基於數據驅動的風電場短期風速預測方法和系統的製作方法
2023-08-13 21:14:41 1
專利名稱：基於數據驅動的風電場短期風速預測方法和系統的製作方法
技術領域：
本發明涉及風電場風速預測領域，更具體地說，涉及一種基於數據驅動的風電場短期風速預測方法和系統。
背景技術：
在全球能源危機和環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注，並呈現出廣闊的成長空間。風力發電在為經濟增長提供充足電力供應的同時，又可以有效地緩解大氣汙染和全球變暖等問題。中國目前的風電市場發展迅猛，許多海外公司都陸續進駐中國，國內企業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境下，中國風力發電行業的發展前景十分廣闊，預計在未來很長一段時間都將保持高速增長。隨著我國風力發電行業的不斷發展，風電總裝機容量日益增大。但由於風電出力的隨機性、間歇性等特性，電網運行時必須留有足夠的備用機組和調峰容量，以保證風電出現大幅度波動時系統仍然能夠穩定運行。這是風力發電區別於其他發電方式的最主要的特點，同時也成為制約風力發電大規模應用的最主要的問題。另外，我國現有的大多數風場半夜以後風力比較充沛，而此時正是電網負荷的峰谷期，這時風電併網實際上增加了電網調峰的負擔。所以隨著風電場規模的增大，風力發電對電力系統的影響也越來越顯著，給電網運行帶來了較大的壓力。因此，為了提高風能的利用效率，越來越多的風力發電企業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電曲線，以便調控分配電量，實現現代風電與傳統發電聯合優化運行。因此，要大規模使用風力發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於物理預測模型，其計算量大，誤差累積率高，而且需要專業的人士維護，不能滿足風電企業對風能短期預報的需求，更不能對風電場範圍內的風速分布作出精細的預報。另外，現有的數值預測方法又或多或少存在一定的缺陷。以神經網絡為例，神經網絡的局部極小點、過擬合以及結構和類型的選擇過分依賴經驗等固有缺陷，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變量的選擇、網絡結構的選擇、 網絡參數的優化、以及模型的驗證。
發明內容
本發明要解決的技術問題在於，針對現有技術的風電場短期風速預測準確度低， 可靠性差，給電網運行帶來壓力的缺陷，提供一種利用關聯向量機建立基於數據驅動的風電場短期風力預測方法和系統，實現對風速精確估計。本發明解決其技術問題所採用的技術方案是構造一種基於數據驅動的風電場短期風速預測方法，其中包括步驟Si、根據預設的預測時間間隔確定關聯向量機預測模型的輸入變量和輸出變量；S2、採用訓練樣本集對所述關聯向量機預測模型進行訓練；S3、根據訓練後的關聯向量機預測模型進行風速預測，得到相應的風速預測值。在本發明所述的基於數據驅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、根據風電場的風速歷史資料庫建立所述訓練樣本集。在本發明所述的基於數據驅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資料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，並按照月份進行歸一化處理，得到所述訓練樣本集。在本發明所述的基於數據驅動的風電場短期風速預測方法中，所述步驟S3包括 S31、根據訓練後的關聯向量機預測模型進行風速預測，得到預測結果；S32、對所述預測結果進行反歸一化處理，得到相應的風速預測值。在本發明所述的基於數據驅動的風電場短期風速預測方法中，所述步驟S3之後還包括步驟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。本發明還涉及一種基於數據驅動的風電場短期風速預測系統，其中包括變量確定模塊用於根據預設的預測時間間隔確定關聯向量機預測模型的輸入變量和輸出變量； 訓練模塊用於採用訓練樣本集對所述關聯向量機預測模型進行訓練；以及預測模塊用於根據訓練後的關聯向量機預測模型進行風速預測，得到相應的風速預測值。在本發明所述的基於數據驅動的風電場短期風速預測系統中，所述基於數據驅動的風電場短期風速預測系統還包括樣本集建立模塊用於根據風電場的風速歷史資料庫建立的所述訓練樣本集。