一種用于短期風(fēng)速預(yù)測方法中相空間重構(gòu)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及風(fēng)力發(fā)電技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 在可再生能源中風(fēng)力發(fā)電的增長速度最快，裝機(jī)容量每年增長超過30%。根據(jù)歐 洲風(fēng)能協(xié)會和綠色和平組織簽署的《關(guān)于2020年風(fēng)電達(dá)到世界電力總量的12%的藍(lán)圖》的 報告期望并預(yù)測2020年全球的風(fēng)力發(fā)電裝機(jī)將達(dá)到12. 31億kW (是2002年世界風(fēng)電裝機(jī) 容量的38.4倍），年安裝量達(dá)到1.5億kW，風(fēng)力發(fā)電量將占全球發(fā)電量的12%。我國的風(fēng) 電行業(yè)也進(jìn)入快速增長時期，為了使風(fēng)電在快速增長的電力工業(yè)占有較多的份額，我國政 府計劃在2020年風(fēng)電的裝機(jī)容量達(dá)到3000萬kW。
[0003] 如果對風(fēng)電場風(fēng)速預(yù)測比較準(zhǔn)確，將有利于調(diào)整調(diào)度計劃，從而有效減輕風(fēng)電對 整個電網(wǎng)的不利影響，減少電力系統(tǒng)運(yùn)行成本和旋轉(zhuǎn)備用，提高風(fēng)電穿透功率極限，并且有 利于在開放的電力市場環(huán)境下正確制定電能交換計劃等。風(fēng)電穿透功率是指風(fēng)電功率占系 統(tǒng)總發(fā)電功率的比例。中國電力科學(xué)研宄院在這方面進(jìn)行了大量的研宄工作。一般情況下， 在風(fēng)電穿透功率不超過8%時，我國電網(wǎng)不會出現(xiàn)較大的技術(shù)問題。但是，當(dāng)風(fēng)電穿透功率 超過一定值之后，有可能對電能質(zhì)量和電力系統(tǒng)的運(yùn)行產(chǎn)生影響，并且會危及常規(guī)發(fā)電方 式。對風(fēng)電場做短期風(fēng)速預(yù)測，再由風(fēng)功曲線得到風(fēng)力發(fā)電功率的預(yù)測值，這是進(jìn)行風(fēng)力發(fā) 電功率預(yù)測的有效途徑之一。
[0004] 根據(jù)研宄期長短及用途的不同，可將風(fēng)特征分為長期、中期和短期特征。目前，國 內(nèi)外用于風(fēng)速預(yù)測的方法主要有持續(xù)預(yù)測法、卡爾曼濾波法、時間序列分析法、神經(jīng)網(wǎng)絡(luò)方 法和模糊邏輯法等，而對于短期風(fēng)速的預(yù)測常采用神經(jīng)網(wǎng)絡(luò)方法中的BP神經(jīng)網(wǎng)絡(luò)建模預(yù) 測風(fēng)速。這些風(fēng)速預(yù)測的方法只需對風(fēng)電場的原始風(fēng)速時間序列建立模型，就可以進(jìn)行預(yù) 測，或者通過差分等手段，把非平穩(wěn)的風(fēng)速序列先轉(zhuǎn)換為平穩(wěn)序列，再對平穩(wěn)序列進(jìn)行建模 和預(yù)測，存在著平均相對預(yù)測誤差大，通常預(yù)測誤差可達(dá)到20%。由于風(fēng)速受溫度、氣壓、 地形等多種因素的影響，具有很強(qiáng)的隨機(jī)性。對于短期風(fēng)速的預(yù)測，按照現(xiàn)有風(fēng)速預(yù)測方法 預(yù)測的風(fēng)速誤差大，增大了風(fēng)電的運(yùn)行成本。此外，BP神經(jīng)網(wǎng)絡(luò)建模預(yù)測風(fēng)速，需要確定神 經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)即需要確定神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元，隱層神經(jīng)元，和輸出神經(jīng)元。其中神 經(jīng)網(wǎng)絡(luò)的隱層神經(jīng)元節(jié)點數(shù)的多少，對預(yù)測效果也有很大的影響。
