方法,包括以下步骤:
[0007] 1)输入风速数据,对风速数据构成的原始序列进行数据预处理;
[0008] 2)对预处理后的风速序列进行小波分解与重构;
[0009] 3)建立基于灰色理论的风速预测模型;
[0010] 4)利用粒子群优化算法改进灰色风速预测模型;
[0011] 5)将风速序列进行小波分解与重构后的各分量作为输入逐一投入粒子群优化后 的灰色风速预测模型进行预测;
[0012] 6)获取风速预测值;
[0013] 7)计算误差指标,对风速预测进行评估;
[0014] 8)输出风速预测值和误差指标。
[0015] 前述的步骤1)中,进行数据预处理是指当预测时刻的风速数据与前一时刻的风 速数据大小相差超过10%时,基于以下方程对风速数据进行预处理:
⑴:
[0017] 其中,Xs(m+1)表示m+1时刻的风速数据,X?表示m时刻的风速数据。
[0018] 前述的步骤2)中,选取3层小波分解,则小波分解和重构后,原始序列表示为:
[0019] Xs= G !+G2+G3+X3 (2)
[0020] 其中,Xs为原始序列,G i、G2、心分别为第一层至第三层重构后的高频信号,X 3为第 三层重构的低频信号,
[0021] 原始序列Xs中的第i个元素可以表示如下:
[0022] Xs,,= G1, ,+G2, ,+G3, ,+X3,, (3)
[0023] 其中,Glil, G2il, G3il分别为Xs中的第i个元素的第一层至第三层重构后的高频信 号,X3llS Xs中的第i个元素的第三层重构的低频信号。
[0024] 前述的步骤3)中,建立基于灰色理论的风速预测模型,包括以下步骤:
[0025] 3-1)对重构后的分量进行累加生成操作,如下:
[0026] 将所述步骤2)小波分解和重构后的分量匕、G2、心和X 3分别作为风速预测模型 中的输入序列X?,进行累加生成操作,且选取前5个时刻的风速数据可预见下一时刻的风 速,
[0027] 令,X(1)是X W的一阶累加生成,它的元素可由以下确定:
[0030] 其中,X(Q) (k)表示输入序列Xw中的前k个时刻的数据;
[0031] 3-2)计算灰色风速预测模型的背景值如下:
[0032] Z(1) (k) = gX(1) (k) + (1-g) X(1) (k-1), k = 2, 3. . . 5 (6)
[0033] 其中,Z(1) (k)表示背景值,g是生成系数;
[0034] 3-3)建立灰色风速预测模型的方程如下:
[0035] X(0)(k)+aZ(1)(k) = bX(1) (k) (7)
[0036] 其中,a是发展系数,b是由最小二乘法获得的灰色输入系数;
[0037] 定义矩阵B和Yn如下:
CN 105117593 A 说明书 3/9 页
[0040] 系数a,b的值由以下等式确定:
[0042] 3-4)确定灰色风速预测模型的微分方程如下:
[0044] 上述微分方程的解如下:
[0046] 其中,文(1)快)是的X(1) (k)的估计值,由一个序列的一阶累加生成的第一个元素估 计值等于该序列的第一个元素,确定以下关系:
[0050] 其中,#、/()是原始序列Xw (k)的估计值。
[0051] 前述的步骤4)中,利用粒子群优化算法改进灰色风速预测模型是指确定生成系 数的最佳值,满足最小的平均绝对百分比误差:
[0053] 其中,MAPE为平均绝对百分比误差;
[0054] 粒子群优化算法寻优过程如下:
[0055] 随机选择一组粒子作为初始值来拟合粒子群优化算法模型。这些粒子探索目标空 间,在目标空间中的k次迭代中,由4、F/分别描述每一个粒子的位置和速度,每个粒子记 录下它们最好的位置€?,在k+Ι次迭代中,粒子的速度%由下面的方程得到:
[0057] 其中,rJP r 2分别是0和1之间的随机数,ω为惯性权重系数,c挪c 2是训练系 数,^?是全局最优位置;
[0058] ω的计算公式如下所示:
[0060] 其中,k_是最大迭代次数,ω _为〇. 9, ω _为〇. 4,在每个迭代中,每个粒子的新 位置是由它原先位置和它当前的速度相加得到的,如以下公式:
[0062] 前述的步骤5)将风速序列进行小波分解与重构后的各分量作为输入逐一投入粒 子群优化后的灰色风速预测模型进行预测,具体是指,将原始序列Xs的高频分量G i、G2、G3, 低频分量X3以及所述步骤4)寻优后的生成系数g作为输入,输入到所述步骤3)的灰色风 速预测模型进行预测,得到的输出就是各分量在进行短期风速预测的结果。
[0063] 前述的步骤6)获取风速预测值是指将所述步骤5)得到的各分量的预测结果进行 叠加,从而得到风速预测值,
[0064] 原始序列Xs,k时刻之后的第M个元素预测值元^表示如下:
[0066] 其中,
分别表示原始序列Xs的第M个元素 X SiM重构后的 第一层至第三层高频信号GliM,G2iM,G3iM和第三层重构的低频信号X 3ιΜ的k时刻后的预测结 果。
[0067] 前述的步骤7)中,误差指标采用平均绝对百分比误差MAPE,平均绝对误差MAE,平 均相对误差MPE,定义如下:
[0071] 其中,M5P L a分别是风速预测值和实际风速值,i表示小时,η表示时刻数。
[0072] 本发明使用粒子群优化算法对灰色模型进行优化,其次,运用具有"数字显微镜" 之美誉的小波变换来分析历史记录的风速数据,通过运用小波变换对某一风电场的风速序 列进行分解和重构,运用粒子群改进灰色模型分别对每一部分单支重构后的信号进行预 测,然后将每个预测值进行叠加,得到原始风速序列的预测结果,最后编写程序,对以上算 法进行了实现。本发明在保证了低频分量拟合的基础上解决了高频分量过拟合的问题,需 要的信息较少,在数据相对缺失的情况下可以完成预测,相对于传统的灰色模型预测的精 度和稳定性有了提高。
【附图说明】
[0073] 图1为本发明方法流程图;
[0074] 图2为小波分解与重构过程的流程图;
[0075] 图3为本发明用PSO优化生成系数g的流程图;
[0076] 图4为本发明的实施例中应用于风速序列得到的预测值和实际值。
【具体实施方式】
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1