欧美在线观看视频网站,亚洲熟妇色自偷自拍另类,啪啪伊人网,中文字幕第13亚洲另类,中文成人久久久久影院免费观看 ,精品人妻人人做人人爽,亚洲a视频

一種并網(wǎng)型風電場短期風速組合預測方法與流程

文檔序號:12272449閱讀:294來源:國知局
一種并網(wǎng)型風電場短期風速組合預測方法與流程

本發(fā)明涉及一種風速組合預測方法,具體為一種并網(wǎng)型風電場短期風速組合預測方法,屬于新能源技術領域。



背景技術:

近年來,隨著氣候變暖、環(huán)境污染及能源短缺問題的日益凸顯,加快發(fā)展可再生能源已成為應對重重危機的必然選擇。目前,風能是可再生能源中除水能以外最具有開發(fā)潛力和競爭優(yōu)勢的能源。風能以其清潔環(huán)保、技術成熟、開發(fā)成本低等優(yōu)勢成為最具有開發(fā)潛力的可再生能源之一。但有一些問題的存在,使得風電并網(wǎng)對電網(wǎng)的調度和運行產(chǎn)生很多不利的影響,例如:

1)、風速具有間歇性、隨機性等特點,短時間內有可能出現(xiàn)很大的幅值變化。風速序列頻率較高很難分析出其所包含的隱藏信息,單純的風速預測誤差大,效果不理想。

2)、風電場所得的風速數(shù)據(jù)是有限的,且具有很強的不穩(wěn)定性。在函數(shù)估計和逼近中應用非常廣泛的最小支持向量機方法,但其存在參數(shù)確定具有人為依賴性缺陷。

3)、風電機組標準功率特性輸出并不是一成不變的,機組受動態(tài)過程的影響,實際的功率曲線與標準功率曲線不會完全相同。為提高功率的預測精度,有必要建立符合該風電場特性的功率特性曲線。

目前我國通過了《可再生能源法》,風能在以后的發(fā)展部署中占有很大的地位,目前風電的自主創(chuàng)新需要一個新的戰(zhàn)略高度作為目標。而且,我國地域間的經(jīng)濟差異顯著,西部、中北部地廣人稀且發(fā)展相對落后,而風資源相對豐富。非集中型的風電場的發(fā)展,對于當?shù)毓I(yè)的提升、能源構成的優(yōu)化、電網(wǎng)承受力的減輕,以及國家今后戰(zhàn)略部署都具有深遠的經(jīng)濟意義和政治意義。

風速預報系統(tǒng)是風電場并網(wǎng)運行的關鍵也是提高電網(wǎng)經(jīng)濟性和風機可利用率的重要技術手段。目前,常用的短期風速預測方法有:隨機時間序列法、人工神經(jīng)網(wǎng)絡法、支持 向量機法和組合預測法等。隨機時間序列法所需歷史數(shù)據(jù)多、預測精度低、模型參數(shù)難估計;人工神經(jīng)網(wǎng)絡法難以科學確定網(wǎng)絡結構、收斂速度慢、易陷入局部最?。恢С窒蛄繖C法在個別時刻預測效果不佳。

因此準確的風電功率預測技術是實現(xiàn)風力發(fā)電并網(wǎng)運行穩(wěn)定性和安全性的必要條件。



技術實現(xiàn)要素:

本發(fā)明要解決短期風速預測技術問題,提供一種并網(wǎng)型風電場短期風速組合預測方法,可以有效測出短期風速變化。

本發(fā)明提供如下技術:一種并網(wǎng)型風電場短期風速組合預測方法,主要基于小波分解和遺傳算法優(yōu)化最小二乘支持向量機的風電場短期風速組合預測方法;在建立了風速預測的預測模型后,利用風電場實測數(shù)據(jù)進行了一天內的短期風速預測,并與單一預測模型進行比較,在此基礎之上,建立了遺傳算法優(yōu)化RBF神經(jīng)網(wǎng)絡模型,擬合得出負荷該風電場特性的實際風速-功率曲線模型;

進一步的,所述具體步驟如下:

