基于小波變換和粒子群改進(jìn)灰色模型的短期風(fēng)速預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 發(fā)明涉及一種基于小波變換和粒子群改進(jìn)灰色模型的短期風(fēng)速預(yù)測(cè)方法，屬于短 期風(fēng)速預(yù)測(cè)領(lǐng)域。
【背景技術(shù)】
[0002] 世界能源危機(jī)和環(huán)境保護(hù)的雙重壓力，促使世界各國(guó)家地區(qū)更加重視可持續(xù)發(fā)展 能源和清潔能源的開(kāi)發(fā)利用。其中風(fēng)能清潔無(wú)污染，能量大，使用前景廣闊。如今國(guó)內(nèi)外對(duì) 于風(fēng)力發(fā)電的研究日漸深入，范圍也日趨變廣，包括大型風(fēng)力發(fā)電機(jī)組、風(fēng)電穿透功率等方 面。發(fā)電量由風(fēng)能大小決定。風(fēng)能的大小則受到風(fēng)速大小的影響。由此可以得出，風(fēng)速的 大小同風(fēng)力發(fā)電效率有著密切的聯(lián)系。當(dāng)風(fēng)機(jī)剛剛投入工作發(fā)電時(shí)，風(fēng)速的值被稱作切入 風(fēng)速，也稱作啟動(dòng)風(fēng)速。這個(gè)時(shí)刻是風(fēng)機(jī)用于確定額定功率時(shí)風(fēng)的速度的。它是一個(gè)確定 的值。此時(shí)風(fēng)機(jī)的功率達(dá)到最大值。當(dāng)風(fēng)速為某一個(gè)數(shù)值一一切出風(fēng)速時(shí)，風(fēng)電機(jī)繼續(xù)運(yùn) 行會(huì)有一定的危險(xiǎn)。此時(shí)風(fēng)速是一個(gè)極大值?？赡艹霈F(xiàn)的情況有損壞機(jī)械、大幅度不穩(wěn)定 輸出等。這些都要求我們對(duì)未來(lái)風(fēng)速要有一個(gè)相對(duì)準(zhǔn)確的預(yù)測(cè)。
[0003]目前適合用于風(fēng)速短期預(yù)測(cè)的方法有很多。其中一些統(tǒng)計(jì)方法包括有線性回歸， 多元回歸分析，ARMA(自回歸移動(dòng)平均），基于卡爾曼濾波器技術(shù)方法，博克斯和詹金斯模 型。同時(shí)越來(lái)越多的智能算法也被運(yùn)用于此，如利用專家系統(tǒng)，ANN(人工神經(jīng)網(wǎng)絡(luò)），模糊 邏輯，ESN(回聲狀態(tài)網(wǎng)絡(luò)）。將多種方法組合，如基于模糊推理和人工神經(jīng)網(wǎng)絡(luò)方法的組合 模型，基于WT(小波變換），人工神經(jīng)網(wǎng)絡(luò)，EA(進(jìn)化算法）的組合模型，基于ARMAX(自回歸 (AR)和移動(dòng)平均（M)的外生變量）和PSO (粒子群法）的組合模型，以及ANN和ANFIS的 組合模型很常用。組合模型的優(yōu)越性是顯而易見(jiàn)的。GM(灰色模型）獨(dú)立進(jìn)行預(yù)測(cè)得到的 短期風(fēng)速預(yù)測(cè)結(jié)果有時(shí)候不夠精確，因而需要結(jié)合其他方法來(lái)提高它的性能。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明針對(duì)國(guó)內(nèi)風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)應(yīng)用的需要，提出了一種基于小波變換和粒 子群改進(jìn)灰色模型的短期風(fēng)速預(yù)測(cè)方法，可應(yīng)用于風(fēng)能相關(guān)領(lǐng)域的科學(xué)研究和工程應(yīng)用。
[0005] 為實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：
[0006] 基于小波變換和粒子群改進(jìn)灰色模型的短期風(fēng)速預(yù)測(cè)方法，包括以下步驟：
[0007] 1)輸入風(fēng)速數(shù)據(jù)，對(duì)風(fēng)速數(shù)據(jù)構(gòu)成的原始序列進(jìn)行數(shù)據(jù)預(yù)處理；
[0008] 2)對(duì)預(yù)處理后的風(fēng)速序列進(jìn)行小波分解與重構(gòu)；
