一种针对风电场空间相关性的风速预测方法
【技术领域】
[0001] 本发明风电场风速预测领域，特别是在风电场分布较为密集的地区对某一风电场 的风速进行预测，用于解决风速预测过程中忽略风场位置而造成的预测精度不足的难题。
【背景技术】
[0002] 风力发电因为具有环保、可再生等诸多优点，近年来迅速发展，已经成为全世界公 认的理想能源。然而当风电穿透功率达到一定值后，风电的随机性、波动性和不稳定性就会 对电力系统的运行产生很大的影响。相关学者对该方面进行了许多的相关研究，得出了一 些就有实际意义的结论。而要减少该影响就主要的就是要对风速或风电功率做出比较准确 的预测。
[0003] 风机发电功率最主要的决定因素是风速，所以对于风速的有效预测可以作为预测 风电功率的关键部分。目前，国内外关于风速预测的方法一般能够分为两类：一类是利用历 史数据建模的统计方法，另一类是利用数值天气预报及地形学的物理方法。前者包括时间 序列发、卡尔曼滤波法、神经网络法等。物理方法一般包括利用数值天气预报的预测模型、 空间相关法等。但是风作为一种自然现象有自己的特点，现存的方法不能很好的对风速进 行预测。针对风速的预测，不仅仅要考虑单一风速序列，需要风电场的历史风速序列和实时 数据，还必须考虑地理位置，粗糙度，风向，气压，温度以及空间位置等物理因素。
[0004] 因此一个好的风速预测模型，不仅要考虑风速间的时间相关性，还要考虑周围风 电场的风速的空间相关性，这样才能提高预测精度，完善预测模型。
[0005] 在文南犬Short-term wind prediction using an unscented Kalman filter based state-space support vector regression approach 中，作者给出了一种基于非线性状 态空间模型无极卡尔曼滤波的风速预测方法，为了建立状态空间模型的状态方程，文中采 用了支持向量机回归的方法，这种方法可以对风速进行实时的预测，而且可以减小风速随 机性的影响，但是，这种方法只考虑了单一的风速时间序列，对于其周围的风场风速没有研 究，不是一种完整的预测方法。
[0006] 在文南犬 Application of artificial neural networks for the wind speed prediction of station using reference stations data 中，作者提出了利用神经网络模 型对风速进行预测，该方法利用了周围风场的风速数据作为输入数据的选取，考虑了空间 相关性，但是对于如相关性的强弱如何去分辨文中没有提及，且不是一种实时的预测方法。
[0007] 在文南犬 A hybrid statistical method to predictwind speed and wind power 中，作者提出了一种混合预测模型，为了减小风速波动性对预测结果的影响，作者提出对原 始数据进行小波分解，对子序列进行时间序列预测，最后再对每个子序列的预测结果进行 合并。该方法依然没有考虑其空间相关性。
[0008] 在文南犬 Wind power prediction based on numerical and statistical model 中，该方法依据数值天气预报和卡尔曼滤波预测模型对风速进行了预测，作者考虑了气象 参数对风速的影响，且利用卡尔曼滤波模型对风速进行实时的预测，然而由于此状态空间 模型是线性的，所以不能很好的刻画风速的实际情况。
[0009] 在风速预测过程中，风速之间的时间和空间相关性是并存的，并且随着距离的 不同而不一样，上述文献中除 了文献 Application ofartificial neural networksfor thewind speed prediction ofstation using reference stations data考虑了周围风场 之间风速的相关性，其余的都未考虑风速之间的空间相关性，对预测精度必然存在较大的 影响，所以预测模型可以进一步完善。
【发明内容】
[0010] 本发明的目的在于针对目前大部分风速预测模型不考虑其空间相关性的不足，提 出一种风速混合预测模型，该模型首先基于copula函数来比较其各风场之间空间相关性 的强弱，接着利用支持向量机来建立非线性状态空间模型，最后利用优化的无迹卡尔曼滤 波对风速进行预测。该模型实现了对风速的实时预测，且考虑了风速的时间相关性和空间 相关性。在介绍本发明前，先给出2个定义。
[0011] 利用copula函数计算两个风场之间的空间相关性通用的指标为kendall秩相关 系数和Spearman秩相关系数。下边我们给出这两个秩相关系数的定义和计算方法。
[0012] 定义I (Kendall秩相关系数）令（X1, Y1)和（x2, y2)为独立同分布的随机变量，定 义
[0015] 为kendall秩相关系数，记为τ。
