CN119442856A 基于激光雷达的风电场超短期功率预测优化方法 （三峡智控科技有限公司）

基于激光雷达的风电场超短期功率预测优本发明提供一种基于激光雷达的风电场超数据。采用EMD与ARCH相结合的算法进行风速外进行功率初步预测，SVR建立输入参数与功率输精度达标后，输出未来3_5小时内的风电功率预2S5、按照相关规范要求，对订正后的功率预测结2.根据权利要求1所述一种基于激光雷达的风电场超短期功率预测优化方法，其特征首先，运用EMD将激光雷达采集到的风速时间个残余项；最后，将各IMF和残余项的预测结果组合起来，得到超短期平面风速的在线预测结3.根据权利要求2所述一种基于激光雷达的风电场超短期功率预测优化方法，其特征一点，由局部极大值点和局部极小值点定义的包络线均值为零，此时，h(1)就是第一个3随机变量，通常假设为标准正态分布这里是模型的阶数，C,Q,,","n是待估计的参数；使用极大似然估计法等方法估计ARCH模型的参数，z,(1)服从标准正态分布，那么的条件概率密度函数为q()=O,()Z,(0)和，用于描述ARCH模型中误差项的结构和通过以上S21_S24算法步骤，可以实现基于EMD和ARCH模型相结合的风速外推预4.根据权利要求1所述一种基于激光雷达的风电场超短期功率预测优化方法，其特征5.根据权利要求4所述一种基于激光雷达的风电场超短期功率预测优化方法，其特征将数据分为训练集和测试集，记为，其中x,=(y,其中0-0和p-0是待确定的参数；4;;随机生成一组染色体，作为初始种群，种群大小可以根据采用轮盘赌选择法等方法，根据适应度值选择优秀的染色体进入下一6.根据权利要求1所述一种基于激光雷达的风电场超短期功率预测优化方法，其特征构建模糊神经网络结构，将激光雷达预测的风速作为输通过模糊推理和神经网络的学习能力，自动调整功率预测结果，以提7.根据权利要求6所述一种基于激光雷达的风电场超短期功率预测优化方法，其特征i个时间点5j个模糊集关于功率的中心和宽随机初始化神经网络的权重和偏置，对于每个训练样本，前向传播计算输出功率值8.根据权利要求1所述一种基于激光雷达的风电场超短期功率预测优化方法，其特征67[0003]本发明的主要目的在于提供一种基于激光雷达的风电场超短期功率预测优化方[0006]优选方案中，步骤S2中基于EMD与ARCH相结合的算法进行风速外推预测的具体步8确定局部极大值和极小值：找到风速时间序列中的所有局部极大值和极小值络线e(I)和下包络线；的随机变量，通常假设为标准正态分布这里是模型的阶q()=O,()Z,(0)和，用于描述ARCH模型中误差项的9,其中0-0和p-0是待确定的参数；w是权重向量，o(x)是将输入数据映射到高维特征空间的函数，b是偏置项，o是一个预先;β进行编码，[0010]优选方案中，步骤S4中基于FNN算法对功率初步预测结果进行处理订正的具体方风速v,对应的初步功率预测值；对于风速输入，设其模糊集为，采用高斯型隶属函数进行模糊化，即j个模糊集关于功率的中心r是第i是根据数据的重要性或时间顺序等因素确定的权[0018]优选方案中，步骤S2中基于EMD与ARCH相结合的算法进行风速外推预测的具体步确定局部极大值和极小值：找到风速时间序列中的所有局部极大值和极小值络线e(I)和下包络线；的随机变量，通常假设为标准正态分布这里是模型的阶q()=O,()Z,(0)和，用于描述ARCH模型中误差项的,其中0-0和p-0是待确定的参数；w是权重向量，o(x)是将输入数据映射到高维特征空间的函数，b是偏置项，o是一个预先;β进行编码，[0021]优选方案中，步骤S4中基于FNN算法对功率初步预测结果进行处理订正的具体方风速v,对应的初步功率预测值。对于风速输入，设其模糊集为，采用高斯型隶属函数进行模糊化，即j个模糊集关于功率的中心r是第i是根据数据的重要性或时间顺序等因素确定的权通过三次样条插值分别连接局部极大值和极小值点，形成上包络线e(I)和下包。[0029]判断h(1)是否满足IMF条件可以通过以下方法：计算h(0)的极值点和过零点数余项不能再被分解为止。最终，风速时间序列V被分解为n个IMF和一个残余项R，即。r;使用极大似然估计法等方法估计ARCH模型的参数。假设Z,(1)服从标准正态分。[0036]通过最大化对数似然函数来估计[0037]q()=O,()Z,(0)和用于描述ARCH模型中误差项的结[0044]通过以上复杂的算法步骤，可以实现基于EMD和ARCH模型相结合速、风向以及对应的实际功率输出数据。将数据分为训练集和测试集，记为,其中x,=(y,d)表示第i个样本的风速v,和风向d，,表示对;1.选择核函数：,其中0-0和p-0是待确定的参数。这个核函数能够更好地[0048]对广义指数核函数的特点进行分析：随着参数θ和p的变化，核函数的形状会发;[0053]约束条件和确保预测值与实际值之[0059]分析适应度函数的选择：均方误差是衡量预测值与实际个染色体，第i个染色体的适应度值为f，则其被选中的概率为[0065]和用于衡量SVR模型在训练集上的预测性能，并作为遗传算法的适应度函数。均方误差MSE反映了预测值与实际值之间的差异程和r.分别是第i个模糊集关于风速的中[0075]中心参数ci,决定了模糊集在风速轴上的位置，宽度参数oi,,控制着模糊集的范j个模糊集关于功率的些规则是根据经验和对风电场系统的理解来制定的，可以通过专家知识或数据分析来确。[0085]在去模糊化过程中，首先计算每个规则的激发强度",与对应的输出功率值J,的方式使得订正后的功率值能够根据输入数据的具体情况进r是第i个样本的[0096]前向传播是指将输入数据通过神经网络的各个层进行计算，得到输出结果的过[0100]这个公式衡量订正后的功率值与实际功率值之间的差[0101]和这两个公式用于更新神经网络的权重和偏1.将新的激光雷达预测风速值和初步功率预测值输入训练好的模糊神1.选择平均绝对百分比误差的加权和（WeightedSumofMeanAbsolute[0106]首先分析为什么选择WS_MAPE作为精度评估指标。与传统的平均绝对百分比误[0107]WS_MAPE的计算公式为其中是根据数据的重要[0108]进一步解释公式中各个部分的含义。表示每个数据点的绝对百分比误[0114]2.比较与判断：将计算得到的WS_MAPE值与设定的阈值进行比较。若[0121]核函数参数决定了SVR在高维空间中