专利名称：基于小波分析的风电场风速预测方法及系统的制作方法
技术领域：
本发明涉及风电场风速预测方法及系统，更具体地说，涉及一种基于小波分析的风电场风速预测方法及系统。
背景技术：
风力发电，作为短期内最具竞争力的发电方式之一，其优点是可再生、无污染、占地少、建设周期短、投资灵活、自动化水平高、管理人员少等。但是，风不是无时无刻存在，其主要取决于空气流动的变化，所以风能是一种密度小的随机性能源。其产生的能量大小不稳定，受地理位置限制严重，而且转换效率低。我国幅员辽阔，海岸线很长，风能资源比较丰富。随着我国风力发电行业的不断发展，风电总装机容量日益增大。大中型风电机组并网发电，已经成为世界风能利用的主要形式。随着并网机组持续增长，单机容量提高，机组性能优化，故障率降低，生产成本下降，风电已慢慢具备与常规能源竞争的能力。但由于风电出力的随机性、间歇性等特性，电网运行时必须留有足够的备用机组和调峰容量，以保证风电出现大幅度波动时系统仍然能够稳定运行。这是风力发电区别于其他发电方式的最主要的特点，同时也成为制约风力发电大规模应用的最主要的问题。现阶段的解决方案是，调度中心通过和风力发电厂并网，随时读取数据更新系统参数，从而把由风力发电的引起波动控制在可应对的范围内。但是，随着风电场规模的增大，风力发电对电力系统的影响也越来越显著，给电网运行带来了较大的压力。 因此，为了提高风能的利用效率，越来越多的风力发电企业需要准确的预测服务，通过预测风力资源从而给出比较准确的发电曲线，以便调控分配电量，实现现代风电与传统发电联合优化运行。准确的风力预测还可以帮助投资者确定在何处兴建风电场，以及帮助风电场的运营者更好的维护和管理风电机组。目前，对风速的预测主要依赖于物理预测模型，其计算量大，误差累积率高，而且需要专业的人士维护，不能满足风电企业对风能短期预报的需求，更不能对风电场范围内的风速分布做出精细的预报。近年来，人工神经网络慢慢在风力预测中得到广泛的应用，它可以根据输入和输出数据直接建模，在解决高度非线性和严重不确定性回归方面具有很大的优势。神经网络种类繁多，但是对具体问题究竟是采用何种类型神经网络，何种网络权值学习算法，目前均没有明确的结论。同时，计算量大、收敛速度慢、局部最优等问题也是神经网络面临的主要困难。基于以上考虑，本发明利用小波分析技术结合神经网络模型，建立风电场短期风力预测模型，实现对风速精确估计。

发明内容
本发明要解决的技术问题在于，针对现有技术对风速的预测主要依赖于物理预测模型，其计算量大，误差累积率高，而且需要专业的人士维护，不能满足风电企业对风能短期预报的需求，更不能对风电场范围内的风速分布做出精细的预报等缺陷，提供一种基于小波分析的风电场风速预测方法及系统。
本发明解决其技术问题所采用的技术方案是构造一种基于小波分析的风电场风速预测方法，其包括以下步骤根据一特定的预测时间间隔，确定预测模型的输入和输出变量；读取历史风速值，修正所述历史风速值中的残缺点，以得到风速预测模型的训练样本值序列；对所述训练样本值序列进行快速小波分解，以得到近似细节分量值序列；根据所述近似细节分量值序列，建立所述风速预测模型，以进行风速预测。在本发明所述的风电场风速预测方法中，还包括对所述风速预测的输出结果进行小波重构，以加权后得到相应的风速预测值。在本发明所述的风电场风速预测方法中，还包括将采集的实时风速观测值与所述风速预测值进行比较，当连续一特定次数N的比较中，所述实时风速观测值和风速预测值之间的平均相对误差均超过10%，则调整所述风速预测模型的加权值，其中，N为自然数。在本发明所述的风电场风速预测方法中，使用计算式
权利要求
1.一种基于小波分析的风电场风速预测方法，其特征在于包括以下步骤 根据一特定的预测时间间隔，确定预测模型的输入和输出变量；读取历史风速值，修正所述历史风速值中的残缺点，以得到风速预测模型的训练样本值序列；对所述训练样本值序列进行快速小波分解，以得到近似细节分量值序列； 根据所述近似细节分量值序列，建立所述风速预测模型，以进行风速预测。
2.根据权利要求1所述的风电场风速预测方法，其特征在于，还包括对所述风速预测的输出结果进行小波重构，以加权后得到相应的风速预测值。
3.根据权利要求2所述的风电场风速预测方法，其特征在于，还包括将采集的实时风速观测值与所述风速预测值进行比较，当连续一特定次数N的比较中，所述实时风速观测值和风速预测值之间的平均相对误差均超过10%，则调整所述风速预测模型的加权值，其中，N为自然数。
4.根据权利要求3所述的风电场风速预测方法，其特征在于，使用计算式
5.根据权利要求3所述的风电场风速预测方法，其特征在于，使用计算式
6.根据权利要求1 5任一所述的风电场风速预测方法，其特征在于，根据计算式
7.根据权利要求1 5任一所述的风电场风速预测方法，其特征在于，使用多贝西小波对述训练样本值序列，进行三层深度快速小波分解，以得到三组近似细节分量值序列。
8.一种基于小波分析的风电场风速预测系统，其特征在于包括变量确定模块，用于根据一特定的预测时间间隔，确定预测模型的输入和输出变量； 读取模块，用于读取历史风速值，修正所述历史风速值中的残缺点，以得到风速预测模型的训练样本值序列；数据分解模块，用于对所述训练样本值序列进行快速小波分解，以得到近似细节分量值序列；建模预测模块，用于根据所述近似细节分量值序列，建立所述风速预测模型，以进行风速预测。
9.根据权利要求8所述的风电场风速预测系统，其特征在于，还包括重构加权模块，用于对所述风速预测的输出结果进行小波重构，以加权后得到相应的风速预测值。
10.根据权利要求9所述的风电场风速预测系统，其特征在于，还包括权重调整模块，用于将采集的实时风速观测值与所述风速预测值进行比较，当连续一特定次数N的比较中，所述实时风速观测值和风速预测值之间的平均相对误差均超过 10%，则调整所述风速预测模型的加权值，其中，N为自然数。
全文摘要
本发明涉及基于小波分析的风电场风速预测方法及系统，该方法包括以下步骤根据一特定的预测时间间隔，确定预测模型的输入和输出变量；读取历史风速值，修正所述历史风速值中的残缺点，以得到风速预测模型的训练样本值序列；对所述训练样本值序列进行快速小波分解，以得到近似细节分量值序列；根据所述近似细节分量值序列，建立所述风速预测模型，以进行风速预测。本发明的基于小波分析的风电场风速预测方法及系统，通过小波分解，将训练样本值序列依尺度分解成不同层次，使趋势项、周期项和随机项分离，对每一层进行单独分析与预测，最后重构得到相应的预测值。而且本方法可以按照不同需求，选择任意的预测间隔，进行超前多步，高精度风速预测。
文档编号G01P5/00GK102478584SQ201010560929
公开日2012年5月30日 申请日期2010年11月26日 优先权日2010年11月26日
发明者孟科, 董朝阳, 黄杰波 申请人:香港理工大学