專(zhuān)利名稱(chēng)：一種風(fēng)電場(chǎng)風(fēng)速智能預(yù)測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種風(fēng)電場(chǎng)風(fēng)速智能預(yù)測(cè)方法。
背景技術(shù)：
近年來(lái)，綠色環(huán)保的風(fēng)力發(fā)電得到了世界各國(guó)的普遍重視，發(fā)展也非常迅速。在決定風(fēng)力發(fā)電機(jī)組的安裝容量與安裝位置之前，風(fēng)速的超前預(yù)測(cè)結(jié)果能夠幫助決策者事先提前獲得預(yù)測(cè)地的風(fēng)力發(fā)電的資源潛力。此外，風(fēng)速預(yù)測(cè)技術(shù)對(duì)于保護(hù)風(fēng)機(jī)等設(shè)備、監(jiān)控風(fēng)電并網(wǎng)也非常重要。因此，風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)具有非常重大的社會(huì)和經(jīng)濟(jì)意義。中國(guó)發(fā)明專(zhuān)利《一種風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)方法》(申請(qǐng)?zhí)?01019146035. 5)公開(kāi)了基于混沌分析方法和支持向量機(jī)的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)方法。該方法雖然直接通過(guò)支持向量機(jī)獲得了較高的預(yù)測(cè)精度，但支持向量機(jī)是通過(guò)二次規(guī)劃來(lái)求解支持向量，而求解二次規(guī)劃將涉及到大型m階矩陣的計(jì)算(m為樣本的個(gè)數(shù))，當(dāng)m數(shù)目很大時(shí)該矩陣的存儲(chǔ)和計(jì)算將耗費(fèi)大量的機(jī)器內(nèi)存和運(yùn)算時(shí)間，模型將無(wú)法實(shí)時(shí)輸出預(yù)測(cè)值。其不足之處該發(fā)明無(wú)法用于實(shí)時(shí)的大型風(fēng)電場(chǎng)風(fēng)速預(yù)警監(jiān)控系統(tǒng)中。中國(guó)發(fā)明專(zhuān)利《基于神經(jīng)網(wǎng)絡(luò)的短時(shí)風(fēng)速預(yù)報(bào)方法》(申請(qǐng)?zhí)?00910219123. 3)公開(kāi)了基于風(fēng)速、風(fēng)向、溫度和氣壓的BP神經(jīng)網(wǎng)絡(luò)風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)方法。該方法選擇了應(yīng)用最為廣泛的BP神經(jīng)網(wǎng)絡(luò)模型來(lái)對(duì)風(fēng)速、風(fēng)向、溫度和壓力等多維時(shí)間序列數(shù)據(jù)進(jìn)行空間擬合，從而實(shí)現(xiàn)風(fēng)速的預(yù)測(cè)。其不足之處是由于使用了多種類(lèi)的樣本數(shù)據(jù)從而造成BP神經(jīng)網(wǎng)絡(luò)模型負(fù)責(zé)、模型的訓(xùn)練和預(yù)測(cè)輸出時(shí)間偏長(zhǎng)、預(yù)測(cè)精度不高、預(yù)測(cè)實(shí)時(shí)性難以保障等缺點(diǎn)，同時(shí)多種類(lèi)數(shù)據(jù)的采集也勢(shì)必增加實(shí)際應(yīng)用系統(tǒng)的負(fù)擔(dān)。上述專(zhuān)利均不能實(shí)現(xiàn)超前多步預(yù)測(cè)。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服現(xiàn)有技術(shù)中的不足，基于成熟的小波包分解法、時(shí)間序列分析法、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)四種算法的分類(lèi)混合建模，提供一種高精度、簡(jiǎn)單方便、能實(shí)現(xiàn)超前多步預(yù)測(cè)的風(fēng)電場(chǎng)風(fēng)速智能預(yù)測(cè)方法。