本發(fā)明涉及風(fēng)電功率預(yù)測(cè)領(lǐng)域，特別涉及一種基于粒子群優(yōu)化算法風(fēng)速融合的風(fēng)電功率預(yù)測(cè)的方法。

背景技術(shù)：

隨著化石能源的快速消耗，人類正面臨著能源枯竭和環(huán)境惡化的雙重危機(jī)，因此近年來清潔可再生的風(fēng)能在世界范圍內(nèi)也因此受到了廣泛重視與發(fā)展。國內(nèi)風(fēng)電總裝機(jī)容量已躍居世界第一，風(fēng)電的大規(guī)模發(fā)展和減少化石能源的使用，在一定程度上緩解了能源危機(jī)。但是，由于風(fēng)能具有很強(qiáng)的間歇性和隨機(jī)性，隨著風(fēng)電場(chǎng)數(shù)量的增多和裝機(jī)容量的不斷增大，風(fēng)電的大規(guī)模并網(wǎng)給電網(wǎng)的安全經(jīng)濟(jì)運(yùn)行帶來了巨大的挑戰(zhàn)。對(duì)風(fēng)力發(fā)電進(jìn)行有效預(yù)測(cè)，可以幫助電網(wǎng)調(diào)度部門做好分布式電源的調(diào)度計(jì)劃，提高電網(wǎng)利用風(fēng)電的能力，減少由于風(fēng)電限電帶來的經(jīng)濟(jì)損失，增加風(fēng)電場(chǎng)投資回報(bào)率。然而，風(fēng)的不確定性會(huì)導(dǎo)致風(fēng)力發(fā)電機(jī)不能按理想的風(fēng)電功率曲線發(fā)電。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供一種基于粒子群優(yōu)化算法風(fēng)速融合的風(fēng)電功率預(yù)測(cè)的方法，解決了現(xiàn)有技術(shù)中風(fēng)的不確定性會(huì)導(dǎo)致風(fēng)力發(fā)電機(jī)不能按理想的風(fēng)電功率曲線發(fā)電的技術(shù)問題，達(dá)到了提高對(duì)風(fēng)電功率準(zhǔn)確預(yù)測(cè)精度的技術(shù)效果。

為解決上述技術(shù)問題，本發(fā)明提供一種基于粒子群優(yōu)化算法風(fēng)速融合的風(fēng)電功率預(yù)測(cè)的方法，其特征在于，所述方法包括：

步驟一，獲取預(yù)設(shè)的時(shí)間范圍內(nèi)歷史的風(fēng)電場(chǎng)數(shù)據(jù)，得到訓(xùn)練集X和預(yù)測(cè)集Y；對(duì)所述風(fēng)電場(chǎng)數(shù)據(jù)進(jìn)行預(yù)處理；其中，所述風(fēng)電場(chǎng)數(shù)據(jù)包括風(fēng)電場(chǎng)實(shí)發(fā)風(fēng)速、實(shí)發(fā)功率和多氣象源風(fēng)速數(shù)據(jù)；

步驟二，利用灰色關(guān)聯(lián)分析選擇氣象源，將選擇的氣象源風(fēng)速作為預(yù)測(cè)風(fēng)電功率的風(fēng)速數(shù)據(jù)；

步驟三，利用粒子群優(yōu)化算法計(jì)算風(fēng)速融合系數(shù)，以進(jìn)行融合并得到較優(yōu)的融合后風(fēng)速數(shù)據(jù)，并采用所述融合后風(fēng)速數(shù)據(jù)作為預(yù)測(cè)模型的輸入；

步驟四，對(duì)訓(xùn)練集X中風(fēng)速數(shù)據(jù)分段；

步驟五，建立風(fēng)速與功率的回歸模型。

優(yōu)選的，所述步驟一中所述對(duì)所述風(fēng)電場(chǎng)數(shù)據(jù)進(jìn)行預(yù)處理，具體為：

剔除訓(xùn)練集X中實(shí)發(fā)功率和實(shí)發(fā)風(fēng)速出現(xiàn)的非法數(shù)據(jù)；和，剔除訓(xùn)練集X中的不匹配點(diǎn)。

優(yōu)選的，所述剔除訓(xùn)練集X中實(shí)發(fā)功率和實(shí)發(fā)風(fēng)速出現(xiàn)的非法數(shù)據(jù)，具體為：

