一种不依赖于模型的极短期风预测方法与流程

本发明涉及风力发电的技术领域，尤其是指一种不依赖于模型的极短期风预测方法。

背景技术：

随着风机越来越大，更加灵活、更加先进的控制器对于降低疲劳伤害、优化风能捕获变得越来越重要。已有文献表明利用短期风预测信息得到的预测控制器能够通过补偿测量信息和执行机构时延来优化风机性能。现有风预测的方法主要有：自回归滑动平均模型(arma)、人工神经网络(ann)、支持向量机(svm)等。以上所说的现有的主要预测方法绝大多数都属于依赖于模型的方法，并且它们也仅仅是通过仿真进行评估，更重要的是这些方法并不能保证预测误差的收敛性。

因此，需要一种不依赖于模型、简单易应用于实际、可靠性和稳定性好且能保证预测误差收敛的风预测方法。

技术实现要素：

本发明的目的在于克服现有技术的缺点与不足，提出了一种不依赖于模型的极短期风预测方法，该方法易于应用于实际，可靠性和稳定性好，可以保证预测误差收敛性，从而为风机控制器优化提供技术支持。

为实现上述目的，本发明所提供的技术方案为：一种不依赖于模型的极短期风预测方法，该方法实际是将预测问题转换为轨迹跟踪问题：

将横轴为时间t，纵轴为y轴的坐标系记为toy坐标系，风信息沿toy坐标系中的任意曲线c变化，在某一时刻，风信息是曲线c上的一个点pa＝(t,ya)，风信息预测是toy坐标系中的移动点p＝(t,y)，则预测问题转化为点p对点pa的跟踪问题；

点p在toy坐标系中的运动方程为：

式中，y是坐标系中移动点p的位置变量，υ是移动点p的线速度，θ是移动点p的方向角，即线速度与时间轴方向的夹角，且θ∈(-π/2,π/2)，是移动点p的角速度；

点pa的运动方程为：

式中，ya是坐标系中移动点pa的位置变量，υa是移动点pa的线速度，θa是移动点pa的方向角，即线速度与时间轴方向的夹角，且θa∈(-π/2,π/2)，是移动点p的角速度；

综合考虑到轨迹跟踪的位置控制和方向控制，定义跟踪误差ε如下：

式中，e和s分别是沿pa的线速度方向及其垂直方向的跟踪误差，θe是方向角误差，δy＝y-ya是y轴方向的跟踪误差；

通过轨迹跟踪控制率υ、ω的设计，使移动点p(t)能够稳定地跟踪实际轨迹pa(t)，即在某一时刻之后跟踪误差一致最终有界或者最终收敛到0，实现风信息的预测；

所述极短期风预测方法，包括以下步骤：

1)设计风预测控制率

预测点p(t)跟踪实际点pa(t)，若υ和ω按照如下控制率进行更新：

则能够实现预测点p(t)对实际点pa(t)的一致最终有界跟踪，即实现风信息的预测，其中，η1和η2均是正的常数；

证明：定义非负李雅普诺夫函数求v对时间的导数并将υ和ω的控制率带入，最终得：

因为v≥0、根据李雅普诺夫稳定性理论得v有界，进而得e和s是有界的，θe＝θ-θa∈(-π，π)也是有界的；由于有界，因此和有界，又有和有界，根据barbalat引理可得，当时间t趋于无穷时，δysinθ和sinθe趋于零，因此当时间t趋于无穷时，e趋于零、s趋于零、θe趋于零；

2)运动方程离散化

将上面公式(1)中的离散化得到：

y((k+1)t)＝y(kt)+tυ^*sinθ^*(6)

式中，k为正整数，t是采样周期，y((k+1)t)和y(kt)分别是风预测值在下一采样时刻和当前采样时刻的值，υ^*和θ^*分别是下一采样时刻的期望线速度和方向角；

3)根据风预测控制率，通过历史数据获得υ^*和θ^*，具体过程如下：

根据公式(4)，离散化后，下一采样时刻期望角速度ω^*的控制率如下：

式中，δy(kt)是当前时刻y轴方向的跟踪误差，δy(kt)＝y(kt)-ya(kt)；y((k-1)t)是上一时刻预测值；ya(kt)、ya((k-1)t)、ya((k-2)t)分别是实际风信息的当前采样时刻值、上一采样时刻值、上上一采样时刻值；θa(kt)、θa((k-1)t)分别是当前时刻实际方向角、上一时刻实际方向角，θa(kt)＝arctan((ya(kt)-ya((k-1)t))/t)，θa((k-1)t)＝arctan((ya((k-1)t)-ya((k-2)t))/t)；ωa(kt)是当前时刻实际角速度，ωa(kt)＝(θa(kt)-θa((k-1)t))/t；θ(kt)是当前采样时刻的预测值的方向角，θ(kt)＝arctan((y(kt)-y((k-1)t))/t)；υa(kt)是当前采样时刻实际线速度，k是大于2的正整数；

由于θ^*未知，根据及通过tω^*+θ(kt)来得到θ^*；

根据公式(4)，离散化后，下一采样时刻期望线速度υ^*的控制率如下：

4)将步骤3)得到的υ^*和θ^*带入到式(6)即可得到下一采样时刻的风预测值。

本发明与现有技术相比，具有如下优点与有益效果：

1、不依赖于风模型即可进行风预测，且进行风预测时，使用了多步历史数据，增加了预测准确性和可靠性。

2、本发明方法不仅能进行仿真验证，且简单易行，便于应用于实际中去，另外，能够保证预测误差的收敛性。

附图说明

图1为实例中实际风向曲线和预测风向曲线关系图。

图2为实例中风向预测误差示意图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

本实施例所提供的不依赖于模型的极短期风预测方法，实际是将预测问题转换为轨迹跟踪问题：

将横轴为时间t，纵轴为y轴的坐标系记为toy坐标系，风信息沿toy坐标系中的任意曲线c变化，在某一时刻，风信息是曲线c上的一个点pa＝(t,ya)，风信息预测是toy坐标系中的移动点p＝(t,y)，则预测问题转化为点p对点pa的跟踪问题；

