專利名稱：基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法和系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及風電場風速預測領(lǐng)域，更具體地說，涉及一種基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法和系統(tǒng)。
背景技術(shù)：
在全球能源危機和環(huán)境危機日益嚴峻的背景下，近年來可再生能源受到普遍的重視。作為潛力巨大的可再生能源之一，風能日益受到極大的關(guān)注，并呈現(xiàn)出廣闊的成長空間。風力發(fā)電在為經(jīng)濟增長提供充足電力供應的同時，又可以有效地緩解大氣污染和全球變暖等問題。中國目前的風電市場發(fā)展迅猛，許多海外公司都陸續(xù)進駐中國，國內(nèi)企業(yè)也紛紛進軍風電市場。因此，在國家政策扶持和能源供應緊張的大環(huán)境下，中國風力發(fā)電行業(yè)的發(fā)展前景十分廣闊，預計在未來很長一段時間都將保持高速增長。隨著我國風力發(fā)電行業(yè)的不斷發(fā)展，風電總裝機容量日益增大。但由于風電出力的隨機性、間歇性等特性，電網(wǎng)運行時必須留有足夠的備用機組和調(diào)峰容量，以保證風電出現(xiàn)大幅度波動時系統(tǒng)仍然能夠穩(wěn)定運行。這是風力發(fā)電區(qū)別于其他發(fā)電方式的最主要的特點，同時也成為制約風力發(fā)電大規(guī)模應用的最主要的問題。另外，我國現(xiàn)有的大多數(shù)風場半夜以后風力比較充沛，而此時正是電網(wǎng)負荷的峰谷期，這時風電并網(wǎng)實際上增加了電網(wǎng)調(diào)峰的負擔。所以隨著風電場規(guī)模的增大，風力發(fā)電對電力系統(tǒng)的影響也越來越顯著，給電網(wǎng)運行帶來了較大的壓力。因此，為了提高風能的利用效率，越來越多的風力發(fā)電企業(yè)需要準確的預測服務，通過預測風力資源從而給出比較準確的發(fā)電曲線，以便調(diào)控分配電量，實現(xiàn)現(xiàn)代風電與傳統(tǒng)發(fā)電聯(lián)合優(yōu)化運行。因此，要大規(guī)模使用風力發(fā)電必須提高風速預測的準確度和可靠性。選擇合適的預測模型是非常重要的，它對預測結(jié)果的正確性和有效性有很大的影響。目前，對風速的預測主要依賴于物理預測模型，其計算量大，誤差累積率高，而且需要專業(yè)的人士維護，不能滿足風電企業(yè)對風能短期預報的需求，更不能對風電場范圍內(nèi)的風速分布作出精細的預報。另外，現(xiàn)有的數(shù)值預測方法又或多或少存在一定的缺陷。以神經(jīng)網(wǎng)絡為例，神經(jīng)網(wǎng)絡的局部極小點、過擬合以及結(jié)構(gòu)和類型的選擇過分依賴經(jīng)驗等固有缺陷，嚴重降低了其應用效果。而且，類似的預測方法又涉及到系統(tǒng)變量的選擇、網(wǎng)絡結(jié)構(gòu)的選擇、 網(wǎng)絡參數(shù)的優(yōu)化、以及模型的驗證。

發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問題在于，針對現(xiàn)有技術(shù)的風電場短期風速預測準確度低， 可靠性差，給電網(wǎng)運行帶來壓力的缺陷，提供一種利用關(guān)聯(lián)向量機建立基于數(shù)據(jù)驅(qū)動的風電場短期風力預測方法和系統(tǒng)，實現(xiàn)對風速精確估計。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是構(gòu)造一種基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法，其中包括步驟Si、根據(jù)預設的預測時間間隔確定關(guān)聯(lián)向量機預測模型的輸入變量和輸出變量；S2、采用訓練樣本集對所述關(guān)聯(lián)向量機預測模型進行訓練；S3、根據(jù)訓練后的關(guān)聯(lián)向量機預測模型進行風速預測，得到相應的風速預測值。在本發(fā)明所述的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法中，所述步驟Sl之前還包括步驟SO、根據(jù)風電場的風速歷史數(shù)據(jù)庫建立所述訓練樣本集。在本發(fā)明所述的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法中，所述步驟SO包括步驟S01、從所述風電場的風速歷史數(shù)據(jù)庫中讀取歷史風速時間序列集；S02、修正所述歷史風速時間序列集中的殘缺點，并按照月份進行歸一化處理，得到所述訓練樣本集。