判斷訓(xùn)練集X中實(shí)發(fā)風(fēng)速中是否存在的突變點(diǎn)，所述突變點(diǎn)包括實(shí)發(fā)風(fēng)速值異常大，短期內(nèi)實(shí)發(fā)風(fēng)速值急劇增大或減小的點(diǎn)；若是，則對(duì)突變點(diǎn)平滑處理，所述對(duì)突變點(diǎn)平滑處理采用公式(1)消除實(shí)發(fā)風(fēng)速的突變點(diǎn)；

其中，V_i為i時(shí)刻風(fēng)速，V_i-1為i-1時(shí)刻風(fēng)速，V_i+1為i+1時(shí)刻風(fēng)速，V_i+2為i+2時(shí)刻風(fēng)速，V_i+3為i+3時(shí)刻風(fēng)速；ξ為相隔采樣點(diǎn)風(fēng)速變化的閥值；m為最大風(fēng)速閥值。

優(yōu)選的，所述剔除訓(xùn)練集X中的不匹配點(diǎn)，具體為：

判斷訓(xùn)練集X中是否存在風(fēng)速與功率變化方向相反的數(shù)據(jù)，所述風(fēng)速與功率變化方向相反的數(shù)據(jù)包括風(fēng)速大、功率小的數(shù)據(jù)，以及風(fēng)速小、功率大的數(shù)據(jù)；若存在，則采用不匹配點(diǎn)剔除方法來剔除不匹配點(diǎn)，所述不匹配點(diǎn)剔除方法包括：

步驟(1)數(shù)據(jù)標(biāo)準(zhǔn)化處理：

其中，D_max為歷史建模數(shù)據(jù)中的最大值；D_min為歷史建模數(shù)據(jù)中的最小值；D為實(shí)際值；D^*為標(biāo)準(zhǔn)化處理后的值。

對(duì)歷史建模數(shù)據(jù)中的實(shí)發(fā)功率、實(shí)發(fā)風(fēng)速進(jìn)行標(biāo)準(zhǔn)化處理，區(qū)間為[0,1]；

步驟(2)不匹配點(diǎn)剔除：

其中，P_i為i時(shí)刻實(shí)發(fā)功率；P_i^*為i時(shí)刻實(shí)發(fā)功率標(biāo)準(zhǔn)化處理后的值；V_i^*為i時(shí)刻實(shí)發(fā)風(fēng)速標(biāo)準(zhǔn)化處理后的值；s為標(biāo)準(zhǔn)化功率與風(fēng)速差距閥值，s可取但不限于0.3；在不匹配點(diǎn)實(shí)發(fā)功率上標(biāo)記不匹配標(biāo)記，刪除處理實(shí)發(fā)功率帶不匹配標(biāo)記的那組數(shù)據(jù)。

優(yōu)選的，所述步驟二中所述利用灰色關(guān)聯(lián)分析選擇氣象源，具體為：

采用灰色關(guān)聯(lián)分析評(píng)估多氣象源風(fēng)速中每個(gè)氣象源風(fēng)速與實(shí)發(fā)風(fēng)速的關(guān)聯(lián)性，比較不同氣象源風(fēng)速與實(shí)發(fā)風(fēng)速的關(guān)聯(lián)度，選擇關(guān)聯(lián)度較大的多個(gè)氣象源。

優(yōu)選的，所述采用灰色關(guān)聯(lián)分析評(píng)估多氣象源風(fēng)速中每個(gè)氣象源風(fēng)速與實(shí)發(fā)風(fēng)速的關(guān)聯(lián)性，具體包括：

(1)選擇實(shí)發(fā)風(fēng)速為母序列V_o，不同氣象源風(fēng)速為子序列V_i，V_i為第i個(gè)氣象源的風(fēng)速；

(2)對(duì)各序列參數(shù)歸一化處理；

(3)計(jì)算每個(gè)子序列中各參數(shù)與母序列對(duì)應(yīng)參數(shù)的關(guān)聯(lián)系數(shù)

其中，K_ij為第i個(gè)子序列的第j個(gè)參數(shù)與母序列的第j個(gè)參數(shù)的關(guān)聯(lián)系數(shù)；ρ為分辨系數(shù)，取值范圍在[0,1]。