本發(fā)明的目的通過(guò)下述技術(shù)方案予以實(shí)現(xiàn)所述方法的步驟包括數(shù)據(jù)采集與輸入、數(shù)據(jù)序列分層、建立數(shù)學(xué)模型、預(yù)測(cè)綜合計(jì)算和預(yù)測(cè)結(jié)果輸出，所述預(yù)測(cè)綜合計(jì)算是對(duì)數(shù)學(xué)模型中的數(shù)據(jù)進(jìn)行加權(quán)計(jì)算；所述數(shù)據(jù)序列分層是采用小波包分解法，將原始非平穩(wěn)風(fēng)速分解成至少為兩個(gè)的趨于平穩(wěn)的風(fēng)速數(shù)據(jù)輸出，風(fēng)速數(shù)據(jù)輸出的個(gè)數(shù)就定義為風(fēng)速的序列層數(shù)；所述建立數(shù)學(xué)模型，是對(duì)風(fēng)速的序列層數(shù)中每層數(shù)據(jù)單獨(dú)進(jìn)行處理，首先按照事先的設(shè)定，判定當(dāng)前數(shù)據(jù)為高頻序列層還是低頻序列層，如果當(dāng)前數(shù)據(jù)屬于高頻序列層，則進(jìn)行以下處理建立BP神經(jīng)網(wǎng)絡(luò)模型、高頻數(shù)據(jù)計(jì)算，然后進(jìn)入數(shù)據(jù)棧；如果當(dāng)前數(shù)據(jù)屬于低頻序列層，則進(jìn)行以下處理建立時(shí)間序列模型、低頻數(shù)據(jù)計(jì)算，然后進(jìn)入數(shù)據(jù)棧；當(dāng)所有數(shù)據(jù)全部到達(dá)數(shù)據(jù)棧后，數(shù)據(jù)棧中的所有數(shù)據(jù)才進(jìn)入預(yù)測(cè)綜合計(jì)算步驟進(jìn)行加權(quán)計(jì)算， 最后執(zhí)行預(yù)測(cè)結(jié)果輸出。所述建立BP神經(jīng)網(wǎng)絡(luò)模型的步驟包括
(1)、當(dāng)前數(shù)據(jù)為高頻序列層的確認(rèn)；
(2)、數(shù)據(jù)歸一化處理；
(3)、BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確立；
(4)、BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練；
(5)、BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出的確定；
(6)、BP神經(jīng)網(wǎng)絡(luò)模型的計(jì)算及其輸出。所述建立時(shí)間序列模型的步驟包括
(1)、當(dāng)前數(shù)據(jù)為低頻序列層的確認(rèn)；
(2)、時(shí)間序列模型類(lèi)別辨識(shí)；
(3)、時(shí)間序列模型階次確定；
(4)、時(shí)間序列模型參數(shù)確定；
(5)、時(shí)間序列模型的計(jì)算及其輸出。所述時(shí)間序列模型參數(shù)確定過(guò)程中，引入了能夠提高傳統(tǒng)時(shí)間序列模型的泛化能力的支持向量機(jī)法，即將時(shí)間序列模型的方程作為支持向量機(jī)的結(jié)構(gòu)，按照支持向量機(jī)的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則來(lái)確定時(shí)間序列模型的參數(shù)值，然后將所得的參數(shù)值代入時(shí)間序列模型的方程進(jìn)行預(yù)測(cè)計(jì)算。與現(xiàn)有技術(shù)相比，本發(fā)明具有優(yōu)點(diǎn)
(a)本發(fā)明采用小波包分解法將原始跳躍風(fēng)速數(shù)據(jù)預(yù)先分解成幾層較為平穩(wěn)的風(fēng)速序列層的做法提高了模型抗跳躍性的能力，使得模型可以獲得高精度的跳躍風(fēng)速預(yù)測(cè)精度。該優(yōu)點(diǎn)在后面的實(shí)施例I中得到體現(xiàn)；
(b)本發(fā)明對(duì)小波包分解后的低頻、高頻風(fēng)速序列層采用分類(lèi)預(yù)測(cè)的做法既兼顧了模型的預(yù)測(cè)精度，又降低了計(jì)算難度和保證了預(yù)測(cè)輸出的實(shí)時(shí)性；