1)、首先選取具有某些特性的小波函數(shù)對所取得原始風速序列進行一定層數(shù)的小波分解,然后分別重新構成與原數(shù)據(jù)個數(shù)相同的單支序列;將原始風速分解為若干個具有不同時間尺度的風速序列,在不同頻率下分析風速所隱藏的特性;

2)、對各頻率風速序列分別建立LS-SVM模型;對所建立的LS-SVM模型進行基于GA算法的參數(shù)尋優(yōu);以數(shù)據(jù)回歸擬合后的誤差平方和作為目標函數(shù)進行尋優(yōu),通過反復訓練得出最優(yōu)的正則化參數(shù)和核函數(shù)參數(shù),預測的得出各部分風速序列;

3)、最后將各序列預測結果重構合成得到提前一天的該風電場短期風速預測結果;

4)、結合該風電場實際特性,在考慮標準風電功率特性曲線的基礎之上,以前六天的實測風速、功率數(shù)據(jù)作為訓練樣本,建立經(jīng)遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡模型,以適應度函數(shù)作為基準得出最優(yōu)模型參數(shù),建立完善的功率曲線。以預測所得的風速序列作為測試樣本得出提前24小時的功率預測結果。

進一步的,所述小波變換也是對一個函數(shù)的變換,但它通過對函數(shù)與一個所謂的小波函數(shù)作用后,具有平移、伸縮的特點。

進一步的,所述遺傳算法優(yōu)化分為四個階段:

1)、原始風速序列的小波分解與重構;

2)、對小波分解后的各部分序列分別建立經(jīng)過遺傳算法優(yōu)化的LS_SVM預測模型;

3)、判斷預測結果是否滿足要求,如不滿足則重新設置GA參數(shù),返回步驟2)重新訓練,使初始確定的一組支持向量機參數(shù)不斷進化,直到訓練目標滿足條件為止;

4)、子序列的預測結果重構生成風速序列的提前一天的最終預測結果。

本發(fā)明的有益效果是:本發(fā)明通過利用WD將原始風速序列分解為一系列具有不同尺度的數(shù)據(jù)序列,根據(jù)各序列的自身特點構建不同的GA_LS_SVM模型進行預測,最后各分量預測值通過重構轉化為風電場短期風速的最終預測結果。

附圖說明

下面結合附圖對本發(fā)明進行詳細的描述,以使得本發(fā)明的上述優(yōu)點更加明確。

圖1為本發(fā)明實施例中所述一種并網(wǎng)型風電場短期風速組合預測方法WD_GA_LS_SVM短期風速組合預測模型;

圖2為本發(fā)明實施例中所述一種并網(wǎng)型風電場短期風速組合預測方法原始風速序列曲線;

圖3為本發(fā)明實施例中所述一種并網(wǎng)型風電場短期風速組合預測方法預測輸出曲線;

圖4為本發(fā)明實施例中所述一種并網(wǎng)型風電場短期風速組合預測方法預測誤差曲線;

圖5為本發(fā)明實施例中所述一種并網(wǎng)型風電場短期風速組合預測方法預測誤差分析表。

具體實施方式

下面將結合本發(fā)明實施例中的附圖,對本發(fā)明實施例中的技術方案進行清楚、完整地描述,顯然,所描述的實施例僅僅是本發(fā)明一部分實施例,而不是全部的實施例,基于本 發(fā)明中的實施例,本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例,都屬于本發(fā)明保護的范圍。

請參閱圖1,本發(fā)明提供一種技術方案:一種并網(wǎng)型風電場短期風速組合預測方法,主要基于小波分解和遺傳算法優(yōu)化最小二乘支持向量機的風電場短期風速組合預測方法;在建立了風速預測的預測模型后,利用風電場實測數(shù)據(jù)進行了一天內的短期風速預測,并與單一預測模型進行比較,在此基礎之上,建立了遺傳算法優(yōu)化RBF神經(jīng)網(wǎng)絡模型,擬合得出負荷該風電場特性的實際風速-功率曲線模型;

所述具體步驟如下:

1)、首先選取具有某些特性的小波函數(shù)對所取得原始風速序列進行一定層數(shù)的小波分解,然后分別重新構成與原數(shù)據(jù)個數(shù)相同的單支序列;將原始風速分解為若干個具有不同時間尺度的風速序列,在不同頻率下分析風速所隱藏的特性;

