一种短期风速预测方法

摘要

本发明是一种风电场风速时间序列预测方法，其特点是，包括的步骤有：利用风速采集仪器每隔一小时记录一次同一地区的风速数据，整理采集的原始风速数据，形成风速时间序列用于分析预测；运用局域均值分解算法对风速时间序列进行多尺度分解，分解得到多个独立分量；通过对各个独立分量的延迟时间和嵌入维数的计算，运用相空间重构理论对各个独立分量进行相空间重构；利用多核最小二乘支持向量机回归模型对相空间重构后的各个独立分量进行建模预测；将预测结果进行叠加得到最终的风速时间序列的预测结果。具有方法科学、风速时间序列的预测准确、可靠，应用价值高等优点。

主权项

一种短期风速预测方法，其特征是：它包括以下步骤：(1)利用风速采集仪器每隔一小时记录一次同一地区的风速数据，整理采集的原始风速数据，形成风速时间序列x用于分析预测；(2)运用快速独立分量分析算法对指定时间范围内的风速时间序列x进行多尺度分解，运用自相关法和假邻近法分别求取风速时间序列x的延迟时间和嵌入维数，运用相空间重构理论对指定时间范围内的风速时间序列x的分离信号分别进行相空间重构，得到K个重构后的分离信号y_k，k＝1,2,…,K；设x＝(x₁,x₂,…,x_n)^T为n个点的风速时间序列，每个风速值都是m个独立源信号的线性组合s＝(s₁,s₂,…,s_m)^T，即$x=\mathrm{Hs}=\underset{j=1}{\overset{n}{\Sigma }}{h}_j{s}_j,j=\mathrm{1,2},...,n---\left(1\right)$式中：H＝[h₁,h₂,…,h_n]为m×n阶满秩源信号混合矩阵，其中n≥m，式(1)即为快速独立分量分析算法的信号混合模型，快速独立分量分析算法就是在源信号s和混合矩阵H都未知的情况下，构建一个分离矩阵W，从风速时间序列x中分离出相互统计独立的分量y，使各分量逼近源信号s，这样快速独立分量分析算法问题的求解就可表示为y＝Wx＝(y₁,y₂,…,y_n)^T≈(s₁,s₂,…,s_n)^T  (2)采用快速独立分量分析算法算法寻找最优分离矩阵W，具体步骤如下(a)对风速时间序列x做均值和白化处理，得到新的信号满足I为单位矩阵，(b)任意选择具有单位方差的初始分离矩阵w_i(0)，(c)计算$w_i(n+1)=E\left[\tilde{x}G\left(w_i^T\tilde{x}\right)\right]-E\left[G\left(w_i^T\tilde{x}\right)\right]w_i\left(n\right),$(d)归一化处理分离矩阵w_i(n+1)＝w_i(n+1)/||w_i(n+1)||₂，(e)判定w_i(n+1)是否收敛，若收敛则分离出一个独立分量否则返回步骤(c)，(f)判定信号中的多个独立分量是否已经全部分量完毕，若没有则返回(b)，否则分离过程结束；(3)利用最小二乘支持向量机回归模型对相空间重构后的各个分离信号进行建模预测；式中，为非线性映射函数，将输入样本数据y_k映射到高维特征空间，ω为权向量，b为偏置量，T表示矩阵的转置；(4)将各分离信号的预测值进行叠加得到最终的风速时间序列x的预测结果$\tilde{y}=\underset{k=1}{\overset{K}{\Sigma }}{\tilde{y}}_k---\left(4\right).$