在本發明所述的基於數據驅動的風電場短期風速預測系統中，所述樣本集建立模塊包括讀取單元用於從所述風電場的風速歷史資料庫中讀取歷史風速時間序列集；以及修正單元用於修正所述歷史風速時間序列集中的殘缺點，並按照月份進行歸一化處理， 得到所述訓練樣本集。在本發明所述的基於數據驅動的風電場短期風速預測系統中，所述預測模塊包括預測單元用於根據訓練後的關聯向量機預測模型進行風速預測，得到預測結果；以及處理單元用於對所述預測結果進行反歸一化處理，得到相應的風速預測值。在本發明所述的基於數據驅動的風電場短期風速預測系統中，所述基於數據驅動的風電場短期風速預測系統還包括檢驗模塊用於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。實施本發明的基於數據驅動的風電場短期風速預測方法和系統，具有以下有益效果預測模型數據需求簡單，只需要歷史風速時間序列數據，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，在線學習並更新模型參數；為調度員作出準確的優化調度決策提供可靠、有效的技術支撐。
下面將結合附圖及實施例對本發明作進一步說明，附圖中圖1是本發明的基於數據驅動的風電場短期風速預測方法的第一優選實施例的流程圖2是本發明的基於數據驅動的風電場短期風速預測方法的第二優選實施例的流程圖；圖3是本發明的基於數據驅動的風電場短期風速預測方法的第三優選實施例的流程圖； 圖4是本發明的基於數據驅動的風電場短期風速預測方法的第四優選實施例的流程圖；圖5是本發明的基於數據驅動的風電場短期風速預測方法的第五優選實施例的流程圖；圖6是本發明的基於數據驅動的風電場短期風速預測系統的第一優選實施例的結構示意圖；圖7是本發明的基於數據驅動的風電場短期風速預測系統的第二優選實施例的結構示意圖；圖8是本發明的基於數據驅動的風電場短期風速預測系統的第三優選實施例的結構示意圖；圖9是本發明的基於數據驅動的風電場短期風速預測系統的第四優選實施例的結構示意圖；圖10是本發明的基於數據驅動的風電場短期風速預測系統的第五優選實施例的結構示意圖；圖11是本發明的基於數據驅動的風電場短期風速預測系統的優選實施例的具體結構示意圖。
具體實施例方式為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發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明，並不用於限定本發明。關聯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)無需事先設定或調整參數；C3)核函數不必滿足梅西條件；(4)解更稀疏，所需的核函數的數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。基於以上考慮，本發明利用關聯向量機建立基於數據驅動的風電場短期風速預測模型，實現對風速精確估計。在圖1所示的本發明的基於數據驅動的風電場短期風速預測方法的第一優選實施例的流程圖中，所述基於數據驅動的風電場短期風速預測方法開始於步驟100 ；步驟100 之後進行到步驟101，根據預設的預測時間間隔確定關聯向量機預測模型的輸入變量和輸出變量；隨後，到下一步驟102，採用訓練樣本集對所述關聯向量機預測模型進行訓練；隨後，到下一步驟103，根據訓練後的關聯向量機預測模型進行風速預測，得到相應的風速預測值；最後該方法結束於步驟104。本方法計算速度快，所需樣本數據少，預測精度高，可在線學習，實時更新參數，解決了一些傳統數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所示的本發明的基於數據驅動的風電場短期風速預測方法的第二優選實施例的流程圖中，所述基於數據驅動的風電場短期風速預測方法開始於步驟200 ；步驟200 之後進行到步驟201，根據風電場的風速歷史資料庫建立所述訓練樣本集；隨後，到下一步驟202，根據預設的預測時間間隔確定關聯向量機預測模型的輸入變量和輸出變量；隨後， 到下一步驟203，採用訓練樣本集對所述關聯向量機預測模型進行訓練；隨後，到下一步驟 204，根據訓練後的關聯向量機預測模型進行風速預測，得到相應的風速預測值；最後該方法結束於步驟205。從風電場數據採集與監視控制系統的歷史資料庫讀取歷史風速時間序列集建立訓練樣本集。