(4)計(jì)算關(guān)聯(lián)度，計(jì)算公式如下：

其中，γ_i為第i個(gè)子序列與實(shí)發(fā)風(fēng)速的關(guān)聯(lián)度；N為子序列長度；K_ij為計(jì)算得到的關(guān)聯(lián)系數(shù)。

優(yōu)選的，所述步驟三中所述利用粒子群優(yōu)化算法計(jì)算風(fēng)速融合系數(shù)，以進(jìn)行融合并得到較優(yōu)的融合后風(fēng)速數(shù)據(jù)，具體為：

根據(jù)神經(jīng)網(wǎng)絡(luò)建模要求輸入矩陣為V＝[V₁,V₂,…,V_n]，目標(biāo)矩陣為P，其中式中，V₁,V₂,…,V_n表示不同的氣象源風(fēng)速；n表示選擇的有n個(gè)氣象源風(fēng)速；P表示預(yù)測(cè)集目標(biāo)矩陣；輸入V與輸出P行數(shù)相同。

優(yōu)選的，所述步驟三中所述利用粒子群優(yōu)化算法計(jì)算風(fēng)速融合系數(shù)，以進(jìn)行融合并得到較優(yōu)的融合后風(fēng)速數(shù)據(jù)，具體為：

(1)融合風(fēng)速V_f＝ω₁V₁+ω₂V₂+…+ω_nV_n，參數(shù)ω＝[ω₁,ω₂,…,ω_n]為對(duì)應(yīng)氣象源風(fēng)速V融合系數(shù)向量，設(shè)定參數(shù)范圍為[0,1]。

(2)根據(jù)粒子群優(yōu)化算法計(jì)算風(fēng)速融合系數(shù)向量ω，設(shè)定適應(yīng)度函數(shù)

V_diff＝|ωV^Τ-V_ture|＝|ω₁V₁+ω₂V₂…+ω_nV_n-V_ture|

式中，V_diff表示偏差；V_ture表示實(shí)發(fā)風(fēng)速。

(3)粒子群算法得到最小V_diff，此時(shí)對(duì)應(yīng)的氣象源風(fēng)速融合系數(shù)向量ω為風(fēng)速融合系數(shù)。

(4)使用氣象源風(fēng)速融合系數(shù)向量ω融合預(yù)測(cè)集Y中的各氣象源天氣預(yù)報(bào)風(fēng)速，得到測(cè)試風(fēng)速。

優(yōu)選的，所述步驟四中所述對(duì)訓(xùn)練集X中風(fēng)速數(shù)據(jù)分段，具體為：

(1)劃分風(fēng)速區(qū)間

假設(shè)風(fēng)速與功率近似滿足風(fēng)機(jī)功率曲線，對(duì)風(fēng)速按照一定間隔g劃分區(qū)間；得到劃分區(qū)間的數(shù)量為l＝v_max/g，其中v_max為建模風(fēng)速的最大值；

(2)對(duì)l個(gè)區(qū)間內(nèi)的功率數(shù)據(jù)設(shè)定置信度剔除小概率數(shù)據(jù)，計(jì)算并記錄每個(gè)區(qū)間功率的平均值

(3)功率的平均值組成向量，并隨區(qū)間內(nèi)風(fēng)速值變大而近似符合風(fēng)機(jī)功率曲線分布，對(duì)功率的平均值所組成向量濾波使之變得平滑，平滑后的數(shù)據(jù)會(huì)出現(xiàn)極值點(diǎn)，該點(diǎn)所在區(qū)間l_max，極值點(diǎn)對(duì)應(yīng)風(fēng)速v'_max＝gl_max；

(4)訓(xùn)練集X中風(fēng)速最大為v_max，限定區(qū)間(c₁v_max,c₂v_max)，其中0＜c₁＜1，0＜c₂＜1，且c₁＜c₂；若極值點(diǎn)v'_max出現(xiàn)在限定區(qū)間內(nèi)，則極值點(diǎn)v'_max為分段點(diǎn)。若極值點(diǎn)v′_max未出現(xiàn)在限定區(qū)間，或無極值點(diǎn)時(shí)，默認(rèn)分段點(diǎn)為c₃v_max，其中0＜c₃＜1，且c₁≤c₃≤c₂，可取但不限于c₁＝0.6，c₂＝0.8，c₃＝0.8；所述分段點(diǎn)滿足