(C)從背景技術(shù)可知，支持向量機(jī)是一種出色的智能算法。但如果將其直接用于預(yù)測(cè)計(jì)算，由于涉及大矩陣計(jì)算使得模型的實(shí)時(shí)性難以保證。為改進(jìn)這個(gè)不足，本發(fā)明采用一種新思路不將支持向量機(jī)直接用于預(yù)測(cè)計(jì)算，而是用于時(shí)間序列模型的參數(shù)估計(jì)優(yōu)化中，這樣不僅獲得了其出色的算法性能，而且有效地縮短了預(yù)測(cè)輸出的時(shí)間；
Cd)本發(fā)明計(jì)算簡(jiǎn)單，預(yù)測(cè)精度高，能完成超前多步預(yù)測(cè)計(jì)算，可推廣于相關(guān)實(shí)際系統(tǒng)中。該優(yōu)點(diǎn)在后面的比較例I、比較例2中得到驗(yàn)證。


附圖I為本發(fā)明方法的流程框圖。
為實(shí)施例I在某風(fēng)電場(chǎng)所采集的非平穩(wěn)風(fēng)速數(shù)據(jù)。
為小波包分解示意圖。
為圖2數(shù)據(jù)經(jīng)過(guò)小波包分解后被轉(zhuǎn)化為8個(gè)序列分層數(shù)據(jù)。 為圖4中第(3，0)低頻序列層的建模數(shù)據(jù)集的自相關(guān)系數(shù)圖。 為圖4中第(3，0)低頻序列層的建模數(shù)據(jù)集的偏相關(guān)系數(shù)圖。附圖2附圖3附圖4附圖5附圖6
附圖7為圖4中第(3，0)低頻序列層的建模數(shù)據(jù)集的FPE階次圖。圖8為實(shí)施例I超前一步預(yù)測(cè)結(jié)果輸出；
圖9為實(shí)施例I超前兩步預(yù)測(cè)結(jié)果輸出；
圖10為實(shí)施例I超前三步預(yù)測(cè)結(jié)果輸出。圖I中1_數(shù)據(jù)采集與輸入，2-數(shù)據(jù)序列分層，3-建立數(shù)學(xué)模型，4-預(yù)測(cè)綜合計(jì)算，5-預(yù)測(cè)結(jié)果輸出，6-低頻序列層，7-建立時(shí)間序列模型，8-低頻數(shù)據(jù)計(jì)算，9-高頻序列層，10-建立BP神經(jīng)網(wǎng)絡(luò)模型11-高頻數(shù)據(jù)計(jì)算，12-數(shù)據(jù)棧。
具體實(shí)施例方式下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明
參照附圖，所述方法的步驟包括數(shù)據(jù)采集與輸入I、數(shù)據(jù)序列分層2、建立數(shù)學(xué)模型3、 預(yù)測(cè)綜合計(jì)算4和預(yù)測(cè)結(jié)果輸出5，所述預(yù)測(cè)綜合計(jì)算4是對(duì)數(shù)學(xué)模型中的數(shù)據(jù)進(jìn)行加權(quán)計(jì)算；所述數(shù)據(jù)序列分層2是采用小波包分解法，將原始非平穩(wěn)風(fēng)速分解成至少為兩個(gè)的趨于平穩(wěn)的風(fēng)速數(shù)據(jù)輸出，風(fēng)速數(shù)據(jù)輸出的個(gè)數(shù)就定義為風(fēng)速的序列層數(shù)；所述建立數(shù)學(xué)模型3，是對(duì)風(fēng)速的序列層數(shù)中每層數(shù)據(jù)單獨(dú)進(jìn)行處理，首先按照事先的設(shè)定，判定當(dāng)前數(shù)據(jù)為高頻序列層9還是低頻序列層6，如果當(dāng)前數(shù)據(jù)屬于高頻序列層9，則進(jìn)行以下處理建立 BP神經(jīng)網(wǎng)絡(luò)模型10、高頻數(shù)據(jù)計(jì)算11，然后進(jìn)入數(shù)據(jù)棧12 ;如果當(dāng)前數(shù)據(jù)屬于低頻序列層 6，則進(jìn)行以下處理建立時(shí)間序列模型7、低頻數(shù)據(jù)計(jì)算8，然后進(jìn)入數(shù)據(jù)棧12 ;當(dāng)所有數(shù)據(jù)全部到達(dá)數(shù)據(jù)棧12后，數(shù)據(jù)棧12中的所有數(shù)據(jù)才進(jìn)入預(yù)測(cè)綜合計(jì)算4步驟進(jìn)行加權(quán)計(jì)算， 最后執(zhí)行預(yù)測(cè)結(jié)果輸出5。所述建立BP神經(jīng)網(wǎng)絡(luò)模型10的步驟包括
(1)、當(dāng)前數(shù)據(jù)為高頻序列層9的確認(rèn)；
(2)、數(shù)據(jù)歸一化處理；
(3)、BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確立；