在本發(fā)明所述的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法中，所述步驟S3包括 S31、根據(jù)訓練后的關(guān)聯(lián)向量機預測模型進行風速預測，得到預測結(jié)果；S32、對所述預測結(jié)果進行反歸一化處理，得到相應的風速預測值。在本發(fā)明所述的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法中，所述步驟S3之后還包括步驟S4、檢查所述風速預測值的有效性，如無效則返回步驟S2 ；如有效則輸出所述相應的風速預測值。本發(fā)明還涉及一種基于數(shù)據(jù)驅(qū)動的風電場短期風速預測系統(tǒng)，其中包括變量確定模塊用于根據(jù)預設的預測時間間隔確定關(guān)聯(lián)向量機預測模型的輸入變量和輸出變量； 訓練模塊用于采用訓練樣本集對所述關(guān)聯(lián)向量機預測模型進行訓練；以及預測模塊用于根據(jù)訓練后的關(guān)聯(lián)向量機預測模型進行風速預測，得到相應的風速預測值。在本發(fā)明所述的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測系統(tǒng)中，所述基于數(shù)據(jù)驅(qū)動的風電場短期風速預測系統(tǒng)還包括樣本集建立模塊用于根據(jù)風電場的風速歷史數(shù)據(jù)庫建立的所述訓練樣本集。在本發(fā)明所述的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測系統(tǒng)中，所述樣本集建立模塊包括讀取單元用于從所述風電場的風速歷史數(shù)據(jù)庫中讀取歷史風速時間序列集；以及修正單元用于修正所述歷史風速時間序列集中的殘缺點，并按照月份進行歸一化處理， 得到所述訓練樣本集。在本發(fā)明所述的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測系統(tǒng)中，所述預測模塊包括預測單元用于根據(jù)訓練后的關(guān)聯(lián)向量機預測模型進行風速預測，得到預測結(jié)果；以及處理單元用于對所述預測結(jié)果進行反歸一化處理，得到相應的風速預測值。在本發(fā)明所述的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測系統(tǒng)中，所述基于數(shù)據(jù)驅(qū)動的風電場短期風速預測系統(tǒng)還包括檢驗模塊用于檢查所述風速預測值的有效性，如無效則返回訓練模塊重新訓練，如有效則輸出所述相應的風速預測值。實施本發(fā)明的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法和系統(tǒng)，具有以下有益效果預測模型數(shù)據(jù)需求簡單，只需要歷史風速時間序列數(shù)據(jù)，且計算速度快，預測精度高，降低了對計算平臺性能的要求；可以按照不同應用需求，選擇任意的預測間隔，進行超前多步高精度風速預測；根據(jù)實際觀測值和模型校驗指標，實時檢驗預測模型的有效性，在線學習并更新模型參數(shù)；為調(diào)度員作出準確的優(yōu)化調(diào)度決策提供可靠、有效的技術(shù)支撐。


下面將結(jié)合附圖及實施例對本發(fā)明作進一步說明，附圖中圖1是本發(fā)明的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法的第一優(yōu)選實施例的流程圖2是本發(fā)明的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法的第二優(yōu)選實施例的流程圖；圖3是本發(fā)明的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法的第三優(yōu)選實施例的流程圖； 圖4是本發(fā)明的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法的第四優(yōu)選實施例的流程圖；圖5是本發(fā)明的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法的第五優(yōu)選實施例的流程圖；圖6是本發(fā)明的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測系統(tǒng)的第一優(yōu)選實施例的結(jié)構(gòu)示意圖；圖7是本發(fā)明的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測系統(tǒng)的第二優(yōu)選實施例的結(jié)構(gòu)示意圖；圖8是本發(fā)明的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測系統(tǒng)的第三優(yōu)選實施例的結(jié)構(gòu)示意圖；圖9是本發(fā)明的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測系統(tǒng)的第四優(yōu)選實施例的結(jié)構(gòu)示意圖；圖10是本發(fā)明的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測系統(tǒng)的第五優(yōu)選實施例的結(jié)構(gòu)示意圖；圖11是本發(fā)明的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測系統(tǒng)的優(yōu)選實施例的具體結(jié)構(gòu)示意圖。