2)、對各頻率風速序列分別建立LS-SVM模型;對所建立的LS-SVM模型進行基于GA算法的參數(shù)尋優(yōu);以數(shù)據(jù)回歸擬合后的誤差平方和作為目標函數(shù)進行尋優(yōu),通過反復訓練得出最優(yōu)的正則化參數(shù)和核函數(shù)參數(shù),預測的得出各部分風速序列;

3)、最后將各序列預測結果重構合成得到提前一天的該風電場短期風速預測結果;

4)、結合該風電場實際特性,在考慮標準風電功率特性曲線的基礎之上,以前六天的實測風速、功率數(shù)據(jù)作為訓練樣本,建立經(jīng)遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡模型,以適應度函數(shù)作為基準得出最優(yōu)模型參數(shù),建立完善的功率曲線。以預測所得的風速序列作為測試樣本得出提前24小時的功率預測結果。

所述小波變換也是對一個函數(shù)的變換,但它通過對函數(shù)與一個所謂的小波函數(shù)作用后,具有平移、伸縮的特點。

所述遺傳算法優(yōu)化分為四個階段:

1)、原始風速序列的小波分解與重構;

2)、對小波分解后的各部分序列分別建立經(jīng)過遺傳算法優(yōu)化的LS_SVM預測模型;

3)、判斷預測結果是否滿足要求,如不滿足則重新設置GA參數(shù),返回步驟2)重新 訓練,使初始確定的一組支持向量機參數(shù)不斷進化,直到訓練目標滿足條件為止;

4)、子序列的預測結果重構生成風速序列的提前一天的最終預測結果。

具體原理:

1)、小波多尺度分析的基本原理:

小波變換的多尺度分析(或多分辨率分析)從空間的概念上形象的說明了小波的多尺度特性,隨著尺度由大到小變化,在各尺度上可以由粗到細的觀察圖像的不同特征。1989年Mallat提出了信號的塔式多分辨率分析與重構的快速算法稱為馬拉特(Mallat)算法。

Mallt分解算法為:

式中:ck和dk為原始信號在分辨率2-k下的低頻信號和高頻信號;H為低通濾波器;G為高通濾波器;k=0~K;K為最大分解層數(shù)。

Mallt重構算法為:

ck=H*ck+1+G*dk+1 (2)

式中:H*、G*為對偶算子;k=K-1,K-2,...,0。離散信號c0經(jīng)Mallt分解算法被分解為d1,d2,..,dK和cK,對d1,d2,..,dk和ck重構得到D1,D2,...,DK和CK。則:

X=D1+D2+...+DK+CK (3)

式中:D1,D2,...,DK為第1層到第K層重構的高頻信號;CK為第K層重構的低頻信號。

2)、最小二乘支持向量機的方法原理:

Suykens在1999年首次提出最小二乘支持向量機理論,用于解決分類和函數(shù)估計問題。該方法采用最小二乘線性系統(tǒng)為損失函數(shù),代替?zhèn)鹘y(tǒng)的支持向量機采用二次規(guī)劃方法。

LS_SVM的基本思想是:用非線性回歸函數(shù):

來估計訓練樣本集D={(xk,yk)|k=1,2,...,N}。根據(jù)結構風險最小化原理,LS_SVM的函數(shù)估計問題可以轉化為求解下面問題:

為求解上述問題,引入拉格朗日函數(shù),將式(5)的求解問題變換到對偶空間,則:

式中:αk≥0為拉格朗日乘子。分別對w,b,ekk求偏導數(shù),并令它們等于零,有:

消除變量w和e,可得以下矩陣方程:

如果是可逆的,則參數(shù)α和b的求解公式為:

根據(jù)Mercer條件,定義核函數(shù)可得LS_SVM的回歸函數(shù)為:

3)、遺傳優(yōu)化算法基本原理:

遺傳算法提供了一種求解復雜系統(tǒng)優(yōu)化問題的通用框架,它不依賴于問題的具體形式,對問題的種類有很強的魯棒性。該算法以種群中的所有個體為對象,求解步驟為:(1)參數(shù)編碼;(2)初始種群生成;(3)適應度函數(shù)設計;(4)選擇、交叉、變異;如此循環(huán)往復,不斷對新一代種群進行評價,直到最優(yōu)個體的適應度達到某一界限或不再提高為止。

