本發(fā)明涉及風(fēng)力發(fā)電
技術(shù)領(lǐng)域：
，具體涉及一種基于C-C與ELM的短期風(fēng)速預(yù)測(cè)方法。
背景技術(shù)：
：風(fēng)電場(chǎng)短期風(fēng)速的實(shí)時(shí)預(yù)測(cè)，將有利于電網(wǎng)制定調(diào)度計(jì)劃，提高穿透功率極限，還可以有效的減輕或是避免引起電壓偏差、波動(dòng)、閃變、諧波等。對(duì)風(fēng)電及整個(gè)電力系統(tǒng)的穩(wěn)定運(yùn)行都具有重要意義。目前，很多國(guó)家已經(jīng)對(duì)風(fēng)電預(yù)測(cè)提出了要求。短期預(yù)測(cè)可分為兩類：一類是使用數(shù)值氣象的預(yù)報(bào)方法，有物理模型和統(tǒng)計(jì)模型；另一類是基于歷史數(shù)據(jù)的預(yù)測(cè)方法。而大多數(shù)情況下物理氣象模型無(wú)法獲得或者缺失，國(guó)內(nèi)也沒(méi)有專門(mén)的風(fēng)電場(chǎng)數(shù)值氣象模型可以利用。因此，基于歷史數(shù)據(jù)的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)研究很有必要。基于歷史數(shù)據(jù)的預(yù)測(cè)方法有：時(shí)間序列分析方法、最小二乘系列方法、灰色預(yù)測(cè)方法、混沌預(yù)測(cè)方法、人工神經(jīng)網(wǎng)絡(luò)等。但目前國(guó)內(nèi)外關(guān)于風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)的絕對(duì)平均誤差為25％～40％，還沒(méi)取得令人滿意的結(jié)果。同時(shí)，風(fēng)電場(chǎng)風(fēng)速的預(yù)測(cè)與一般的回歸分析問(wèn)題不同之處在于，基于歷史數(shù)據(jù)對(duì)風(fēng)速進(jìn)行預(yù)測(cè)必須在短時(shí)間內(nèi)進(jìn)行快速預(yù)測(cè)，以保證預(yù)測(cè)結(jié)果在短時(shí)間內(nèi)有效和穩(wěn)定?；煦缋碚撟钤缡荓orenz在氣象學(xué)中的大氣對(duì)流模型中提出的，通過(guò)對(duì)風(fēng)速時(shí)間序列的lyapunov指數(shù)和分?jǐn)?shù)維的計(jì)算，可以證明其具有混沌特性，且混沌時(shí)間序列在短期內(nèi)是可以預(yù)測(cè)的。因此，利用混沌相空間重構(gòu)理論可以還原風(fēng)速的非線性動(dòng)力學(xué)特征。極限學(xué)習(xí)機(jī)(ExtremeLearningMachine，簡(jiǎn)寫(xiě)ELM)是2006年由新加坡南洋理工大學(xué)黃廣斌教授提出的一種簡(jiǎn)單、易用的單隱層前饋神經(jīng)網(wǎng)絡(luò)(Single-hiddenLayerFeedforwardNetworks，簡(jiǎn)寫(xiě)SLFNs)學(xué)習(xí)方法。ELM是“廣義的”單隱層前饋網(wǎng)絡(luò)(SLFNs)，不需要對(duì)ELM隱藏層進(jìn)行調(diào)整。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法需要人為設(shè)置大量的網(wǎng)絡(luò)訓(xùn)練參數(shù)，學(xué)習(xí)速度慢，且很容易產(chǎn)生局部最優(yōu)解。