具體實施例方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。關(guān)聯(lián)向量機作為一種稀疏概率模型，其訓練是在貝葉斯框架下進行的，它具有以下優(yōu)點(1)能夠給出必要的概率信息，還能獲取預測的不確定性；(2)無需事先設定或調(diào)整參數(shù)；C3)核函數(shù)不必滿足梅西條件；(4)解更稀疏，所需的核函數(shù)的數(shù)量不會隨著訓練集增大而顯著增加；( 學習樣本需求量少，預測精度高?；谝陨峡紤]，本發(fā)明利用關(guān)聯(lián)向量機建立基于數(shù)據(jù)驅(qū)動的風電場短期風速預測模型，實現(xiàn)對風速精確估計。在圖1所示的本發(fā)明的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法的第一優(yōu)選實施例的流程圖中，所述基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法開始于步驟100 ；步驟100 之后進行到步驟101，根據(jù)預設的預測時間間隔確定關(guān)聯(lián)向量機預測模型的輸入變量和輸出變量；隨后，到下一步驟102，采用訓練樣本集對所述關(guān)聯(lián)向量機預測模型進行訓練；隨后，到下一步驟103，根據(jù)訓練后的關(guān)聯(lián)向量機預測模型進行風速預測，得到相應的風速預測值；最后該方法結(jié)束于步驟104。本方法計算速度快，所需樣本數(shù)據(jù)少，預測精度高，可在線學習，實時更新參數(shù)，解決了一些傳統(tǒng)數(shù)值預測方法所存在的缺陷。而且本方法可以按照不同需求，選擇任意的預測間隔，進行超前多步(一分鐘、五分鐘、一小時、二十四小時)高精度風速預測。
在圖2所示的本發(fā)明的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法的第二優(yōu)選實施例的流程圖中，所述基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法開始于步驟200 ；步驟200 之后進行到步驟201，根據(jù)風電場的風速歷史數(shù)據(jù)庫建立所述訓練樣本集；隨后，到下一步驟202，根據(jù)預設的預測時間間隔確定關(guān)聯(lián)向量機預測模型的輸入變量和輸出變量；隨后， 到下一步驟203，采用訓練樣本集對所述關(guān)聯(lián)向量機預測模型進行訓練；隨后，到下一步驟 204，根據(jù)訓練后的關(guān)聯(lián)向量機預測模型進行風速預測，得到相應的風速預測值；最后該方法結(jié)束于步驟205。從風電場數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)的歷史數(shù)據(jù)庫讀取歷史風速時間序列集建立訓練樣本集。在圖3所示的本發(fā)明的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法的第三優(yōu)選實施例的流程圖中，所述基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法開始于步驟300 ；步驟300 之后進行到步驟301，從所述風電場的風速歷史數(shù)據(jù)庫中讀取歷史風速時間序列集；隨后， 到下一步驟302，修正所述歷史風速時間序列集中的殘缺點，并按照月份進行歸一化處理， 得到所述訓練樣本集；隨后，到下一步驟303，根據(jù)預設的預測時間間隔確定關(guān)聯(lián)向量機預測模型的輸入變量和輸出變量；隨后，到下一步驟304，采用訓練樣本集對所述關(guān)聯(lián)向量機預測模型進行訓練；隨后，到下一步驟305，根據(jù)訓練后的關(guān)聯(lián)向量機預測模型進行風速預測，得到相應的風速預測值；最后該方法結(jié)束于步驟306。從風電場數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)的歷史數(shù)據(jù)庫讀取歷史風速時間序列集；修正歷史風速時間序列集中的殘缺點，并按照相同月份進行歸一化處理，得到訓練樣本集；修正殘缺點的步驟如下修正殘缺點的算式為(1)
權(quán)利要求