[0016] 若随机变量X，Y的边缘分布分别为F (X)，G (y)，相应的copula函数为C (u，V)，其 中u = F(x)，V = G(y)，u, V e [0, 1]，则kendall秩相关系数τ可有相应的copula函数 C(u，v)给出
[0018] 定义2 (Spearman秩相关系数）令（X1, Y1)，（x2, y2)和（x3, y3)为独立同分布的随机 变量，定义
[0020] 为Spearman秩相关系数，记为P。
[0021 ] 若随机变量X，Y的边缘分布分别为F (X)，G (y)，相应的copula函数为C (u，V)，其 中u = F(x)，V = G(y)，u, V e [0, 1]，则kendall秩相关系数τ可有相应的copula函数 C(u，v)给出
[0023] 注：计算这两个秩相关系数时，本发明采用的copula函数为正态分布函数和T分 布函数。本发明所使用的数据集来自公开数据集美国威斯康星州（Wisconsin state，WI)22 个风电场的风速数据（2006年1月1日至2009年12月31日，每隔1小时记录一次）。
[0024] 在运用秩相关系数选择输入数据时的步骤如下：
[0025] 1:从数据集中选择2009年12月24日到2009年12月30日共7天的数据。
[0026] 2:检测数据的有效性，对缺失数据进行填充，本发明利用其周围1天的平均值代 替缺失数据。
[0027] 3:对检测好的数据进行正态性检验，接着求其经验分布函数，对其原始数据进行 核分布估计，之后就可以对copula函数进行参数估计。
[0028] 4:根据计算出的Norm copula和t copula函数来计算其对应的kendall秩相关 系数和Spearman秩相关系数。
[0029] 5:依据计算出的kendall秩相关系数和Spearman秩相关系数的大小选取合适的 输入数据。
[0030] 依据上述方法我们计算的秩相关系数表见表1。
[0031]
[0032] 表1
[0033] 通过选择比较我们筛选出3号、4号、5号、6号、7号、11号、14号和19号风机作为 数据输入的风机。
[0034] 支持向量机是一种机器学习技术，而支持向量回归是专门利用非线性核函数和支 持向量来建立的预测回归模型。在支持向量回归中，最核心的步骤是找到一个函数f e F(F 是一函数集），让对应的期望风险函数达到最小值，即：R[f] = J l(y-f(x))dP(x，y)。其中 1(·)表示损失函数，代表y和f(x)之间的偏差，常用形式为1(·) = |y-f(x) Ip，其中P是 某个正整数。
[0035] SVR的基本思想如下：
[0036] 对于给定的训练样本
其中.T,. e R"，e IR :，设回归 函数为
[0037] 上述回归问题依据拉格朗日定理和KKT条件可以求得：
[0041] 其中
为核函数。Xp Xs为辨识向量。
[0042] 本方法依据选择出的8个风机的2009年12月24日00时到2009年12月24日 08时的数据和对于9号风机的风速数据进行训练，得到的a 1:8, 见表2.
[0046] 本方法对无迹卡尔曼滤波的优化过程如下步骤：
[0047] 1 :指定一个尺度参数κ的可行集，最小值为〇,最大值依据文献进行选择。
[0048] 2 :选择一个初始的κ。，本方法取
[0049] 3 :令
带入无迹卡尔曼滤波的步骤中计算预测结果。
[0050] 4 :如果
[0051] 则取 κ .j+1 = κ .j+，否则 κ .j+1 = κ .〗。
[0052] 5 :循环3-4步，直到预测误差达到设定的阈值停止。
[0053] 本发明最后利用灰色关联系数再对输入数据进行进一步的优化，优化方法如下：
[0054] 1 :针对选择好的8个风场，分别选择2006年一2009年每年12月24日到12月30 日数据，每个风场选出4组数据，每组168个数据。
[0055] 2 :将每个风场的组数据与9号风场2009年12月24日到2009年12月30日数据 进行灰色关联度计算。
[0056] 3 :依据灰色关联系数的大小，选择对应输入数据。
[0057] 本发明选择的是绝对关联度，该关联度的计算方式如下：
[0058] 1 :将原始序列 X。= {x。(1〇, k = 1，2,…，η}和 Xi= {x ; (k), k = 1，2,…，η}进行 初值化处理：
[0060] 2计算X。与X ;的绝对关联度为：
[0063] 计算结果见表3。
[0065] 表 3
[0066] 相对于现有技术，本发明具备以下的优点：
[0067] (1)本发明可以有效的提高预测精度相比较一般的传统预测方法。
[0068] (2)本发明不仅实现了风速的实时预测，而且考虑了风场之间的空间相关性。
[0069] (3)本发明不仅考虑了同一年风场数据的空间相关性，且考虑了每年各风速之间 的时间相关性。对于数据缺失的处理以及利用关联度判断不同年份同时间段数据的相似性 计算，比较了同时间段数据之间的相似性，提高了预测精度。
[0070] (4)本发明在预测过程中不仅