[0009] 3)建立基于灰色理論的風(fēng)速預(yù)測(cè)模型；
[0010] 4)利用粒子群優(yōu)化算法改進(jìn)灰色風(fēng)速預(yù)測(cè)模型；
[0011] 5)將風(fēng)速序列進(jìn)行小波分解與重構(gòu)后的各分量作為輸入逐一投入粒子群優(yōu)化后 的灰色風(fēng)速預(yù)測(cè)模型進(jìn)行預(yù)測(cè)；
[0012] 6)獲取風(fēng)速預(yù)測(cè)值；
[0013] 7)計(jì)算誤差指標(biāo)，對(duì)風(fēng)速預(yù)測(cè)進(jìn)行評(píng)估；
[0014] 8)輸出風(fēng)速預(yù)測(cè)值和誤差指標(biāo)。
[0015] 前述的步驟1)中，進(jìn)行數(shù)據(jù)預(yù)處理是指當(dāng)預(yù)測(cè)時(shí)刻的風(fēng)速數(shù)據(jù)與前一時(shí)刻的風(fēng) 速數(shù)據(jù)大小相差超過(guò)10%時(shí)，基于以下方程對(duì)風(fēng)速數(shù)據(jù)進(jìn)行預(yù)處理：
⑴：
[0017] 其中，Xs(m+1)表示m+1時(shí)刻的風(fēng)速數(shù)據(jù)，X?表示m時(shí)刻的風(fēng)速數(shù)據(jù)。
[0018] 前述的步驟2)中，選取3層小波分解，則小波分解和重構(gòu)后，原始序列表示為：
[0019] Xs= G !+G2+G3+X3 (2)
[0020] 其中，Xs為原始序列，G i、G2、心分別為第一層至第三層重構(gòu)后的高頻信號(hào)，X 3為第 三層重構(gòu)的低頻信號(hào)，
[0021] 原始序列Xs中的第i個(gè)元素可以表示如下：
[0022] Xs,,= G1, ,+G2, ,+G3, ,+X3,, (3)
[0023] 其中，Glil, G2il, G3il分別為Xs中的第i個(gè)元素的第一層至第三層重構(gòu)后的高頻信 號(hào)，X3llS Xs中的第i個(gè)元素的第三層重構(gòu)的低頻信號(hào)。
[0024] 前述的步驟3)中，建立基于灰色理論的風(fēng)速預(yù)測(cè)模型，包括以下步驟：
[0025] 3-1)對(duì)重構(gòu)后的分量進(jìn)行累加生成操作，如下：
[0026] 將所述步驟2)小波分解和重構(gòu)后的分量匕、G2、心和X 3分別作為風(fēng)速預(yù)測(cè)模型 中的輸入序列X?，進(jìn)行累加生成操作，且選取前5個(gè)時(shí)刻的風(fēng)速數(shù)據(jù)可預(yù)見(jiàn)下一時(shí)刻的風(fēng) 速，
[0027] 令，X(1)是X W的一階累加生成，它的元素可由以下確定：
[0030] 其中，X(Q) (k)表示輸入序列Xw中的前k個(gè)時(shí)刻的數(shù)據(jù)；
[0031] 3-2)計(jì)算灰色風(fēng)速預(yù)測(cè)模型的背景值如下：
[0032] Z(1) (k) = gX(1) (k) + (1-g) X(1) (k-1), k = 2, 3. . . 5 (6)
[0033] 其中，Z(1) (k)表示背景值，g是生成系數(shù)；
[0034] 3-3)建立灰色風(fēng)速預(yù)測(cè)模型的方程如下：
[0035] X(0)(k)+aZ(1)(k) = bX(1) (k) (7)
[0036] 其中，a是發(fā)展系數(shù)，b是由最小二乘法獲得的灰色輸入系數(shù)；
[0037] 定義矩陣B和Yn如下：
CN 105117593 A 說(shuō)明書 3/9 頁(yè)
[0040] 系數(shù)a，b的值由以下等式確定：
[0042] 3-4)確定灰色風(fēng)速預(yù)測(cè)模型的微分方程如下：
[0044] 上述微分方程的解如下：
[0046] 其中，文(1)快)是的X(1) (k)的估計(jì)值，由一個(gè)序列的一階累加生成的第一個(gè)元素估 計(jì)值等于該序列的第一個(gè)元素，確定以下關(guān)系：
[0050] 其中，#、/()是原始序列Xw (k)的估計(jì)值。
[0051] 前述的步驟4)中，利用粒子群優(yōu)化算法改進(jìn)灰色風(fēng)速預(yù)測(cè)模型是指確定生成系 數(shù)的最佳值，滿足最小的平均絕對(duì)百分比誤差：