[0005] 為降低風(fēng)電的運(yùn)行成本，必須提高風(fēng)速預(yù)測精度，本領(lǐng)域技術(shù)人員一直在努力研 宄具有高精度的風(fēng)速預(yù)測的數(shù)據(jù)處理方法，解決預(yù)測風(fēng)速誤差大的難題，但迄今尚未獲得 成功。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于提供一種風(fēng)速預(yù)測精度高的用于短期風(fēng)速預(yù)測方法中相空間 重構(gòu)方法。
[0007] 為了實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種用于短期風(fēng)速預(yù)測方法中相 空間重構(gòu)方法，包括以下步驟：
[0008] (1)利用風(fēng)速采集儀器每隔10-20分鐘記錄一次同一地區(qū)的風(fēng)速數(shù)據(jù)，整理采集 的原始風(fēng)速數(shù)據(jù)，形成風(fēng)速的時間序列用于分析預(yù)測；
[0009] (2)基于混沌理論對步驟（1)中的時間序列進(jìn)行相空間重構(gòu)：運(yùn)用虛假鄰點法和 自相關(guān)法分別確定混沌理論中的嵌入維數(shù)和延遲時間，并進(jìn)行多尺度分解和相空間重構(gòu)：
[0010] m維相空間中，每個相點為X(t) = {x(t), x(t+ T )，…，x(t+(m-l) T )}t = 1，2,… m，都存在某個距離內(nèi)最近鄰點Xf，其距離為Rm(t) = ||乂(〇-\(〇||，當(dāng)相空間的維數(shù)從!11 增加到m+1維時，這兩個相點的距離發(fā)生變化，而成為
[0012] 若Rm+1(t)比Rm(t)有變化，則兩個相鄰的點在投影到低維相空間時變成偽最近鄰 點，令
[0014] 若Sm>St，則Xf(t)是X(t)的虛假最近鄰點，閾值St可在[10, 50]之間選擇，
[0015] 對實測時間序列，從嵌入維數(shù)的最小值開始計算偽最近鄰點的比值，當(dāng)增加嵌入 維m到偽最近鄰點的比值小于5%或者偽最近鄰點不再隨著嵌入維數(shù)m的增加而減少時，可 以認(rèn)為奇異吸引子完全展開，此時的m即為嵌入維數(shù)；
[0016] 對于連續(xù)變量x(t)，其自相關(guān)函數(shù)C(t)定義為
[0018] 式中：T為時間的移動值，表示兩時刻t和t+ T運(yùn)動過程的相互關(guān)聯(lián)或相近似的 程度。
[0019] 當(dāng)x(t)的幅值一定時，C( T )越大，貝lj意味著x(t)與x(t+T )關(guān)聯(lián)越大。當(dāng)T變 小時，兩個時刻的間隔也變小，兩個運(yùn)動過程的關(guān)聯(lián)程度變大；反之，當(dāng)T變大時，兩個運(yùn) 動過程的關(guān)聯(lián)程度變小，最后趨近于〇，
[0020] 對于離散混沌時間序列x(l)，x(2)，一xa)，…序列的時間跨度為j T的自相關(guān)函 數(shù)為：
[0022] 由此可固定j，做出自相關(guān)函數(shù)關(guān)于時間t(即使t= 1，2,…d)的函數(shù)圖像，則 自相關(guān)函數(shù)下降到初始值的（l-1/e)倍時，所得的時間t即是重構(gòu)相空間的延遲時間t;
[0023] (3)由步驟⑵中相空間重構(gòu)生成新的樣本空間，并用BP神經(jīng)網(wǎng)絡(luò)建立模型；
[0024] (4)仿真驗證，對比預(yù)測結(jié)果并得出結(jié)論。
[0025] 上述方案中的混沌理論是一種確定系統(tǒng)中出現(xiàn)的無規(guī)則的運(yùn)動?；煦绲碾x散情況 常常表現(xiàn)為混沌時間序列，混沌時間序列是由混沌模型生成的具有混沌特性的時間序列， 混沌時間序列中蘊(yùn)涵著系統(tǒng)豐富的動力學(xué)信息，混沌時間序列是混沌理論通向現(xiàn)實世界的 一個橋梁，是混沌的一個重要應(yīng)用領(lǐng)域?；煦缋碚撃康氖且沂久菜齐S機(jī)的現(xiàn)象背后可能 隱藏的簡單規(guī)律，以求發(fā)現(xiàn)一大類復(fù)雜問題普遍遵循的共同規(guī)律。相空間重構(gòu)是分析混沌 動力學(xué)系統(tǒng)的第一步，系統(tǒng)中任一分量的演化都是由與之相互作用著的其他分量所決定 的。因此，這些相關(guān)分量的信息隱含在任一分量的發(fā)展過程中，重構(gòu)系統(tǒng)相空間只需考察一 個分量，通過某些固定的延時點上的觀測值找到m維向量，就可以重構(gòu)出一個等價的相空 間。在這個相空間中恢復(fù)原有動力學(xué)系統(tǒng)，研宄其吸引子的性質(zhì)等。所以，如何選擇適當(dāng)?shù)?嵌入維數(shù)m和延遲時間t是相空間重構(gòu)的主要研宄內(nèi)容。
