一种基于小波分析的风电场风速组合预测方法与流程

本发明涉及新能源发电技术领域，具体涉及一种基于小波分析的风电场风速组合预测方法。

背景技术：

近年来，随着风能发电技术的快速发展与利用，风电装机容量急剧上升，全球风电行业蓬勃发展。然而，由于风力发电的间歇性和随机性，将风力发电与传统电网系统相结合面临诸多挑战，包括能源发电规划和涡轮机维护调度，电网系统安全运行和互联标准的变化等。准确的风功率预测可以为电力调度提供重要依据，有效减轻风电对电网的影响。由于风电功率与风速有直接确定的关系，风电功率预测可在风速预测的基础上实现，所以为了减轻风能接入电力系统造成的上述问题，对短期风速进行准确预测变得越来越重要。

目前，现有技术中主要采用单一模型对短期风速进行预测，如物理建模方法nwp(数值天气预报)、统计学习方法(时间序列法、卡尔曼滤波法、灰色预测法等)和智能机器学习方法(人工神经网络法、)等，但是采用单一模型对短期风速进行预测时，预测结果容易受到风速高度非线性的影响，且预测结果容易陷入局部最优，校验精度低，泛化能力不足，在一定程度上降低了预测精度。

技术实现要素：

为解决现有技术中的不足，本发明提供一种基于小波分析的风电场风速组合预测方法，解决了现有技术中由于风电场风速信号的随机性和不平稳性等所引起的风速预测精度不高的问题。

为了实现上述目标，本发明采用如下技术方案：

一种基于小波分析的风电场风速组合预测方法，其特征在于：按照以下步骤操作：

步骤一：对风场内的风速数据进行测试采集，对数据样本做归一化操作，形成历史风速序列数据；划分历史风速信号的训练集和测试集；

步骤二：利用小波分析方法将历史风速信号分解成n层不同频率、不同层次的信号分量，n是正整数，表示信号分量的层数；

步骤三：利用遗传算法优化神经网络的初始值和阈值，建立神经网络预测模型，对历史风速信号的低频近似信号进行训练并预测；优化支持向量机的核函数参数g和惩罚因子c，选取最优的核函数参数g和惩罚因子c、建立粒子群优化的支持向量机风速预测模型，对历史风速信号的高频信号分量进行训练并预测；

步骤四：对比风速数据的预测值与原始值，计算风速信号的预测误差，判断风速预测值与真实值的误差是否满足要求，若满足要求则进入至下一步骤，若不满足要求，则将风速数据分解层数和模型输入维数作为优化参数进一步进行优化；并根据每次的预测信号误差确定相应的权重系数；

步骤五：根据多次风速预测的权重系数，将多风速数据线性叠加重构得到风速预测值。

作为一种优化方案，前述的一种基于小波分析的风电场风速组合预测方法，其特征在于：步骤三中利用遗传算法优化神经网络的初始值和阈值；具体步骤如下：

步骤一：随机初始化种群：个体编码采用实数编码方式，每个个体均为一个实数串，该实数串包括输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值；

步骤二：确定适应度函数：以神经网络的预测输出和期望输出之间的绝对误差和的倒数作为适应度函数f；

步骤三：选择操作：从种群中选择若干个体作为双亲用于繁殖后代，适应度高的个体遗传到下一代的概率较大，适应度低的个体遗传到下一代的概率则较小；

步骤四：交叉操作：两个配对的个体以交叉概率pc交换其中部分基因，形成两个新的个体；

步骤五：变异操作：以一个比较小的变异概率pv选择第i个个体的第j个基因gij进行变异；

步骤六：计算适应度函数值，若满足算法结束条件则输出优化的权值和阈值，若不满足算法结束条件则返回步骤三；

步骤七：以遗传算法输出的优化的权值和阈值作为神经网络的初始权值和阈值，用训练样本对神经网络训练，得到短期风速预测模型。

作为一种优化方案，前述的一种基于小波分析的风电场风速组合预测方法，其特征在于：步骤三中采用粒子群算法优化支持向量机的风速组合预测模型中的惩罚因子c和核函数参数g，将最优的惩罚因子c和核函数参数g赋给支持向量机，并用构建的风速样本对支持向量机网络训练，建立优化的风速组合预测模型，分析和评价预测结果。