(4)、BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練；
(5)、BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出的確定；
(6)、BP神經(jīng)網(wǎng)絡(luò)模型的計(jì)算及其輸出。所述建立時(shí)間序列模型7的步驟包括
(1)、當(dāng)前數(shù)據(jù)為低頻序列層6的確認(rèn)；
(2)、時(shí)間序列模型類(lèi)別辨識(shí)；
(3)、時(shí)間序列模型階次確定；
(4)、時(shí)間序列模型參數(shù)確定；
(5)、時(shí)間序列模型的計(jì)算及其輸出。所述時(shí)間序列模型參數(shù)確定過(guò)程中，引入了能夠提高傳統(tǒng)時(shí)間序列模型的泛化能力的支持向量機(jī)法，即將時(shí)間序列模型的方程作為支持向量機(jī)的結(jié)構(gòu)，按照支持向量機(jī)的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則來(lái)確定時(shí)間序列模型的參數(shù)值，然后將所得的參數(shù)值代入時(shí)間序列模型的方程進(jìn)行預(yù)測(cè)計(jì)算。目前，風(fēng)電場(chǎng)風(fēng)速短期預(yù)測(cè)方法主要?dú)w納為三種物理法、統(tǒng)計(jì)法和智能法，目前最流行的是智能法。智能法就是利用智能控制理論對(duì)風(fēng)速信號(hào)建立預(yù)測(cè)模型或是優(yōu)化改進(jìn)傳統(tǒng)物理或統(tǒng)計(jì)預(yù)測(cè)模型，從而獲得更高精度和魯棒性能的風(fēng)速超前預(yù)測(cè)結(jié)果。相比于物理方法和統(tǒng)計(jì)方法，智能方法通常具備“自學(xué)習(xí)性”、“自修正性”和“自跟蹤性”等智能特點(diǎn)， 其預(yù)測(cè)模型可實(shí)現(xiàn)的超前預(yù)測(cè)步數(shù)更大，獲得的超前預(yù)測(cè)精度更高。本發(fā)明的方法屬于智能法。實(shí)施例I :
I、數(shù)據(jù)采集與輸入I :采集的單個(gè)風(fēng)速樣本參考附圖2，在本實(shí)施例中共采集了 800個(gè)原始數(shù)據(jù)，前600個(gè)原始數(shù)據(jù)被送入數(shù)據(jù)序列分層2。2、數(shù)據(jù)序列分層2 :采用的小波包分解與重構(gòu)算法對(duì)前600個(gè)原始數(shù)據(jù)進(jìn)行信號(hào)分解，分解深度為3，母小波為具有時(shí)頻緊支撐和高正則性的Daubechies 4小波，合計(jì)分解成8個(gè)序列分層的數(shù)據(jù)。小波包分解示意圖如圖3所示，其中以小波包格式(a，b)來(lái)代表各分解層風(fēng)速數(shù)據(jù)(“a”是分解層數(shù)；“b”是高頻或低頻層的區(qū)分標(biāo)志若“b=0”則為低頻數(shù)據(jù)層，若“b=l” 則為高頻數(shù)據(jù)層；)。如(0，0)代表原始風(fēng)速序列，(1，0)代表第一層的低頻風(fēng)速序列，(1， I)代表第一層的高頻風(fēng)速序列，以此類(lèi)推。經(jīng)過(guò)小波包分解后的各序列如附圖4。該序列代表的數(shù)據(jù)為小波包分解后確定的某個(gè)分層的風(fēng)速數(shù)據(jù)。3、建立數(shù)學(xué)模型3 :分類(lèi)式建模法，即根據(jù)風(fēng)速序列層的高頻、低頻種類(lèi)來(lái)對(duì)每層數(shù)據(jù)單獨(dú)進(jìn)行建模。(I)高頻序列層建模如果該序列層數(shù)據(jù)為小波包高頻分解層9，則對(duì)其建立BP神經(jīng)網(wǎng)絡(luò)模型10。所述建立BP神經(jīng)網(wǎng)絡(luò)模型10 :采用成熟的現(xiàn)有技術(shù)，計(jì)算步驟包括
(a)、當(dāng)前數(shù)據(jù)為高頻序列層9確認(rèn)；
(b)、數(shù)據(jù)歸一化處理指將輸入到神經(jīng)網(wǎng)絡(luò)的高頻序列層風(fēng)速數(shù)據(jù)歸一化在