其中，v_s為分段點(diǎn)。

優(yōu)選的，所述步驟五中建立風(fēng)速與功率的回歸模型，具體為：

采用BP神經(jīng)網(wǎng)絡(luò)建模，所述采用BP神經(jīng)網(wǎng)絡(luò)建模包括：

(1)訓(xùn)練集X被風(fēng)速分段點(diǎn)v_s分為X₁和X₂兩部分，X₁中風(fēng)速范圍為(0,v_s)，X₂中風(fēng)速范圍為[v_s,v_max]；設(shè)定風(fēng)速間隔的取值，并對(duì)X₁和X₂按照風(fēng)速間隔劃分區(qū)間，剔除X₂末端區(qū)間內(nèi)數(shù)據(jù)量較少的區(qū)間，設(shè)定區(qū)間閥值，并對(duì)功率設(shè)定置信區(qū)間；

(2)使用BP神經(jīng)網(wǎng)絡(luò)分別建立X₁和X₂中風(fēng)速與功率關(guān)系模型，風(fēng)速作為訓(xùn)練的輸入，對(duì)應(yīng)的功率作為訓(xùn)練的目標(biāo)，分別得到模型N₁和N₂。

(3)預(yù)測(cè)集Y中風(fēng)速輸入模型，當(dāng)風(fēng)速小于v_s時(shí)使用模型N₁進(jìn)行預(yù)測(cè)，當(dāng)風(fēng)速大于v_s時(shí)使用模型N₂進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)結(jié)果。

本申請(qǐng)有益效果如下：

本發(fā)明提供的基于粒子群優(yōu)化算法風(fēng)速融合的風(fēng)電功率預(yù)測(cè)的方法，通過從數(shù)據(jù)庫得到訓(xùn)練集和預(yù)測(cè)集，再對(duì)訓(xùn)練集剔除非法數(shù)據(jù)并進(jìn)行數(shù)據(jù)預(yù)處理，預(yù)處理包括實(shí)發(fā)風(fēng)速平滑處理，實(shí)發(fā)功率與實(shí)發(fā)風(fēng)速不匹配點(diǎn)處理，從而提高訓(xùn)練集數(shù)據(jù)的有效性和可靠性；

進(jìn)一步的，通過計(jì)算不同氣象源風(fēng)速與實(shí)發(fā)風(fēng)速的灰色關(guān)聯(lián)度，并對(duì)關(guān)聯(lián)度較大的風(fēng)速使用粒子群算法計(jì)算融合系數(shù)，使用該系數(shù)融合訓(xùn)練集和預(yù)測(cè)集的不同氣象源風(fēng)速；根據(jù)建模風(fēng)速分布特點(diǎn)，尋找分段點(diǎn)；最后，根據(jù)風(fēng)速分段點(diǎn)把數(shù)據(jù)分為兩部分建模，預(yù)測(cè)集風(fēng)速根據(jù)分段點(diǎn)分別使用對(duì)應(yīng)的模型進(jìn)行功率預(yù)測(cè)，提高了預(yù)測(cè)精度。本發(fā)明提供的預(yù)測(cè)方法相比其他預(yù)測(cè)模型可以保持較好的穩(wěn)定性，特別是在風(fēng)速特性變化劇烈或單一氣象源誤差較大時(shí)可實(shí)現(xiàn)較好的預(yù)測(cè)效果。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例。

圖1為本申請(qǐng)較佳實(shí)施方式基于概率統(tǒng)計(jì)和粒子群優(yōu)化的多氣象源風(fēng)速融合的風(fēng)電功率預(yù)測(cè)方法的流程圖；

圖2為本申請(qǐng)圖1中步驟一中預(yù)處理前的一實(shí)施例的數(shù)據(jù)分布圖；

圖3為本申請(qǐng)圖2中經(jīng)過步驟一中預(yù)處理后的數(shù)據(jù)分布圖；

圖4是本申請(qǐng)圖1中步驟三處理后的數(shù)據(jù)分布圖；

圖5是本申請(qǐng)圖1中步驟四風(fēng)速分段的示意圖。

具體實(shí)施方式

為了更好的理解上述技術(shù)方案，下面將結(jié)合說明書附圖以及具體的實(shí)施方式對(duì)上述技術(shù)方案進(jìn)行詳細(xì)的說明。

