一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法

摘要

本发明公开了一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法，包括了以下步骤：S1、获取风速历史数据；S2、采用改进的奇异谱分析将风速序列分解成一系列子序列，其中改进的奇异谱分析引入奇异熵判断风速序列的噪声成分并去除；S3、划分每个子序列的训练数据，分别建立Bp神经网络模型并完成训练；S4、对改进奇异谱分析分解得到的子序列分别预测；S5、组合所有子序列的预测结果完成风速预测。本发明通过改进的奇异谱分析去除了原始风速序列的噪声影响，进一步提高了风速的预测精度。

说明书

技术领域

本发明涉及超短期风速预测领域，更具体地，涉及一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法。

背景技术：

风电作为一种零排放，运行成本低的新能源发电技术，在全球电力生产行业中高速发展。然而，风速的波动性、间接性及低能量密度等特点会提高风电并网的难度，以及降低电力系统运行的可靠性。因此，准确可靠的风速预测对于风电并网以及电力系统的安全稳定分析具有重要意义。

目前对于风速预测的研究主要有物理方法、统计方法或者结合二者三类。然而，物理方法需要高精度的气象预报数据，同时更适合用来进行风电场建设前期评估的中长期预测，而单一统计方法不能完全捕捉风速数据的全部特征，其预测精度难以保证。因此，近年来学者们致力于通过组合多个单一模型形成多模型的预测方法以得到更好的预测性能。其中，机器学习模型因其强大的拟合能力被广泛应用于超短期风速预测，但是因为输入数据的限制，无法挖掘出原始风速序列的特征，导致预测精度不高。

发明内容

针对风电场采集的风速数据受到较多因素的影响，容易引入噪声信息的问题，提出了一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法，有效提高了Bp神经网络的精度。

本发明采用的技术方案如下：

一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法，其特征在于，所述方法包括以下步骤：

步骤1：采集风速的历史数据，具体是此步骤是获取某地D天内，设定时间间隔的轮毂高度风速(m/s)，共计N个数据。

步骤2：对原始风速序列利用改进的奇异谱分析进行分解；

步骤3：对分解得到的子序列划分训练集，并建立Bp神经网络模型完成训练；

步骤4：分别用训练好的模型对子序列进行多步预测，具体是：将预测初始时刻最近的n个历史风速值作为输入，根据训练好的神经网络预测第一步的风速值；把第一步的风速预测值当作已知量，同时将输入向前推一个，作为神经网络的新输入，预测第二步的风速值；依次进行预测，就可以完成风速序列的多步预测。

步骤5：组合所有子序列的多步预测结果完成风速的多步预测并进行预测结果评价，评价指标包括：

均方根误差(RMSE)：

平均绝对误差(MAE)：

平均绝对百分比误差(MAPE)：

在上述的一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法，步骤2中改进的奇异谱分析具体包括：

步骤2.1、构造轨迹矩阵，定义原始风速序列x＝[x

步骤2.2、奇异值分解，对矩阵XX

步骤2.3、去噪，利用奇异熵判断序列的噪声；奇异熵是将奇异值代入信息熵来计算信息量，奇异熵增量的具体公式为，

其中，k表示奇异熵的阶数，ΔE

基于奇异熵理论，噪声的提取顺序取决于奇异熵的增量是否减小到一个稳定值；如果奇异熵的增量在第M阶变得稳定，则说明，从1阶到M阶的奇异值主要包含有效信息，而随后的奇异值与噪声有关；本发明正是以此为依据，将所有

其中，m＝1,2,…,M(M≤L)；

步骤2.4、重构信号，利用对角平均法将

其中，

在上述的一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法，步骤3的Bp神经网络包含输入层、隐含层、输出层3个部分。

与现有技术相比，本发明的有益效果是：本发明的改进的奇异谱分析在奇异值分解过程中就排除了子序列之间的相关性，实现了非线性复杂信号到具有不同趋势特征的子序列的转变；在分组过程中又基于奇异熵理论排除了风速序列的噪声成分，弱化了原始风速中噪声带来的波动性，对改善预测模型的性能和提高超短期风速的预测精度都有重要意义。

附图说明

图1为一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法的流程图

图2为一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法中Bp神经网络的结构示意图

图3为某地20天内，时间间隔为15分钟的轮毂高度风速(m/s)数据。

图4为神经网络的训练数据划分。

图5为多步预测图解。

具体实施方式

下面对本发明做进一步描述，以下实施例仅仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明涉及一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法，其具体步骤如下：

步骤1：采集风速的历史数据；

此步骤是获取某地20天内，时间间隔为15分钟的轮毂高度风速(m/s)，共计1920个数据如图3所示。

步骤2：对原始风速序列利用改进的奇异谱分析进行分解；

此步骤从原始风速序列出发，依据风速变化轨迹对风速序列进行分解，实现非线性复杂信号到具有不同趋势特征的子序列的转变。对于原始风速序列x＝[x

1)构造轨迹矩阵

假设原始风速序列x＝[x

2)奇异值分解

对矩阵XX

3)去噪

为了准确提取和去除原始风速序列中的噪声信息，本文利用奇异熵判断序列的噪声。奇异熵是将奇异值代入信息熵来计算信息量，奇异熵增量的具体公式为，

其中，k表示奇异熵的阶数，ΔE

基于奇异熵理论，噪声的提取顺序取决于奇异熵的增量是否减小到一个稳定值。如果奇异熵的增量在第M阶变得稳定，则说明，从1阶到M阶的奇异值主要包含有效信息，而随后的奇异值与噪声有关。本发明正是以此为依据，将所有

其中，m＝1,2,…,M(M≤L)。

4)重构信号

利用对角平均法将

其中，

步骤3：对分解得到的子序列划分训练集，并建立Bp神经网络模型完成训练；

此步骤对每个子序列的前1910个数据划分训练数据如图4所示。其中前70％的数据作为训练集用来训练神经网络的权重和阈值，后30％用来验证模型的有效性。

步骤4：分别用训练好的模型对子序列进行多步预测；

此步骤用训练好的神经网络模型分别对子序列进行多步预测，如图5所示。其中y是子序列中的历史值，

步骤5：组合所有子序列的多步预测结果完成风速的多步预测并进行预测结果评价。

此步骤是组合所有子序列的多步预测结果完成风速的多步预测，并对10步内的预测结果进行评价，评价指标如下表1所示。

表1预测结果评价指标

本发明基于奇异熵改进了奇异谱分析，在分组过程中基于奇异熵理论排除了风速序列的噪声成分，弱化了原始风速中噪声带来的波动性，同时实现了非线性复杂信号到具有不同趋势特征的子序列的转变，对改善预测模型的性能和提高超短期风速的预测精度都有重要意义。

以上所述仅是本发明的优选实施方案，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可做出若干改进与变形，这些改进与变形也应视为本发明的保护范围。