[0053] 其中，MAPE為平均絕對(duì)百分比誤差；
[0054] 粒子群優(yōu)化算法尋優(yōu)過(guò)程如下：
[0055] 隨機(jī)選擇一組粒子作為初始值來(lái)擬合粒子群優(yōu)化算法模型。這些粒子探索目標(biāo)空 間，在目標(biāo)空間中的k次迭代中，由4、F/分別描述每一個(gè)粒子的位置和速度，每個(gè)粒子記 錄下它們最好的位置€?，在k+Ι次迭代中，粒子的速度％由下面的方程得到：
[0057] 其中，rJP r 2分別是0和1之間的隨機(jī)數(shù)，ω為慣性權(quán)重系數(shù)，c挪c 2是訓(xùn)練系 數(shù)，^?是全局最優(yōu)位置；
[0058] ω的計(jì)算公式如下所示：
[0060] 其中，k_是最大迭代次數(shù)，ω _為〇. 9, ω _為〇. 4,在每個(gè)迭代中，每個(gè)粒子的新 位置是由它原先位置和它當(dāng)前的速度相加得到的，如以下公式：
[0062] 前述的步驟5)將風(fēng)速序列進(jìn)行小波分解與重構(gòu)后的各分量作為輸入逐一投入粒 子群優(yōu)化后的灰色風(fēng)速預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，具體是指，將原始序列Xs的高頻分量G i、G2、G3, 低頻分量X3以及所述步驟4)尋優(yōu)后的生成系數(shù)g作為輸入，輸入到所述步驟3)的灰色風(fēng) 速預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，得到的輸出就是各分量在進(jìn)行短期風(fēng)速預(yù)測(cè)的結(jié)果。
[0063] 前述的步驟6)獲取風(fēng)速預(yù)測(cè)值是指將所述步驟5)得到的各分量的預(yù)測(cè)結(jié)果進(jìn)行 疊加，從而得到風(fēng)速預(yù)測(cè)值，
[0064] 原始序列Xs，k時(shí)刻之后的第M個(gè)元素預(yù)測(cè)值元^表示如下：
[0066] 其中，
分別表示原始序列Xs的第M個(gè)元素 X SiM重構(gòu)后的 第一層至第三層高頻信號(hào)GliM，G2iM，G3iM和第三層重構(gòu)的低頻信號(hào)X 3ιΜ的k時(shí)刻后的預(yù)測(cè)結(jié) 果。
[0067] 前述的步驟7)中，誤差指標(biāo)采用平均絕對(duì)百分比誤差MAPE，平均絕對(duì)誤差MAE，平 均相對(duì)誤差MPE，定義如下：
[0071] 其中，M5P L a分別是風(fēng)速預(yù)測(cè)值和實(shí)際風(fēng)速值，i表示小時(shí)，η表示時(shí)刻數(shù)。
[0072] 本發(fā)明使用粒子群優(yōu)化算法對(duì)灰色模型進(jìn)行優(yōu)化，其次，運(yùn)用具有"數(shù)字顯微鏡" 之美譽(yù)的小波變換來(lái)分析歷史記錄的風(fēng)速數(shù)據(jù)，通過(guò)運(yùn)用小波變換對(duì)某一風(fēng)電場(chǎng)的風(fēng)速序 列進(jìn)行分解和重構(gòu)，運(yùn)用粒子群改進(jìn)灰色模型分別對(duì)每一部分單支重構(gòu)后的信號(hào)進(jìn)行預(yù) 測(cè)，然后將每個(gè)預(yù)測(cè)值進(jìn)行疊加，得到原始風(fēng)速序列的預(yù)測(cè)結(jié)果，最后編寫程序，對(duì)以上算 法進(jìn)行了實(shí)現(xiàn)。本發(fā)明在保證了低頻分量擬合的基礎(chǔ)上解決了高頻分量過(guò)擬合的問(wèn)題，需 要的信息較少，在數(shù)據(jù)相對(duì)缺失的情況下可以完成預(yù)測(cè)，相對(duì)于傳統(tǒng)的灰色模型預(yù)測(cè)的精 度和穩(wěn)定性有了提高。
【附圖說(shuō)明】
[0073] 圖1為本發(fā)明方法流程圖；
[0074] 圖2為小波分解與重構(gòu)過(guò)程的流程圖；
[0075] 圖3為本發(fā)明用PSO優(yōu)化生成系數(shù)g的流程圖；
[0076] 圖4為本發(fā)明的實(shí)施例中應(yīng)用于風(fēng)速序列得到的預(yù)測(cè)值和實(shí)際值。
【具體實(shí)施方式】