本申請(qǐng)?zhí)峁┑幕诹Ｗ尤簝?yōu)化算法風(fēng)速融合的風(fēng)電功率預(yù)測(cè)的方法，所述方法通過從數(shù)據(jù)庫得到訓(xùn)練集和預(yù)測(cè)集，再對(duì)訓(xùn)練集剔除非法數(shù)據(jù)并進(jìn)行數(shù)據(jù)預(yù)處理，預(yù)處理包括實(shí)發(fā)風(fēng)速平滑處理，實(shí)發(fā)功率與實(shí)發(fā)風(fēng)速不匹配點(diǎn)處理，從而提高訓(xùn)練集數(shù)據(jù)的有效性和可靠性；

進(jìn)一步的，通過計(jì)算不同氣象源風(fēng)速與實(shí)發(fā)風(fēng)速的灰色關(guān)聯(lián)度，并對(duì)關(guān)聯(lián)度較大的風(fēng)速使用粒子群算法計(jì)算融合系數(shù)，使用該系數(shù)融合訓(xùn)練集和預(yù)測(cè)集的不同氣象源風(fēng)速；根據(jù)建模風(fēng)速分布特點(diǎn)，尋找分段點(diǎn)；最后，根據(jù)風(fēng)速分段點(diǎn)把數(shù)據(jù)分為兩部分建模，預(yù)測(cè)集風(fēng)速根據(jù)分段點(diǎn)分別使用對(duì)應(yīng)的模型進(jìn)行功率預(yù)測(cè)，提高了預(yù)測(cè)精度。本發(fā)明提供的預(yù)測(cè)方法相比其他預(yù)測(cè)模型可以保持較好的穩(wěn)定性，特別是在風(fēng)速特性變化劇烈或單一氣象源誤差較大時(shí)可實(shí)現(xiàn)較好的預(yù)測(cè)效果。

本申請(qǐng)?zhí)峁┑幕诹Ｗ尤簝?yōu)化算法風(fēng)速融合的風(fēng)電功率預(yù)測(cè)的方法，請(qǐng)參閱圖1，所述方法包括：

步驟一S100，獲取預(yù)設(shè)的時(shí)間范圍內(nèi)歷史的風(fēng)電場(chǎng)數(shù)據(jù)，得到訓(xùn)練集X和預(yù)測(cè)集Y；對(duì)所述風(fēng)電場(chǎng)數(shù)據(jù)進(jìn)行預(yù)處理；其中，所述風(fēng)電場(chǎng)數(shù)據(jù)包括風(fēng)電場(chǎng)實(shí)發(fā)風(fēng)速、實(shí)發(fā)功率和多氣象源風(fēng)速數(shù)據(jù)；

所述步驟一中所述對(duì)所述風(fēng)電場(chǎng)數(shù)據(jù)進(jìn)行預(yù)處理，具體為：

剔除訓(xùn)練集X中實(shí)發(fā)功率和實(shí)發(fā)風(fēng)速出現(xiàn)的非法數(shù)據(jù)；和，剔除訓(xùn)練集X中的不匹配點(diǎn)。如圖2和圖3所示，預(yù)處理后的數(shù)據(jù)特性發(fā)生了變化，剔除了部分無效數(shù)據(jù)和不可信數(shù)據(jù)。

所述剔除訓(xùn)練集X中實(shí)發(fā)功率和實(shí)發(fā)風(fēng)速出現(xiàn)的非法數(shù)據(jù)，具體為：

判斷訓(xùn)練集X中實(shí)發(fā)風(fēng)速中是否存在的突變點(diǎn)，所述突變點(diǎn)包括實(shí)發(fā)風(fēng)速值異常大，短期內(nèi)實(shí)發(fā)風(fēng)速值急劇增大或減小的點(diǎn)；若是，則對(duì)突變點(diǎn)平滑處理，所述對(duì)突變點(diǎn)平滑處理采用公式(1)消除實(shí)發(fā)風(fēng)速的突變點(diǎn)；

其中，V_i為i時(shí)刻風(fēng)速，V_i-1為i-1時(shí)刻風(fēng)速，V_i+1為i+1時(shí)刻風(fēng)速，V_i+2為i+2時(shí)刻風(fēng)速，V_i+3為i+3時(shí)刻風(fēng)速；ξ為相隔采樣點(diǎn)風(fēng)速變化的閥值；m為最大風(fēng)速閥值。