作为一种优化方案，前述的一种基于小波分析的风电场风速组合预测方法，其特征在于：

采用粒子群算法优化支持向量机的风速组合预测模型中的惩罚因子c和核函数参数g的具体做法是：

在解空间中初始化一群粒子，每个粒子i都代表组合模型的惩罚因子c和核函数参数g的一个潜在最优解，用位置向量xi＝(xi1,xi2,…xin)速度向量vi＝(vi1,vi2,…vin)两个n维向量来表示，速度和位置更新方程为：

式中，表示粒子在k次迭代中式中第d维的位置和速度；w表示权重；c1，c2表示学习因子，常均取2，取[0，1]之间的随机数；表示粒子i个体极值在第d维的坐标；表示整个群体全局极值点在d维的坐标经多次迭代后搜寻到适应度值最优位置，即为最优的惩罚因子c和核函数参数g。

作为一种优化方案，前述的一种一种基于小波分析的风电场风速组合预测方法，其特征在于：步骤二中信号分量的层数n等于5。

作为一种优化方案，前述的一种一种基于小波分析的风电场风速组合预测方法，其特征在于：五层信号分量包括一层低频信号和四层高频信号。

作为一种优化方案，前述的一种基于小波分析的风电场风速组合预测方法，其特征在权利于：步骤三中核函数参数g采用的核函数为高斯径向基函数k(xi，xj)＝exp[-(||xi-xj||²)/σ²]；式中xi是空间上任一点，xj是核函数中心，σ是函数的宽度参数，控制函数的径向作用范围。

作为一种优化方案，前述的一种一种基于小波分析的风电场风速组合预测方法，其特征在于：步骤一中的数据样本做归一化操作前，还对所采集风速数据的异常值进行平稳化处理，补修缺失数据，选取数据样本。

本发明所达到的有益效果：本发明充分考虑风速信号的高度非线性、随机性和不平稳性，利用小波分析将风速信号分解为多层信号，并通过多种预测方法对各层信号进行训练预测，通过权重系数的配置提高了全局收敛精度和风速信号的预测精度；本方法可获得较单一预测方法精度更高的风速预测结果。为电力系统改善风电功率预测精确度提供技术上的参考，有利于电网调度部门合理安排调度计划，减少电网运行成本，保证电网完全稳定的运行。

附图说明

图1是本发明组合风速预测方法的风速预测流程图；

图2是本发明实施例所采用的历史风速数据；

图3是小波分解后的风速信号；

图4是本发明实施例的风速预测值与测试值的对比图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本实施例公开了一种基于小波分析的风电场风速组合预测方法，包括小波分析、遗传算法、粒子群算法、神经网络和支持向量机等方法的组合。为验证本发明技术方法有效性和风速预测的精确性，以某地的风速测试数据建立风速预测模型，并进行训练和预测。图1为本发明实施例提供的一种基于小波分析的风电场风速组合预测方法的流程示意图。其具体实施包括以下步骤：

步骤一：首先对风场内的风速数据进行测试采集，对数据样本做归一化操作，形成历史风速序列数据；划分历史风速信号的训练集和测试集。为提升测试结果的准确性，在数据样本做归一化操作前，最好对所采集风速数据的异常值进行平稳化处理，补修缺失数据，选取数据样本，处理之后的历史风速如图2所示。

步骤二：然后利用小波分析方法将历史风速信号分解成n层不同频率、不同层次的信号分量，n是正整数，表示信号分量的层数。本实施例的信号分量的层数n优选等于5，包括一层低频信号和四层高频信号，具体信号的分解关系如下：s＝a4+d4+d3+d2+d1；a表示低频信号，d表示高频信号，s表示历史风速信号。对训练集数据进行重构，形成风速预测训练模型的输入和输出；小波分解后的风速信号如图3所示。

