基于C‑C与ELM的短期风速预测方法

摘要

本发明提供了一种基于C‑C与ELM的短期风速预测方法，该方法考虑到原始的单变量时间序列风速数据间的最大动态演化信息，利用C‑C法进行相空间重构以确定风速时间序列间的相关关系，得到风速变化特征的最佳嵌入维数和延迟时间，接着采用学速度快、收敛精度高的极限学机方法进行风速的快速预测，通过与神经网络和支持向量机方法预测结果的对比可知，本发明提出的预测方法不仅提高了2小时的短期风速预测精度，且所用方法的学及预测时间短，适用于风电场短期风速的现场快速预测。

主权项

一种基于C‑C与ELM的短期风速预测方法，其特征在于，包括如下步骤：S1：采集同一地区的风速数据，形成风速时间序列；S2：利用小波降噪方法对采集到的风速数据进行滤波降噪；S3：利用C‑C法对滤波降噪后的风速数据进行相空间重构：即采用C‑C法确定风速时间序列间的相关关系，得到风速变化特征的最佳嵌入维数m和延迟时间τ：设x＝{x_i|i＝1,2,…,N}为风速时间序列，以延迟时间τ，嵌入维数m重构相空间X＝{X_j}，其中X_j＝{x_j,x_j+τ,…,x_j+(m‑1)τ}(j＝1,2,…,M)为重构后相空间中的第j个点，M为相空间重构后总的点数；S4：运用极限学习机、BP神经网络及支持向量机对重构后的风速数据建模，并进行短期风速预测：其中，运用极限学习机对重构后的风速数据建模的具体方法为：设C‑C法得到的M个新样本为(X_j,T_j)，其中，X_j＝[x_j1,x_j2,...,x_jn]^T∈Rⁿ为输入变量，T_j＝[t_j1,t_j2,...,t_jm]^T∈R^m为输出变量，j＝1,2,…,M，对于一个带有L个隐层节点的标准前馈神经网,极限学习机的数学模型为：式中：w_i＝[w_i1,w_i2,…,w_in]^T为第i个输入节点和隐层节点的连接权重，β_i＝[β_i1,β_i2,…,β_im]^T为第i个隐层节点和输出节点的连接权重，b_i为第i隐层节点的阈值，w_i·X_j为w_i与X_j的内积，g(X_j)为激活函数，y_j为第j个输入样本的输出值，对于一个给定的训练集{(X_j,T_j)|X_j∈Rⁿ,T_j∈R^m,j＝1,…,M}：S41：随机生成输入权重w_i和阈值b_i,i＝1,…,L；S42：计算隐层输出矩阵H，其中H＝g(w_i·X_j+b_i)，g(X_j)为激活函数；S43：计算输出权重式中，T为实际的风速历史数据，H^T为输出矩阵H的转置，为输出矩阵H的广义逆矩阵，为小正数；S44：判断残差||E||是否大于等于预设精度ε，且隐层节点个数L小于隐层节点个数的最大值L_max，如果是，则进入步骤S45，否则，进入步骤S5：S45：隐层节点个数L＝L+1；S46：对于新隐层节点个数L，随机生成输入权重阈值b_L；S47：计算新隐层节点的输出权重：S48：计算新隐层节点L的残差：E＝E‑β_L·H_L，并进入步骤S44；S5：对比步骤S4中三种预测模型的性能指标，找到最佳短期风速预测模型。