所述剔除訓(xùn)練集X中的不匹配點(diǎn)，具體為：

判斷訓(xùn)練集X中是否存在風(fēng)速與功率變化方向相反的數(shù)據(jù)，所述風(fēng)速與功率變化方向相反的數(shù)據(jù)包括風(fēng)速大、功率小的數(shù)據(jù)，以及風(fēng)速小、功率大的數(shù)據(jù)；若存在，則采用不匹配點(diǎn)剔除方法來剔除不匹配點(diǎn)，所述不匹配點(diǎn)剔除方法包括：

步驟(1)數(shù)據(jù)標(biāo)準(zhǔn)化處理：

其中，D_max為歷史建模數(shù)據(jù)中的最大值；D_min為歷史建模數(shù)據(jù)中的最小值；D為實(shí)際值；D^*為標(biāo)準(zhǔn)化處理后的值。

對(duì)歷史建模數(shù)據(jù)中的實(shí)發(fā)功率、實(shí)發(fā)風(fēng)速進(jìn)行標(biāo)準(zhǔn)化處理，區(qū)間為[0,1]；

步驟(2)不匹配點(diǎn)剔除：

其中，P_i為i時(shí)刻實(shí)發(fā)功率；P_i^*為i時(shí)刻實(shí)發(fā)功率標(biāo)準(zhǔn)化處理后的值；V_i^*為i時(shí)刻實(shí)發(fā)風(fēng)速標(biāo)準(zhǔn)化處理后的值；s為標(biāo)準(zhǔn)化功率與風(fēng)速差距閥值，s可取但不限于0.3；在不匹配點(diǎn)實(shí)發(fā)功率上標(biāo)記不匹配標(biāo)記，刪除處理實(shí)發(fā)功率帶不匹配標(biāo)記的那組數(shù)據(jù)。

步驟二S200，利用灰色關(guān)聯(lián)分析選擇氣象源，將選擇的氣象源風(fēng)速作為預(yù)測(cè)風(fēng)電功率的風(fēng)速數(shù)據(jù)；

所述步驟二中所述利用灰色關(guān)聯(lián)分析選擇氣象源，具體為：

采用灰色關(guān)聯(lián)分析評(píng)估多氣象源風(fēng)速中每個(gè)氣象源風(fēng)速與實(shí)發(fā)風(fēng)速的關(guān)聯(lián)性，比較不同氣象源風(fēng)速與實(shí)發(fā)風(fēng)速的關(guān)聯(lián)度，選擇關(guān)聯(lián)度較大的多個(gè)氣象源。

所述采用灰色關(guān)聯(lián)分析評(píng)估多氣象源風(fēng)速中每個(gè)氣象源風(fēng)速與實(shí)發(fā)風(fēng)速的關(guān)聯(lián)性，具體包括：

(1)選擇實(shí)發(fā)風(fēng)速為母序列V_o，不同氣象源風(fēng)速為子序列V_i，V_i為第i個(gè)氣象源的風(fēng)速；

(2)對(duì)各序列參數(shù)歸一化處理；

(3)計(jì)算每個(gè)子序列中各參數(shù)與母序列對(duì)應(yīng)參數(shù)的關(guān)聯(lián)系數(shù)

其中，K_ij為第i個(gè)子序列的第j個(gè)參數(shù)與母序列的第j個(gè)參數(shù)的關(guān)聯(lián)系數(shù)；ρ為分辨系數(shù)，取值范圍在[0,1]。

(4)計(jì)算關(guān)聯(lián)度，計(jì)算公式如下：

其中，γ_i為第i個(gè)子序列與實(shí)發(fā)風(fēng)速的關(guān)聯(lián)度；N為子序列長度；K_ij為計(jì)算得到的關(guān)聯(lián)系數(shù)。

步驟三S300，利用粒子群優(yōu)化算法計(jì)算風(fēng)速融合系數(shù)，以進(jìn)行融合并得到較優(yōu)的融合后風(fēng)速數(shù)據(jù)，并采用所述融合后風(fēng)速數(shù)據(jù)作為預(yù)測(cè)模型的輸入；

所述步驟三中所述利用粒子群優(yōu)化算法計(jì)算風(fēng)速融合系數(shù)，以進(jìn)行融合并得到較優(yōu)的融合后風(fēng)速數(shù)據(jù)，具體為：