点p在toy坐标系中的运动方程为：

式中，y是坐标系中移动点p的位置变量，υ是移动点p的线速度，θ是移动点p的方向角，即线速度与时间轴方向的夹角，且θ∈(-π/2,π/2)，是移动点p的角速度；

点pa的运动方程为：

式中，ya是坐标系中移动点pa的位置变量，υa是移动点pa的线速度，θa是移动点pa的方向角，即线速度与时间轴方向的夹角，且θa∈(-π/2,π/2)，是移动点p的角速度；

综合考虑到轨迹跟踪的位置控制和方向控制，定义跟踪误差ε如下：

式中，e和s分别是沿pa的线速度方向及其垂直方向的跟踪误差，θe是方向角误差，δy＝y-ya是y轴方向的跟踪误差；

本发明旨在通过轨迹跟踪控制率υ、ω的设计，使移动点p(t)能够稳定地跟踪实际轨迹pa(t)，即在某一时刻之后跟踪误差一致最终有界或者最终收敛到0，实现风信息的预测。

所述极短期风预测方法，包括以下步骤：

1)设计风预测控制率

预测点p(t)跟踪实际点pa(t)，若υ和ω按照如下控制率进行更新：

则能够实现预测点p(t)对实际点pa(t)的一致最终有界跟踪，即实现风信息的预测，其中，η1和η2均是正的常数；

证明：定义非负李雅普诺夫函数求v对时间的导数并将υ和ω的控制率带入，最终可得：

因为v≥0、根据李雅普诺夫稳定性理论可得v有界，进而得e和s是有界的，θe＝θ-θa∈(-π，π)也是有界的；由于有界，因此和有界，又有和有界，根据barbalat引理可得，当时间t趋于无穷时，δysinθ和sinθe趋于零，因此当时间t趋于无穷时，e趋于零、s趋于零、θe趋于零；

2)运动方程离散化

将上面公式(1)中的离散化得到：

y((k+1)t)＝y(kt)+tυ^*sinθ^*(6)

式中，k为正整数，t是采样周期，y((k+1)t)和y(kt)分别是风预测值在下一采样时刻和当前采样时刻的值，υ^*和θ^*分别是下一采样时刻的期望线速度和方向角；

3)根据风预测控制率，通过历史数据获得υ^*和θ^*，具体过程如下：

根据公式(4)，离散化后，下一采样时刻期望角速度ω^*的控制率如下：

式中，δy(kt)是当前时刻y轴方向的跟踪误差，δy(kt)＝y(kt)-ya(kt)；y((k-1)t)是上一时刻预测值；ya(kt)、ya((k-1)t)、ya((k-2)t)分别是实际风信息的当前采样时刻值、上一采样时刻值、上上一采样时刻值；θa(kt)、θa((k-1)t)分别是当前时刻实际方向角、上一时刻实际方向角，θa(kt)＝arctan((ya(kt)-ya((k-1)t))/t)，θa((k-1)t)＝arctan((ya((k-1)t)-ya((k-2)t))/t)；ωa(kt)是当前时刻实际角速度，ωa(kt)＝(θa(kt)-θa((k-1)t))/t；θ(kt)是当前采样时刻的预测值的方向角，θ(kt)＝arctan((y(kt)-y((k-1)t))/t)；υa(kt)是当前采样时刻实际线速度，k是大于2的正整数；

由于θ^*未知，根据及通过tω^*+θ(kt)来得到θ^*；

根据公式(4)，离散化后，下一采样时刻期望线速度υ^*的控制率如下：

4)将步骤3)得到的υ^*和θ^*带入到式(6)即可得到下一采样时刻的风预测值。

已知某机位的风向历史测量信息ya(t)，ya(2t),...,ya((n-1)t),ya(nt)，n是大于3的正整数，采样周期为6秒，用本实施例上述的极短期风预测方法来进行6秒极短期风向预测，预测值序列为y(t)，y(2t),...,y((n-1)t),y(nt)进而验证本方法的有效性和可靠性，具体如下：

第一步：初始化预测值序列。

第二步：令k＝3，预测下一采样时刻的风向，即计算y((k+1)t)，过程如下：

1)使用当前时刻及当前时刻之前的风向测量值和风向预测初始化值，通过公式(7)所示ω^*控制率来获得下一采样时刻期望角速度ω^*的值；

2)通过tω^*+θ(kt)来得到θ^*；

3)使用当前时刻及当前时刻之前的风向测量值和风向预测初始化值，通过公式(8)所示υ^*控制率，获得下一采样时刻υ^*的值；

4)利用所得的υ^*和θ^*，使用公式(6)，可得到下一采样时刻的风向预测值y(k+1)；

5)更新风向预测序列。

第三步：令k＝k+1，重复第二步，直至k＝n-1。

本例中，通过试验η1＝0.988，η2＝0.851效果比较好，实际风向曲线、预测风向曲线见图1所示，实际风向曲线和预测风向曲线之间的相关系数为0.9096，风向预测误差见图2所示，风向预测比较准确。

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。