之間。這樣做的目的是為了加快神經(jīng)網(wǎng)絡(luò)在訓(xùn)練和預(yù)測(cè)時(shí)的收斂速度。(c)、BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確立指按照高頻序列層風(fēng)速的數(shù)據(jù)特征，選擇合適的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)指標(biāo)，包括確定隱含層數(shù)目、各層神經(jīng)元個(gè)數(shù)和神經(jīng)網(wǎng)絡(luò)的鏈接初始權(quán)值和閾值。(d)、BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練指將高頻序列層風(fēng)速數(shù)據(jù)中的訓(xùn)練數(shù)據(jù)集依次輸入到神經(jīng)網(wǎng)絡(luò)來(lái)逐步調(diào)整網(wǎng)絡(luò)的鏈接權(quán)值和閾值，使得網(wǎng)絡(luò)的性能達(dá)到最佳。本實(shí)施例的訓(xùn)練數(shù)據(jù)集為各高頻序列層的前600個(gè)數(shù)據(jù)。(e), BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出的確定指(d)步已訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)根據(jù)高頻序列層的預(yù)測(cè)數(shù)據(jù)集自動(dòng)計(jì)算出對(duì)應(yīng)的輸出預(yù)測(cè)值。本實(shí)施例的預(yù)測(cè)數(shù)據(jù)集為各高頻序列層的第601-800個(gè)數(shù)據(jù)。(f)、BP神經(jīng)網(wǎng)絡(luò)模型的計(jì)算及輸出到數(shù)據(jù)棧12。(2)低頻序列層建模如果該序列層數(shù)據(jù)為小波包低頻分解層6，則對(duì)其建立時(shí)間序列模型7。所述建立時(shí)間序列模型7的計(jì)算步驟包括
(a)、當(dāng)前數(shù)據(jù)為低頻序列層6確認(rèn)；
(b)、時(shí)間序列模型類(lèi)別辨識(shí)指根據(jù)低頻序列層風(fēng)速數(shù)據(jù)中的建模數(shù)據(jù)集的自相關(guān)系和偏相關(guān)性特征，按照表I確定選擇合適的時(shí)間序列模型類(lèi)別。常用的基本模型類(lèi)別包括 AR自回歸模型、MA滑動(dòng)平均模型、ARMA自回歸滑動(dòng)平均模型。本實(shí)施例的建模數(shù)據(jù)集為各低頻序列層的前600個(gè)數(shù)據(jù)。表I時(shí)間序列模型類(lèi)別對(duì)照表
權(quán)利要求
1.一種風(fēng)電場(chǎng)風(fēng)速智能預(yù)測(cè)方法，所述方法的步驟包括數(shù)據(jù)采集與輸入(I)、數(shù)據(jù)序列分層(2)、建立數(shù)學(xué)模型(3)、預(yù)測(cè)綜合計(jì)算(4)和預(yù)測(cè)結(jié)果輸出(5)，所述預(yù)測(cè)綜合計(jì)算(4)是對(duì)數(shù)學(xué)模型中的數(shù)據(jù)進(jìn)行加權(quán)計(jì)算；其特征在于所述數(shù)據(jù)序列分層(2)是采用小波包分解法，將原始非平穩(wěn)風(fēng)速分解成至少為兩個(gè)的趨于平穩(wěn)的風(fēng)速數(shù)據(jù)輸出，風(fēng)速數(shù)據(jù)輸出的個(gè)數(shù)就定義為風(fēng)速的序列層數(shù)；所述建立數(shù)學(xué)模型(3)，是對(duì)風(fēng)速的序列層數(shù)中每層數(shù)據(jù)單獨(dú)進(jìn)行處理，首先按照事先的設(shè)定，判定當(dāng)前數(shù)據(jù)為高頻序列層(9)還是低頻序列層(6)，如果當(dāng)前數(shù)據(jù)屬于高頻序列層(9)，則進(jìn)行以下處理建立BP神經(jīng)網(wǎng)絡(luò)模型(10)、高頻數(shù)據(jù)計(jì)算(11 )，然后進(jìn)入數(shù)據(jù)棧(12);如果當(dāng)前數(shù)據(jù)屬于低頻序列層(6)，則進(jìn)行以下處理建立時(shí)間序列模型(7)、低頻數(shù)據(jù)計(jì)算(8)，然后進(jìn)入數(shù)據(jù)棧(12);當(dāng)所有數(shù)據(jù)全部到達(dá)數(shù)據(jù)棧(12)后，數(shù)據(jù)棧(12)中的所有數(shù)據(jù)才進(jìn)入預(yù)測(cè)綜合計(jì)算(4)步驟進(jìn)行加權(quán)計(jì)算，最后執(zhí)行預(yù)測(cè)結(jié)果輸出(5)。