根據(jù)神經(jīng)網(wǎng)絡(luò)建模要求輸入矩陣為V＝[V₁,V₂,…,V_n]，目標(biāo)矩陣為P，其中式中，V₁,V₂,…,V_n表示不同的氣象源風(fēng)速；n表示選擇的有n個(gè)氣象源風(fēng)速；P表示預(yù)測(cè)集目標(biāo)矩陣；輸入V與輸出P行數(shù)相同。

所述步驟三中所述利用粒子群優(yōu)化算法計(jì)算風(fēng)速融合系數(shù)，以進(jìn)行融合并得到較優(yōu)的融合后風(fēng)速數(shù)據(jù)，具體為：

(1)融合風(fēng)速V_f＝ω₁V₁+ω₂V₂+…+ω_nV_n，參數(shù)ω＝[ω₁,ω₂,…,ω_n]為對(duì)應(yīng)氣象源風(fēng)速V融合系數(shù)向量，設(shè)定參數(shù)范圍為[0,1]。

(2)根據(jù)粒子群優(yōu)化算法計(jì)算風(fēng)速融合系數(shù)向量ω，設(shè)定適應(yīng)度函數(shù)

V_diff＝|ωV^Τ-V_ture|＝|ω₁V₁+ω₂V₂…+ω_nV_n-V_ture|

式中，V_diff表示偏差；V_ture表示實(shí)發(fā)風(fēng)速。

(3)粒子群算法得到最小V_diff，此時(shí)對(duì)應(yīng)的氣象源風(fēng)速融合系數(shù)向量ω為風(fēng)速融合系數(shù)。

(4)使用氣象源風(fēng)速融合系數(shù)向量ω融合預(yù)測(cè)集Y中的各氣象源天氣預(yù)報(bào)風(fēng)速，得到測(cè)試風(fēng)速。

請(qǐng)參閱圖3，,融合后的風(fēng)速相較于單一氣象源風(fēng)速更符合風(fēng)速功率關(guān)系分布，且在一定程度上減少了誤差較大點(diǎn)的數(shù)量，增加了風(fēng)速的穩(wěn)定性和有效性。

步驟四S400，對(duì)訓(xùn)練集X中風(fēng)速數(shù)據(jù)分段；

所述步驟四中所述對(duì)訓(xùn)練集X中風(fēng)速數(shù)據(jù)分段，具體為：

(1)劃分風(fēng)速區(qū)間

假設(shè)風(fēng)速與功率近似滿足風(fēng)機(jī)功率曲線，對(duì)風(fēng)速按照一定間隔g劃分區(qū)間；得到劃分區(qū)間的數(shù)量為l＝v_max/g，其中v_max為建模風(fēng)速的最大值；

例如，限定間隔g的范圍限制在(0,1]，設(shè)定初始間隔g＝0.1，風(fēng)速小于但不限于12m/s的范圍內(nèi)，共有區(qū)間k＝12/g個(gè)，k個(gè)區(qū)間內(nèi)每個(gè)區(qū)間的樣本數(shù)量b_m(m＝1,2,…,k)，間隔滿足

設(shè)定最大循環(huán)次數(shù)20，可在(0,1]的范圍內(nèi)找到符合條件的間隔g。共得到區(qū)間數(shù)量為l＝v_max/g，其中v_max為建模風(fēng)速的最大值。如圖5所示，l為77，v_max為23m/s。

(2)對(duì)l個(gè)區(qū)間內(nèi)的功率數(shù)據(jù)設(shè)定置信度剔除小概率數(shù)據(jù)，計(jì)算并記錄每個(gè)區(qū)間功率的平均值

(3)功率的平均值組成向量，并隨區(qū)間內(nèi)風(fēng)速值變大而近似符合風(fēng)機(jī)功率曲線分布，對(duì)功率的平均值所組成向量濾波使之變得平滑，平滑后的數(shù)據(jù)會(huì)出現(xiàn)極值點(diǎn)，該點(diǎn)所在區(qū)間l_max，極值點(diǎn)對(duì)應(yīng)風(fēng)速v'_max＝gl_max。

如圖5實(shí)線所示，對(duì)功率的平均值所組成向量濾波使之變得平滑，圖5虛線所示，平滑后的數(shù)據(jù)會(huì)出現(xiàn)極值點(diǎn)，該點(diǎn)所在區(qū)間l_max，極值點(diǎn)對(duì)應(yīng)風(fēng)速v'_max＝gl_max。

