基于非平稳和非高斯平滑插值预处理技术的短时风速预测方法

1.本发明属于风速预测技术领域，具体的为一种基于非平稳和非高斯平滑插值预处理技术的短时风速预测方法。


背景技术：

2.由于对可再生能源的需求迅速增长，风能在近几十年变得越来越重要。根据调查报告，2020年，可再生能源发电已达到2805.5twh，占总能源的10.4％，其中51％来自风能。然而，由于非高斯和非平稳风速的高比例，新增风电容量给电能系统的运行管理和维护带来了许多挑战。准确预测风电场各风力机轮毂高度的短时(如4小时)风速是风力发电预测和风电并网的关键之一。如公开号为cn105224738b的中国专利公开的一种lssvm非高斯脉动风速预测方法，以及公开号为cn112861242a的中国专利申请公开的一种基于混合智能算法对非高斯脉动风速预测方法等，以实现非高斯分布的风速的预测。如公开号为cn104573371a的中国专利申请公开的一种基于最优小波包变换和ar-svm的非平稳风速预测方法，以及公开号为cn105205495a的中国专利申请公开的一种基于emd-elm的非平稳脉动风速预测方法等，以实现非平稳风速的预测。
3.预测模型的准确性受风速序列的非高斯和非平稳特性影响波动很大，现有的预测模型仅考虑了风速序列的非高斯或非平稳特性，导致其预测准确性不足；因此，应同时考虑风速序列的非高斯和非平稳特性，以提高短时风速的预测准确性。