2.根據(jù)權(quán)利要求I所述的風(fēng)電場(chǎng)風(fēng)速智能預(yù)測(cè)方法，其特征在于所述建立BP神經(jīng)網(wǎng)絡(luò)模型(10)的步驟包括(1)、當(dāng)前數(shù)據(jù)為高頻序列層(9)的確認(rèn)；(2)、數(shù)據(jù)歸一化處理；(3)、BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確立；(4)、BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練；(5)、BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出的確定；(6)、BP神經(jīng)網(wǎng)絡(luò)模型的計(jì)算及其輸出。
3.根據(jù)權(quán)利要求I或2所述的風(fēng)電場(chǎng)風(fēng)速智能預(yù)測(cè)方法，其特征在于所述建立時(shí)間序列模型(7)的步驟包括(1)、當(dāng)前數(shù)據(jù)為低頻序列層(6)的確認(rèn)；(2)、時(shí)間序列模型類(lèi)別辨識(shí)；(3)、時(shí)間序列模型階次確定；(4)、時(shí)間序列模型參數(shù)確定；(5)、時(shí)間序列模型的計(jì)算及其輸出。
4.根據(jù)權(quán)利要求3所述的風(fēng)電場(chǎng)風(fēng)速智能預(yù)測(cè)方法，其特征在于所述時(shí)間序列模型參數(shù)確定過(guò)程中，引入了能夠提高傳統(tǒng)時(shí)間序列模型的泛化能力的支持向量機(jī)法，即將時(shí)間序列模型的方程作為支持向量機(jī)的結(jié)構(gòu)，按照支持向量機(jī)的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則來(lái)確定時(shí)間序列模型的參數(shù)值，然后將所得的參數(shù)值代入時(shí)間序列模型的方程進(jìn)行預(yù)測(cè)計(jì)算。
全文摘要
一種風(fēng)電場(chǎng)風(fēng)速智能預(yù)測(cè)方法，所述方法的步驟包括數(shù)據(jù)采集與輸入、數(shù)據(jù)序列分層、建立數(shù)學(xué)模型、預(yù)測(cè)綜合計(jì)算和預(yù)測(cè)結(jié)果輸出；數(shù)據(jù)序列分層是采用小波包分解法，將原始非平穩(wěn)風(fēng)速分解成至少為兩個(gè)的趨于平穩(wěn)的風(fēng)速數(shù)據(jù)輸出，風(fēng)速數(shù)據(jù)輸出的個(gè)數(shù)就定義為風(fēng)速的序列層數(shù)；建立數(shù)學(xué)模型，是對(duì)風(fēng)速的序列層數(shù)中每層數(shù)據(jù)單獨(dú)進(jìn)行處理，對(duì)于高頻序列層建立BP神經(jīng)網(wǎng)絡(luò)模型、高頻數(shù)據(jù)計(jì)算，然后進(jìn)入數(shù)據(jù)棧；對(duì)于低頻序列層建立時(shí)間序列模型、低頻數(shù)據(jù)計(jì)算，然后進(jìn)入數(shù)據(jù)棧；當(dāng)所有數(shù)據(jù)全部到達(dá)數(shù)據(jù)棧后，數(shù)據(jù)棧中的所有數(shù)據(jù)才進(jìn)入預(yù)測(cè)綜合計(jì)算步驟進(jìn)行加權(quán)計(jì)算，最后執(zhí)行預(yù)測(cè)結(jié)果輸出。本發(fā)明的方法屬于智能法，能夠?qū)崿F(xiàn)多步超前預(yù)測(cè)。
文檔編號(hào)G06N3/08GK102609766SQ201210036118
公開(kāi)日2012年7月25日 申請(qǐng)日期2012年2月17日 優(yōu)先權(quán)日2012年2月17日
發(fā)明者劉輝, 李燕飛, 潘迪夫, 王中鋼, 田紅旗, 許平, 高廣軍 申請(qǐng)人:中南大學(xué)