請參閱圖1,WD_GA_LS_SVM短期風速組合預測模型。

(1)利用Db5小波對原始風速序列a0進行4層小波分解,分解后的各層信號經(jīng)單支重 構得到低頻序列a4與高頻序列d1、d2、d3、d4

(2)對各序列分別構建LS_SVM模型。以低頻序列a4為例,由t時刻前的4個逼近數(shù)據(jù)預測t時刻的逼近值,即:a4(t)=f[a4(t-1),a4(t-2),a4(t-3),a4(t-4)];所以LS-SVM是個4輸入單輸出結構。

(3)對LS_SVM模型進行基于GA算法的參數(shù)尋優(yōu)。以數(shù)據(jù)回歸擬合后的均方根誤差作為目標函數(shù)進行尋優(yōu),通過反復訓練得出最優(yōu)的正則化參數(shù)和核函數(shù)參數(shù)。GA的各控制參數(shù)設置如下:群體規(guī)模為30,最大進化代數(shù)為100,交叉概率為0.8,變異率為0.1。

(4)將各序列預測結果重構合成得到最終的風速預測結果。

實施例1:

本發(fā)明以中國某風電場在2008年8月每隔1h記錄的245個實測風速數(shù)據(jù)序列為試驗樣本。按時間順序分別選用前200個觀測點的記錄數(shù)據(jù)為模型訓練樣本,其后45個觀測點為測試樣本,實際預測點數(shù)為41個。本文所涉及另外兩種預測方法為:LS_SVM預測和WD_RBF神經(jīng)網(wǎng)絡預測。原始風速序列a0如圖2所示,預測結果如圖3所示,誤差結果如圖4所示。預測誤差分析表如圖5所述。

由圖5可看出LS_SVM法誤差范圍為3.4945~-1.7985,均方根誤差為1.2060,誤差跨度大預測效果最差;WD_RBF法誤差范圍為1.9605~-2.9766,均方根誤差為0.8538,預測效果有所提高,但在個別點預測效果不好;本文所用方法誤差范圍為1.1815~-0.6853,均方根誤差為0.3797均小于其他兩種方法,預測曲線平滑,與實際風速曲線吻合良好,表明本文方法能夠很好地應用于短期風速預測。

本發(fā)明將最小二乘支持向量機理論、遺傳優(yōu)化算法和小波分析技術應用到非平穩(wěn)風速時間序列的預測研究中。對風速序列所固有的非線性、波動性和不確定性,通過小波分解得出具有隱含周期性的低頻逼近成分和含噪聲的高頻細節(jié)成分。GA_LS_SVM模型把分解后的各部分輸入向量映射到一個高維特征空間中,對均值具有非平穩(wěn)特性的風速時間序列實現(xiàn)精確預測。實驗結果表明,本發(fā)明所采用的組合預測模型絕對誤差、均方根誤差均小 于其他兩種模型,說明無論是對樣本個體預測精度還是整體指標而言該模型是十分精確的。

最后應說明的是:以上所述僅為本發(fā)明的優(yōu)選實施例而已,并不用于限制本發(fā)明,盡管參照前述實施例對本發(fā)明進行了詳細的說明,對于本領域的技術人員來說,其依然可以對前述各實施例所記載的技術方案進行修改,或者對其中部分技術特征進行等同替換,凡在本發(fā)明的精神和原則之內,所作的任何修改、等同替換、改進等,均應包含在本發(fā)明的保護范圍之內。

當前第1頁1 2 3 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1
内乡县| 屏南县| 沙河市| 滁州市| 南平市| 新兴县| 哈巴河县| 元江| 如东县| 济宁市| 通渭县| 泸定县| 二连浩特市| 横山县| 武陟县| 莱州市| 建始县| 靖州| 池州市| 游戏| 西盟| 梁河县| 佳木斯市| 海宁市| 抚远县| 靖安县| 得荣县| 东光县| 夏河县| 西乌珠穆沁旗| 丹东市| 灵寿县| 渝北区| 济源市| 伊川县| 垫江县| 周口市| 兴国县| 虹口区| 彭州市| 沙河市|