技术实现要素：

4.有鉴于此，本发明的目的在于提供一种基于非平稳和非高斯平滑插值预处理技术的短时风速预测方法，同时考虑风速序列的非高斯和非平稳特性，以提高预测准确性。
5.为达到上述目的，本发明提供如下技术方案：
6.一种基于非平稳和非高斯平滑插值预处理技术的短时风速预测方法，包括如下步骤：
7.1)采集风速序列：得到时间间隔为δt的风速序列u(t)；
8.2)非高斯变换：对风速序列u(t)进行非高斯变换，将风速序列变换为接近高斯分布的风速序列u1(t)；
9.3)平滑处理：将风速序列u1(t)进行均值处理，得到时间间隔为δt1的风速序列u1(t)的平均值其中，δt1＝nδt，n为大于等于1的正整数；进而得到时间间隔为δt内的若干平均值的平均风速μ(t)和标准差σ(t)，其中δt＝n1δt1，n1为大于等于1的正整数；
10.针对时刻点δt1,2δt1,,n1δt1的平均风速μ(t)和标准差σ(t)，得到n1个节点信息，利用3阶滑动平均对该n1个节点信息进行平滑处理；对光滑后的数据进行三次样条插
值，得到风速平均值μ1(t)和标准差σ1(t)；
11.4)非平稳变换：根据风速平均值μ1(t)和标准差σ1(t)，从风速序列u1(t)中去除非平稳特性，将风速序列u1(t)变换为接近平稳的风速序列u2(t)；
12.5)神经网络预测：以风速序列u2(t)为输入，利用神经网络模型预测得到风速序列u2(t i)，其中，i为大于等于1的正整数；
13.6)数据恢复：根据步骤4)的非平稳变换方法和步骤2)的非高斯变换方法，对风速序列u2(t i)进行逆变换，得到最终的预测风速u(t i)。
14.进一步，所述步骤2)中，对风速序列u(t)进行非高斯变换的方法为：
15.f(u)＝(k/c)(u/c)
k-1
exp[-(u/c)k]for u》0and k,c》0
[0016]
u1(t)＝[u(t)]m,t＝1,2,...,n
[0017]
其中，k和c为参数，由风速序列u(t)拟合双参数weibull分布得到；m为指数，且m＝k/3.6；t表示时间；n表示样本长度。。
[0018]
进一步，所述步骤3)中，为了保证连续性，时间间隔δt内的节点信息前后排布，得到表示时刻点δt1,2δt1,,n1δt1,δt1,2δt1,,n1δt1的平均风速μ(t)和标准差σ(t)的2n1个节点信息，再在该2n1个节点信息中取中间段的n1个节点信息。
[0019]
进一步，所述步骤4)中，将风速序列u1(t)变换为接近平稳的风速序列u2(t)的方法为：
[0020]
u2(t)＝[u1(t)-μ1(t)]/σ1(t)
[0021]
其中，式中，μ1(t)和σ1(t)是周期为δt的函数。
[0022]
进一步，所述步骤5)中，所述神经网络模型采用反向传播神经网络模型。
[0023]
进一步，δt＝10min，δt1＝60min，δt＝24h。
[0024]
本发明的有益效果在于：
[0025]
本发明基于非平稳和非高斯平滑插值预处理技术的短时风速预测方法，考虑风速的非平稳和非高斯特性，首先将风速序列u(t)进行非高斯变换后，得到接近高斯分布的风速序列u1(t)，从而避免风速序列u(t)中的非高斯特性对预测精度的影响；而后对风速序列u1(t)进行平滑处理，再对光滑后的数据进行三次样条插值，得到风速平均值μ1(t)和标准差σ1(t)后再进行非平稳变换，得到接近平稳的风速序列u2(t)，从而避免风速序列u1(t)中的非平稳性对预测精度的影响；如此，以风速序列u2(t)为输入，再利用神经网络模型进行预测，由于排出了风速的非平稳和非高斯特性的影响，可提高预测得到的风速序列u2(t i)的准确度，最后将预测得到的风速序列u2(t i)进行逆变换，得到最终的预测风速u(t i)；综合以上，本发明可同时考虑风速序列的非高斯和非平稳性，大大提高风速预测的精度；实际应用中，可通过准确预测风速u(t i)为风电并网提供参考，从而节约用电成本。
附图说明
[0026]
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
[0027]
图1为本发明基于非平稳和非高斯平滑插值预处理技术的短时风速预测方法的流程图；
[0028]
图2为风速序列的实测图；
[0029]
图3为日均风速平滑处理的曲线图；(a)为平均风速；(b)为风速的标准差；
[0030]
图4为三层bp神经网络模型的结构示意图；
[0031]
图5为神经网络模型的预测结构的对比图；(a)为1步预测的rmse；(b)为3步预测的rmse；(c)为1步预测的误差箱线图；(d)为3步预测的误差箱线图。
具体实施方式
[0032]
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
[0033]
如图1所示，为本发明基于非平稳和非高斯平滑插值预处理技术的短时风速预测方法的流程图。本实施例基于非平稳和非高斯平滑插值预处理技术的短时风速预测方法，包括如下步骤：
[0034]
1)采集风速序列：得到时间间隔为δt的风速序列u(t)。
[0035]
2)非高斯变换：对风速序列u(t)进行非高斯变换，将风速序列变换为接近高斯分布的风速序列u1(t)。具体的，本实施例对风速序列u(t)进行非高斯变换的方法为：
[0036]
f(u)＝(k/c)(u/c)
k-1
exp[-(u/c)k]for u》0and k,c》0
[0037]
u1(t)＝[u(t)]m,t＝1,2,...,n
[0038]
其中，k和c为参数，由风速序列u(t)拟合双参数weibull分布得到；m为指数，且m＝k/3.6；t表示时间；n表示样本长度。
[0039]
风速序列通常服从韦伯(weibull)分布，呈现非高斯性，根据韦伯分布的参数确定变换系数，可使原序列变为接近高斯分布，从而去除非高斯性对预测精度的影响。
