一种用于短期风速预测方法中相空间重构方法
【技术领域】
[0001] 本发明涉及风力发电技术领域。
【背景技术】
[0002] 在可再生能源中风力发电的增长速度最快，装机容量每年增长超过30%。根据欧 洲风能协会和绿色和平组织签署的《关于2020年风电达到世界电力总量的12%的蓝图》的 报告期望并预测2020年全球的风力发电装机将达到12. 31亿kW (是2002年世界风电装机 容量的38.4倍），年安装量达到1.5亿kW，风力发电量将占全球发电量的12%。我国的风 电行业也进入快速增长时期，为了使风电在快速增长的电力工业占有较多的份额，我国政 府计划在2020年风电的装机容量达到3000万kW。
[0003] 如果对风电场风速预测比较准确，将有利于调整调度计划，从而有效减轻风电对 整个电网的不利影响，减少电力系统运行成本和旋转备用，提高风电穿透功率极限，并且有 利于在开放的电力市场环境下正确制定电能交换计划等。风电穿透功率是指风电功率占系 统总发电功率的比例。中国电力科学研宄院在这方面进行了大量的研宄工作。一般情况下， 在风电穿透功率不超过8%时，我国电网不会出现较大的技术问题。但是，当风电穿透功率 超过一定值之后，有可能对电能质量和电力系统的运行产生影响，并且会危及常规发电方 式。对风电场做短期风速预测，再由风功曲线得到风力发电功率的预测值，这是进行风力发 电功率预测的有效途径之一。
[0004] 根据研宄期长短及用途的不同，可将风特征分为长期、中期和短期特征。目前，国 内外用于风速预测的方法主要有持续预测法、卡尔曼滤波法、时间序列分析法、神经网络方 法和模糊逻辑法等，而对于短期风速的预测常采用神经网络方法中的BP神经网络建模预 测风速。这些风速预测的方法只需对风电场的原始风速时间序列建立模型，就可以进行预 测，或者通过差分等手段，把非平稳的风速序列先转换为平稳序列，再对平稳序列进行建模 和预测，存在着平均相对预测误差大，通常预测误差可达到20%。由于风速受温度、气压、 地形等多种因素的影响，具有很强的随机性。对于短期风速的预测，按照现有风速预测方法 预测的风速误差大，增大了风电的运行成本。此外，BP神经网络建模预测风速，需要确定神 经网络的结构参数即需要确定神经网络的输入神经元，隐层神经元，和输出神经元。其中神 经网络的隐层神经元节点数的多少，对预测效果也有很大的影响。
[0005] 为降低风电的运行成本，必须提高风速预测精度，本领域技术人员一直在努力研 宄具有高精度的风速预测的数据处理方法，解决预测风速误差大的难题，但迄今尚未获得 成功。
【发明内容】
[0006] 本发明的目的在于提供一种风速预测精度高的用于短期风速预测方法中相空间 重构方法。
[0007] 为了实现上述目的，本发明提供如下技术方案：一种用于短期风速预测方法中相 空间重构方法，包括以下步骤：
[0008] (1)利用风速采集仪器每隔10-20分钟记录一次同一地区的风速数据，整理采集 的原始风速数据，形成风速的时间序列用于分析预测；
[0009] (2)基于混沌理论对步骤（1)中的时间序列进行相空间重构：运用虚假邻点法和 自相关法分别确定混沌理论中的嵌入维数和延迟时间，并进行多尺度分解和相空间重构：
[0010] m维相空间中，每个相点为X(t) = {x(t), x(t+ T )，…，x(t+(m-l) T )}t = 1，2,… m，都存在某个距离内最近邻点Xf，其距离为Rm(t) = ||乂(〇-\(〇||，当相空间的维数从!11 增加到m+1维时，这两个相点的距离发生变化，而成为
[0012] 若Rm+1(t)比Rm(t)有变化，则两个相邻的点在投影到低维相空间时变成伪最近邻 点，令
[0014] 若Sm>St，则Xf(t)是X(t)的虚假最近邻点，阈值St可在[10, 50]之间选择，
[0015] 对实测时间序列，从嵌入维数的最小值开始计算伪最近邻点的比值，当增加嵌入 维m到伪最近邻点的比值小于5%或者伪最近邻点不再随着嵌入维数m的增加而减少时，可 以认为奇异吸引子完全展开，此时的m即为嵌入维数；