[0026] 上述方案中的BP神經(jīng)網(wǎng)絡(luò)是能反向傳遞并能修正誤差的多層前向映射網(wǎng)絡(luò)，通 常是由輸入層、若干隱含層和輸出層組成的，層與層之間的神經(jīng)元采用全互連的模式，通過 相應(yīng)的網(wǎng)絡(luò)權(quán)值相互聯(lián)系，每層內(nèi)的神經(jīng)元沒有連接。當(dāng)參數(shù)適當(dāng)時，此網(wǎng)絡(luò)能收斂到較 小的均方差。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input)、隱層（hide layer)和輸出 層（output layer)。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，就是利用樣本資料并根據(jù)一定的目標(biāo)函數(shù)來優(yōu) 化網(wǎng)絡(luò)的參數(shù)（權(quán)值和閾值）的過程。目前，網(wǎng)絡(luò)學(xué)習(xí)算法通常采用的是反傳學(xué)習(xí)算法 (Back-PropagationAlgorithm，簡稱BP算法），它通過誤差函數(shù)最小化來完成輸入到輸出 的映射。
[0027] 優(yōu)選的，在步驟（3)中，所述BP神經(jīng)網(wǎng)絡(luò)建立模型包括運(yùn)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測和BP 神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元的確定。
[0028] 優(yōu)選的，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測是通過BP神經(jīng)網(wǎng)絡(luò)將步驟（2)中的m和t進(jìn)行組 合，組合成多組嵌入維數(shù)和延遲時間進(jìn)行預(yù)測，并通過性能指標(biāo)來預(yù)測最佳的嵌入維數(shù)和 延遲時間，根據(jù)混沌時間序列的嵌入維數(shù)m，用m-1作為網(wǎng)絡(luò)的輸入層節(jié)點數(shù)，輸出層位1， 網(wǎng)絡(luò)的輸入、輸出為：
[0029]
[0030] 優(yōu)選的，BP神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元的確定是根據(jù)公式y(tǒng)/k+b+ a來選擇隱層 節(jié)點數(shù)，確定了不同嵌入維數(shù)和延遲時間組合相空間重構(gòu)后BP神經(jīng)網(wǎng)絡(luò)的最佳隱層節(jié)點 數(shù)，式中：k為輸入節(jié)點個數(shù)，b為輸出節(jié)點個數(shù)，a為1到10之間的常數(shù)。
[0031] 本發(fā)明一種用于短期風(fēng)速預(yù)測方法中相空間重構(gòu)方法的優(yōu)點體現(xiàn)在：本發(fā)明對 于混沌時間序列，運(yùn)用相空間重構(gòu)技術(shù)，求出了最佳的嵌入維數(shù)和延遲時間，并判斷了他的 混沌特性。取出嵌入維數(shù)和延遲時間的應(yīng)屬范圍，在嵌入維數(shù)和延遲時間的不同組合下， 用BP神經(jīng)網(wǎng)絡(luò)建模預(yù)測，計算出預(yù)測的各項指標(biāo)，從預(yù)測指標(biāo)中選出最佳的嵌入維數(shù)和延 遲時間，可以從相對誤差中看出預(yù)測結(jié)果達(dá)到了理想范圍，最后本發(fā)明對建立的模型進(jìn)行 仿真驗證，預(yù)測的相對誤差為19. 509%，用武隆風(fēng)電場提供的短期風(fēng)速數(shù)據(jù)進(jìn)行了相空間 重構(gòu)和BP神經(jīng)網(wǎng)絡(luò)建模，并預(yù)測了兩小時內(nèi)的風(fēng)速，預(yù)測的風(fēng)速數(shù)據(jù)的相對誤差達(dá)到了 16. 2