[0040]
3)平滑处理：将风速序列u1(t)进行均值处理，得到时间间隔为δt1的风速序列u1(t)的平均值其中，δt1＝nδt，n为大于等于1的正整数；进而得到时间间隔为δt内的若干平均值的平均风速μ(t)和标准差σ(t)，其中δt＝n1δt1，n1为大于等于1的正整数；
[0041]
针对时刻点δt1,2δt1,,n1δt1的平均风速μ(t)和标准差σ(t)，得到n1个节点信息，利用3阶滑动平均对该n1个节点信息进行平滑处理，得到风速平均值μ1(t)和标准差σ1(t)。
[0042]
优选的，为了保证连续性，时间间隔δt内的节点信息前后排布，得到表示时刻点δt1,2δt1,,n1δt1,δt1,2δt1,,n1δt1的平均风速μ(t)和标准差σ(t)的2n1个节点信息，再在该2n1个节点信息中取中间段的n1个节点信息。
[0043]
4)非平稳变换：根据风速平均值μ1(t)和标准差σ1(t)，从风速序列u1(t)中去除非平稳特性，将风速序列u1(t)变换为接近平稳的风速序列u2(t)。具体的，本实施例中，将风速序列u1(t)变换为接近平稳的风速序列u2(t)的方法为：
[0044]
u2(t)＝[u1(t)-μ1(t)]/σ1(t)
[0045]
其中，式中，μ1(t)和σ1(t)是周期为δt的函数。
[0046]
5)神经网络预测：以风速序列u2(t)为输入，利用神经网络模型预测得到风速序列u2(t i)，其中，i为大于等于1的正整数。具体的，人工神经网络(ann)在解决非线性问题上的适应性较强，本实施例的神经网络模型采用反向传播(bp)神经网络模型。
[0047]
6)数据恢复：根据步骤4)的非平稳变换方法和步骤2)的非高斯变换方法，对风速序列u2(t i)进行逆变换，得到最终的预测风速u(t i)。
[0048]
具体的，本实施例的δt＝10min，δt1＝60min，δt＝24h，即n＝6，n1＝24。风速序列在一天内的变化规律较为显著，呈现非平稳性，以风速序列在一天内的风速变化参数进行无量纲处理，可去除非平稳性对预测精度的影响；但当序列时间间隔很小时，需对一天内的风速变化参数进行平滑处理，消除随机性的影响，同时保证一天内“首”(0点)和“尾”(24点)时刻的连续性。
[0049]
本实施例基于非平稳和非高斯平滑插值预处理技术的短时风速预测方法，考虑风速的非平稳和非高斯特性，首先将风速序列u(t)进行非高斯变换后，得到接近高斯分布的风速序列u1(t)，从而避免风速序列u(t)中的非高斯特性对预测精度的影响；而后对风速序列u1(t)进行平滑处理，得到风速平均值μ1(t)和标准差σ1(t)后再进行非平稳变换，得到接近平稳的风速序列u2(t)，从而避免风速序列u1(t)中的非平稳性对预测精度的影响；如此，以风速序列u2(t)为输入，再利用神经网络模型进行预测，由于排出了风速的非平稳和非高斯特性的影响，可提高预测得到的风速序列u2(t i)的准确度，最后将预测得到的风速序列u2(t i)进行逆变换，得到最终的预测风速u(t i)；实际应用中，可通过准确预测风速u(t i)为风电并网提供参考，从而节约用电成本。
[0050]
下面结合具体实例对本发明基于非平稳和非高斯平滑插值预处理技术的短时风速预测方法的具体实施方式进行详细说明。
[0051]
采用某测风塔实测数据，数据实测风速序列u(t)包括一个月的实测数据。具体的，数据如图2所示。每个风速序列u(t)的时间间隔δt＝10min，即数据分辨率为10min，将数据最后的4h作为测试集，剩余序列作为训练集，以此验证提出方法的精度。
[0052]
针对图2采集得到的一个月的风速序列u(t)，对该风速序列u(t)进行非高斯变换，得到风速序列u1(t)。针对训练数据，将非高斯变换后的风速序列u1(t)进行时均处理，即δt1＝60min，然后将按天进行统计，即δt＝24h，计算每个时刻的平均值和标准差，以此考虑日均非平稳特性。为将数据波动性考虑在内，基于三阶滑动平均法对该数据进行平滑处理，然后利用三次样条插值，得到时间间隔为10min的非高斯变换后的风速平均值μ1(t)和标准差σ1(t)，效果图3所示。
[0053]
利用风速平均值μ1(t)和标准差σ1(t)，对风速序列u1(t)进行非平稳变换，得到接近平稳的风速序列u2(t)。以风速序列u2(t)作为输入，采用ann模型对非高斯和非平稳变换后的风速序列u2(t)进行预测，得到预测得到风速序列u2(t i)，如u2(t 1)、u2(t 2)、u2(t 3)等，其中，u2(t 1)、u2(t 3)可分别理解为1步预测、3步预测值。如图4所示，为三层bp神经网络模型的结构示意图。神经网络的核心在于根据已知风速序列u2(t)找到函数的最优解，确定模型权重系数。
[0054][0055]
其中，e表示误差评估系数，目标在于使得e达到最小；n表示训练样本数；m表示输出层数；yj(i)表示真值；表示模型评估值。
[0056]
本实施例采用均方根误差(rmse)指标进行评估，其计算公式如下。
[0057][0058]
最后将预测得到的风速序列u2(t i)通过逆变换恢复为预测风速u(t i)。具体的，根据图2所示的实测风速序列u(t)，对后4h的风速进行滚动预测，分别进行1步和3步预测，并将结果与直接进行ann预测的结果进行对比，预测结果的对比图如图5所示。根据图5所示预测结果，以rmse误差来看，相比ann神经网络，本实施例提出的基于非平稳和非高斯平滑插值预处理技术的短时风速预测方法的超短时风速预测模型可分别提高1步预测和3步预测精度的13％和16％，整体预测优势显著。
[0059]
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。