[0016] 对于连续变量x(t)，其自相关函数C(t)定义为
[0018] 式中：T为时间的移动值，表示两时刻t和t+ T运动过程的相互关联或相近似的 程度。
[0019] 当x(t)的幅值一定时，C( T )越大，贝lj意味着x(t)与x(t+T )关联越大。当T变 小时，两个时刻的间隔也变小，两个运动过程的关联程度变大；反之，当T变大时，两个运 动过程的关联程度变小，最后趋近于〇，
[0020] 对于离散混沌时间序列x(l)，x(2)，一xa)，…序列的时间跨度为j T的自相关函 数为：
[0022] 由此可固定j，做出自相关函数关于时间t(即使t= 1，2,…d)的函数图像，则 自相关函数下降到初始值的（l-1/e)倍时，所得的时间t即是重构相空间的延迟时间t;
[0023] (3)由步骤⑵中相空间重构生成新的样本空间，并用BP神经网络建立模型；
[0024] (4)仿真验证，对比预测结果并得出结论。
[0025] 上述方案中的混沌理论是一种确定系统中出现的无规则的运动。混沌的离散情况 常常表现为混沌时间序列，混沌时间序列是由混沌模型生成的具有混沌特性的时间序列， 混沌时间序列中蕴涵着系统丰富的动力学信息，混沌时间序列是混沌理论通向现实世界的 一个桥梁，是混沌的一个重要应用领域。混沌理论目的是要揭示貌似随机的现象背后可能 隐藏的简单规律，以求发现一大类复杂问题普遍遵循的共同规律。相空间重构是分析混沌 动力学系统的第一步，系统中任一分量的演化都是由与之相互作用着的其他分量所决定 的。因此，这些相关分量的信息隐含在任一分量的发展过程中，重构系统相空间只需考察一 个分量，通过某些固定的延时点上的观测值找到m维向量，就可以重构出一个等价的相空 间。在这个相空间中恢复原有动力学系统，研宄其吸引子的性质等。所以，如何选择适当的 嵌入维数m和延迟时间t是相空间重构的主要研宄内容。
[0026] 上述方案中的BP神经网络是能反向传递并能修正误差的多层前向映射网络，通 常是由输入层、若干隐含层和输出层组成的，层与层之间的神经元采用全互连的模式，通过 相应的网络权值相互联系，每层内的神经元没有连接。当参数适当时，此网络能收敛到较 小的均方差。BP神经网络模型拓扑结构包括输入层（input)、隐层（hide layer)和输出 层（output layer)。BP神经网络的学习，就是利用样本资料并根据一定的目标函数来优 化网络的参数（权值和阈值）的过程。目前，网络学习算法通常采用的是反传学习算法 (Back-PropagationAlgorithm，简称BP算法），它通过误差函数最小化来完成输入到输出 的映射。
[0027] 优选的，在步骤（3)中，所述BP神经网络建立模型包括运用BP神经网络预测和BP 神经网络隐层神经元的确定。
[0028] 优选的，运用BP神经网络预测是通过BP神经网络将步骤（2)中的m和t进行组 合，组合成多组嵌入维数和延迟时间进行预测，并通过性能指标来预测最佳的嵌入维数和 延迟时间，根据混沌时间序列的嵌入维数m，用m-1作为网络的输入层节点数，输出层位1， 网络的输入、输出为：
[0029]
[0030] 优选的，BP神经网络隐层神经元的确定是根据公式y/k+b+ a来选择隐层 节点数，确定了不同嵌入维数和延迟时间组合相空间重构后BP神经网络的最佳隐层节点 数，式中：k为输入节点个数，b为输出节点个数，a为1到10之间的常数。
[0031] 本发明一种用于短期风速预测方法中相空间重构方法的优点体现在：本发明对 于混沌时间序列，运用相空间重构技术，求出了最佳的嵌入维数和延迟时间，并判断了他的 混沌特性。取出嵌入维数和延迟时间的应属范围，在嵌入维数和延迟时间的不同组合下， 用BP神经网络建模预测，计算出预测的各项指标，从预测指标中选出最佳的嵌入维数和延 迟时间，可以从相对误差中看出预测结果达到了理想范围，最后本发明对建立的模型进行 仿真验证，预测的相对误差为19. 509%，用武隆风电场提供的短期风速数据进行了相空间 重构和BP神经网络建模，并预测了两小时内的风速，预测的风速数据的相对误差达到了 16. 2