(4)訓(xùn)練集X中風(fēng)速最大為v_max，限定區(qū)間(c₁v_max,c₂v_max)，其中0＜c₁＜1，0＜c₂＜1，且c₁＜c₂；若極值點(diǎn)v'_max出現(xiàn)在限定區(qū)間內(nèi)，則極值點(diǎn)v'_max為分段點(diǎn)。若極值點(diǎn)v′_max未出現(xiàn)在限定區(qū)間，或無極值點(diǎn)時(shí)，默認(rèn)分段點(diǎn)為c₃v_max，其中0＜c₃＜1，且c₁≤c₃≤c₂，可取但不限于c₁＝0.6，c₂＝0.8，c₃＝0.8；所述分段點(diǎn)滿足

其中，v_s為分段點(diǎn)。

步驟五S500，建立風(fēng)速與功率的回歸模型。

所述步驟五中建立風(fēng)速與功率的回歸模型，具體為：

采用BP神經(jīng)網(wǎng)絡(luò)建模，所述采用BP神經(jīng)網(wǎng)絡(luò)建模包括：

(1)訓(xùn)練集X被風(fēng)速分段點(diǎn)v_s分為X₁和X₂兩部分，X₁中風(fēng)速范圍為(0,v_s)，X₂中風(fēng)速范圍為[v_s,v_max]；設(shè)定風(fēng)速間隔的取值，并對(duì)X₁和X₂按照風(fēng)速間隔劃分區(qū)間，剔除X₂末端區(qū)間內(nèi)數(shù)據(jù)量較少的區(qū)間，設(shè)定區(qū)間閥值，并對(duì)功率設(shè)定置信區(qū)間；

(2)使用BP神經(jīng)網(wǎng)絡(luò)分別建立X₁和X₂中風(fēng)速與功率關(guān)系模型，風(fēng)速作為訓(xùn)練的輸入，對(duì)應(yīng)的功率作為訓(xùn)練的目標(biāo)，分別得到模型N₁和N₂。

(3)預(yù)測(cè)集Y中風(fēng)速輸入模型，當(dāng)風(fēng)速小于v_s時(shí)使用模型N₁進(jìn)行預(yù)測(cè)，當(dāng)風(fēng)速大于v_s時(shí)使用模型N₂進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)結(jié)果。

本申請(qǐng)有益效果如下：

本發(fā)明提供的基于粒子群優(yōu)化算法風(fēng)速融合的風(fēng)電功率預(yù)測(cè)的方法，通過從數(shù)據(jù)庫得到訓(xùn)練集和預(yù)測(cè)集，再對(duì)訓(xùn)練集剔除非法數(shù)據(jù)并進(jìn)行數(shù)據(jù)預(yù)處理，預(yù)處理包括實(shí)發(fā)風(fēng)速平滑處理，實(shí)發(fā)功率與實(shí)發(fā)風(fēng)速不匹配點(diǎn)處理，從而提高訓(xùn)練集數(shù)據(jù)的有效性和可靠性；

進(jìn)一步的，通過計(jì)算不同氣象源風(fēng)速與實(shí)發(fā)風(fēng)速的灰色關(guān)聯(lián)度，并對(duì)關(guān)聯(lián)度較大的風(fēng)速使用粒子群算法計(jì)算融合系數(shù)，使用該系數(shù)融合訓(xùn)練集和預(yù)測(cè)集的不同氣象源風(fēng)速；根據(jù)建模風(fēng)速分布特點(diǎn)，尋找分段點(diǎn)；最后，根據(jù)風(fēng)速分段點(diǎn)把數(shù)據(jù)分為兩部分建模，預(yù)測(cè)集風(fēng)速根據(jù)分段點(diǎn)分別使用對(duì)應(yīng)的模型進(jìn)行功率預(yù)測(cè)，提高了預(yù)測(cè)精度。本發(fā)明提供的預(yù)測(cè)方法相比其他預(yù)測(cè)模型可以保持較好的穩(wěn)定性，特別是在風(fēng)速特性變化劇烈或單一氣象源誤差較大時(shí)可實(shí)現(xiàn)較好的預(yù)測(cè)效果。

最后所應(yīng)說明的是，以上具體實(shí)施方式僅用以說明本發(fā)明的技術(shù)方案而非限制，盡管參照實(shí)例對(duì)本發(fā)明進(jìn)行了詳細(xì)說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對(duì)本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的精神和范圍，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求范圍當(dāng)中。