1.一種基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法，其特征在于，包括步驟51、根據(jù)預設的預測時間間隔確定關(guān)聯(lián)向量機預測模型的輸入變量和輸出變量；52、采用訓練樣本集對所述關(guān)聯(lián)向量機預測模型進行訓練；53、根據(jù)訓練后的關(guān)聯(lián)向量機預測模型進行風速預測，得到相應的風速預測值。
2.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法，其特征在于，所述步驟Sl之前還包括步驟SO、根據(jù)風電場的風速歷史數(shù)據(jù)庫建立所述訓練樣本集。
3.根據(jù)權(quán)利要求2所述的數(shù)據(jù)驅(qū)動的風電場短期風速預測方法，其特征在于，所述步驟SO包括步驟501、從所述風電場的風速歷史數(shù)據(jù)庫中讀取歷史風速時間序列集；502、修正所述歷史風速時間序列集中的殘缺點，并按照月份進行歸一化處理，得到所述訓練樣本集。
4.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法，其特征在于，所述步驟S3包括531、根據(jù)訓練后的關(guān)聯(lián)向量機預測模型進行風速預測，得到預測結(jié)果；532、對所述預測結(jié)果進行反歸一化處理，得到相應的風速預測值。
5.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法，其特征在于，所述步驟S3之后還包括步驟54、檢查所述風速預測值的有效性，如無效則返回步驟S2；如有效則輸出所述相應的風速預測值。
6.一種基于數(shù)據(jù)驅(qū)動的風電場短期風速預測系統(tǒng)，其特征在于，包括變量確定模塊(1)用于根據(jù)預設的預測時間間隔確定關(guān)聯(lián)向量機預測模型的輸入變量和輸出變量；訓練模塊O)用于采用訓練樣本集對所述關(guān)聯(lián)向量機預測模型進行訓練；以及預測模塊(3)用于根據(jù)訓練后的關(guān)聯(lián)向量機預測模型進行風速預測，得到相應的風速預測值。
7.根據(jù)權(quán)利要求6所述的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測系統(tǒng)，其特征在于，所述基于數(shù)據(jù)驅(qū)動的風電場短期風速預測系統(tǒng)還包括樣本集建立模塊用于根據(jù)風電場的風速歷史數(shù)據(jù)庫建立的所述訓練樣本集。
8.根據(jù)權(quán)利要求7所述的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測系統(tǒng)，其特征在于，所述樣本集建立模塊(4)包括讀取單元(41)用于從所述風電場的風速歷史數(shù)據(jù)庫中讀取歷史風速時間序列集；以及修正單元G2)用于修正所述歷史風速時間序列集中的殘缺點，并按照月份進行歸一化處理，得到所述訓練樣本集。
9.根據(jù)權(quán)利要求6所述的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測系統(tǒng)，其特征在于，所述預測模塊( 包括預測單元(31)用于根據(jù)訓練后的關(guān)聯(lián)向量機預測模型進行風速預測，得到預測結(jié)果；以及處理單元(32)用于對所述預測結(jié)果進行反歸一化處理，得到相應的風速預測值。
10.根據(jù)權(quán)利要求6所述的基于數(shù)據(jù)驅(qū)動的風電場短期風速預測系統(tǒng)，其特征在于，所述基于數(shù)據(jù)驅(qū)動的風電場短期風速預測系統(tǒng)還包括檢驗模塊(5)用于檢查所述風速預測值的有效性，如無效則返回訓練模塊重新訓練， 如有效則輸出所述相應的風速預測值。
全文摘要
本發(fā)明涉及一種基于數(shù)據(jù)驅(qū)動的風電場短期風速預測方法，包括步驟S 1根據(jù)預設的預測時間間隔確定關(guān)聯(lián)向量機預測模型的輸入變量和輸出變量；S2采用訓練樣本集對關(guān)聯(lián)向量機預測模型進行訓練；S3根據(jù)訓練后的關(guān)聯(lián)向量機預測模型進行風速預測，得到相應的風速預測值。本發(fā)明還涉及一種基于數(shù)據(jù)驅(qū)動的風電場短期風速預測系統(tǒng)，包括變量確定模塊用于根據(jù)預設的預測時間間隔確定關(guān)聯(lián)向量機預測模型的輸入變量和輸出變量；訓練模塊用于采用訓練樣本集對關(guān)聯(lián)向量機預測模型進行訓練；以及預測模塊用于根據(jù)訓練后的關(guān)聯(lián)向量機預測模型進行風速預測，得到相應的風速預測值。本發(fā)明利用關(guān)聯(lián)向量機建立，實現(xiàn)對風速精確估計。
文檔編號G06Q10/04GK102479347SQ201010557609
公開日2012年5月30日 申請日期2010年11月24日 優(yōu)先權(quán)日2010年11月24日
發(fā)明者孟科, 董朝陽, 黃杰波 申請人:香港理工大學