步骤三：优化神经网络的初始值和阈值，建立神经网络预测模型，对历史风速信号的低频近似信号进行训练并预测；优化支持向量机的核函数参数g和惩罚因子c，选取最优的核函数参数g和惩罚因子c、建立粒子群优化的支持向量机风速预测模型，对历史风速信号的高频信号分量进行训练并预测，本步骤中的利用遗传算法优化神经网络的初始值和阈值；具体步骤如下：随机初始化种群：个体编码采用实数编码方式，每个个体均为一个实数串，该实数串包括输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值；确定适应度函数：以神经网络的预测输出和期望输出之间的绝对误差和的倒数作为适应度函数f；选择操作：从种群中选择若干个体作为双亲用于繁殖后代，适应度高的个体遗传到下一代的概率较大，适应度低的个体遗传到下一代的概率则较小；交叉操作：两个配对的个体以交叉概率pc交换其中部分基因，形成两个新的个体；变异操作：以一个比较小的变异概率pv选择第i个个体的第j个基因gij进行变异；计算适应度函数值，若满足算法结束条件则输出优化的权值和阈值，若不满足算法结束条件则重新返回本步骤中的选择操作环节；以遗传算法输出的优化的权值和阈值作为神经网络的初始权值和阈值，用训练样本对神经网络训练，得到短期风速预测模型。

本步骤中采用粒子群算法优化支持向量机的风速组合预测模型中的惩罚因子c和核函数参数g，将最优的惩罚因子c和核函数参数g赋给支持向量机，并用构建的风速样本对支持向量机网络训练，建立优化的风速组合预测模型，分析和评价预测结果。优选采用粒子群算法优化支持向量机的风速组合预测模型中的惩罚因子c和核函数参数g的具体做法是：

在解空间中初始化一群粒子，每个粒子i都代表组合模型的惩罚因子c和核函数参数g的一个潜在最优解，用位置向量xi＝(xi1,xi2,…xin)速度向量vi＝(vi1,vi2,…vin)两个n维向量来表示，速度和位置更新方程为：

式中，表示粒子在k次迭代中式中第d维的位置和速度；w表示权重；c1，c2表示学习因子，常均取2，取[0，1]之间的随机数；表示粒子i个体极值在第d维的坐标；表示整个群体全局极值点在d维的坐标经多次迭代后搜寻到适应度值最优位置，即为最优的惩罚因子c和核函数参数g。

优选：核函数参数g采用的核函数为高斯径向基函数k(xi，xj)＝exp[-(||x-xi||²)/σ²]；式中xi是空间上任一点，xj是核函数中心，σ是函数的宽度参数，控制函数的径向作用范围。

步骤四：对比风速数据的预测值与原始值，计算风速信号的预测误差，判断风速预测值与真实值的误差是否满足要求，若满足要求则进入至下一步骤，若不满足要求，则将风速数据分解层数和模型输入维数作为优化参数进一步进行优化；并根据每次的预测信号误差确定相应的权重系数；需满足误差越小相应层权重系数越大的条件，如：信号层1误差为e1，信号层2误差为e2，则相应各层的权重系数分别为λ1＝e2/(e1+e2)；λ2＝e1/(e1+e2)。

步骤五：根据多次风速预测的权重系数，将多风速数据线性叠加重构得到风速预测值。如图4所示，可以发现采用本发明方法所得到的风速预测值与真实值误差很小，有效验证本发明方法的有效性和预测精确性。

本发明充分考虑风速信号的高度非线性、随机性和不平稳性，利用小波分析将风速信号分解为多层信号，并通过多种预测方法对各层信号进行训练预测，通过权重系数的配置提高了全局收敛精度和风速信号的预测精度；本方法可获得较单一预测方法精度更高的风速预测结果。为电力系统改善风电功率预测精确度提供技术上的参考，有利于电网调度部门合理安排调度计划，减少电网运行成本，保证电网完全稳定的运行。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。