在圖3所示的本發明的基於數據驅動的風電場短期風速預測方法的第三優選實施例的流程圖中，所述基於數據驅動的風電場短期風速預測方法開始於步驟300 ；步驟300 之後進行到步驟301，從所述風電場的風速歷史資料庫中讀取歷史風速時間序列集；隨後， 到下一步驟302，修正所述歷史風速時間序列集中的殘缺點，並按照月份進行歸一化處理， 得到所述訓練樣本集；隨後，到下一步驟303，根據預設的預測時間間隔確定關聯向量機預測模型的輸入變量和輸出變量；隨後，到下一步驟304，採用訓練樣本集對所述關聯向量機預測模型進行訓練；隨後，到下一步驟305，根據訓練後的關聯向量機預測模型進行風速預測，得到相應的風速預測值；最後該方法結束於步驟306。從風電場數據採集與監視控制系統的歷史資料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，並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)
權利要求
1.一種基於數據驅動的風電場短期風速預測方法，其特徵在於，包括步驟51、根據預設的預測時間間隔確定關聯向量機預測模型的輸入變量和輸出變量；52、採用訓練樣本集對所述關聯向量機預測模型進行訓練；53、根據訓練後的關聯向量機預測模型進行風速預測，得到相應的風速預測值。
2.根據權利要求1所述的基於數據驅動的風電場短期風速預測方法，其特徵在於，所述步驟Sl之前還包括步驟SO、根據風電場的風速歷史資料庫建立所述訓練樣本集。
3.根據權利要求2所述的數據驅動的風電場短期風速預測方法，其特徵在於，所述步驟SO包括步驟501、從所述風電場的風速歷史資料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，並按照月份進行歸一化處理，得到所述訓練樣本集。
4.根據權利要求1所述的基於數據驅動的風電場短期風速預測方法，其特徵在於，所述步驟S3包括531、根據訓練後的關聯向量機預測模型進行風速預測，得到預測結果；532、對所述預測結果進行反歸一化處理，得到相應的風速預測值。
5.根據權利要求1所述的基於數據驅動的風電場短期風速預測方法，其特徵在於，所述步驟S3之後還包括步驟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。
6.一種基於數據驅動的風電場短期風速預測系統，其特徵在於，包括變量確定模塊(1)用於根據預設的預測時間間隔確定關聯向量機預測模型的輸入變量和輸出變量；訓練模塊O)用於採用訓練樣本集對所述關聯向量機預測模型進行訓練；以及預測模塊(3)用於根據訓練後的關聯向量機預測模型進行風速預測，得到相應的風速預測值。
7.根據權利要求6所述的基於數據驅動的風電場短期風速預測系統，其特徵在於，所述基於數據驅動的風電場短期風速預測系統還包括樣本集建立模塊用於根據風電場的風速歷史資料庫建立的所述訓練樣本集。
8.根據權利要求7所述的基於數據驅動的風電場短期風速預測系統，其特徵在於，所述樣本集建立模塊(4)包括讀取單元(41)用於從所述風電場的風速歷史資料庫中讀取歷史風速時間序列集；以及修正單元G2)用於修正所述歷史風速時間序列集中的殘缺點，並按照月份進行歸一化處理，得到所述訓練樣本集。
9.根據權利要求6所述的基於數據驅動的風電場短期風速預測系統，其特徵在於，所述預測模塊( 包括預測單元(31)用於根據訓練後的關聯向量機預測模型進行風速預測，得到預測結果；以及處理單元(32)用於對所述預測結果進行反歸一化處理，得到相應的風速預測值。
10.根據權利要求6所述的基於數據驅動的風電場短期風速預測系統，其特徵在於，所述基於數據驅動的風電場短期風速預測系統還包括檢驗模塊(5)用於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
本發明涉及一種基於數據驅動的風電場短期風速預測方法，包括步驟S 1根據預設的預測時間間隔確定關聯向量機預測模型的輸入變量和輸出變量；S2採用訓練樣本集對關聯向量機預測模型進行訓練；S3根據訓練後的關聯向量機預測模型進行風速預測，得到相應的風速預測值。本發明還涉及一種基於數據驅動的風電場短期風速預測系統，包括變量確定模塊用於根據預設的預測時間間隔確定關聯向量機預測模型的輸入變量和輸出變量；訓練模塊用於採用訓練樣本集對關聯向量機預測模型進行訓練；以及預測模塊用於根據訓練後的關聯向量機預測模型進行風速預測，得到相應的風速預測值。本發明利用關聯向量機建立，實現對風速精確估計。
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 優先權日2010年11月24日
發明者孟科, 董朝陽, 黃杰波 申請人:香港理工大學