然而ELM只需設(shè)置網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)，在算法執(zhí)行過(guò)程中不需要調(diào)整網(wǎng)絡(luò)的權(quán)值，且只產(chǎn)生唯一的最優(yōu)解，因此ELM具有學(xué)習(xí)速度快、泛化能力強(qiáng)、預(yù)測(cè)精度高的優(yōu)點(diǎn)。技術(shù)實(shí)現(xiàn)要素：本申請(qǐng)通過(guò)提供一種基于C-C與ELM的短期風(fēng)速預(yù)測(cè)方法,以解決現(xiàn)有技術(shù)中風(fēng)速預(yù)測(cè)精度不高的技術(shù)問(wèn)題，不僅提高了2小時(shí)的短期風(fēng)速預(yù)測(cè)精度，且所用方法的學(xué)習(xí)及預(yù)測(cè)時(shí)間短，適用于風(fēng)電場(chǎng)短期風(fēng)速的現(xiàn)場(chǎng)快速預(yù)測(cè)。本申請(qǐng)采用以下技術(shù)方案予以實(shí)現(xiàn)：一種基于C-C與ELM的短期風(fēng)速預(yù)測(cè)方法，包括如下步驟：S1：采集同一地區(qū)的風(fēng)速數(shù)據(jù)，形成風(fēng)速時(shí)間序列；S2：利用小波降噪方法對(duì)采集到的風(fēng)速數(shù)據(jù)進(jìn)行濾波降噪；S3：利用C-C法對(duì)濾波降噪后的風(fēng)速數(shù)據(jù)進(jìn)行相空間重構(gòu)：即采用C-C法確定風(fēng)速時(shí)間序列間的相關(guān)關(guān)系，得到風(fēng)速變化特征的最佳嵌入維數(shù)m和延遲時(shí)間τ：設(shè)x＝{xi|i＝1,2,…,N}為風(fēng)速時(shí)間序列，以延遲時(shí)間τ，嵌入維數(shù)m重構(gòu)相空間X＝{Xj}，其中Xj＝{xj,xj+τ,…,xj+(m-1)τ}(j＝1,2,…,M)為重構(gòu)后相空間中的第j個(gè)點(diǎn)，M為相空間重構(gòu)后總的點(diǎn)數(shù)；S4：運(yùn)用極限學(xué)習(xí)機(jī)、BP神經(jīng)網(wǎng)絡(luò)及支持向量機(jī)對(duì)重構(gòu)后的風(fēng)速數(shù)據(jù)建模，并進(jìn)行短期風(fēng)速預(yù)測(cè)：其中，運(yùn)用極限學(xué)習(xí)機(jī)對(duì)重構(gòu)后的風(fēng)速數(shù)據(jù)建模的具體方法為：設(shè)C-C法得到的M個(gè)新樣本為(Xj,Tj)，其中，Xj＝[xj1,xj2,...,xjn]T∈Rn為輸入變量，Tj＝[tj1,tj2,...,tjm]T∈Rm為輸出變量，j＝1,2,…,M，對(duì)于一個(gè)帶有L個(gè)隱層節(jié)點(diǎn)的標(biāo)準(zhǔn)前饋神經(jīng)網(wǎng),極限學(xué)習(xí)機(jī)的數(shù)學(xué)模型為：j＝1,2,…,M，式中：wi＝[wi1,wi2,...,win]T為第i個(gè)輸入節(jié)點(diǎn)和隱層節(jié)點(diǎn)的連接權(quán)重，βi＝[βi1,βi2,...,βim]T為第i個(gè)隱層節(jié)點(diǎn)和輸出節(jié)點(diǎn)的連接權(quán)重，bi為第i隱層節(jié)點(diǎn)的閾值，wi·Xj為wi與Xj的內(nèi)積，g(Xj)為激活函數(shù)，yj為第j個(gè)輸入樣本的輸出值，對(duì)于一個(gè)給定的訓(xùn)練集{(Xj,Tj)|Xj∈Rn,Tj∈Rm,j＝1,…,M}：S41：隨機(jī)生成輸入權(quán)重wi和閾值bi,i＝1,…,L；S42：計(jì)算隱層輸出矩陣H，其中H＝g(wi·Xj+bi)，g(Xj)為激活函數(shù)；S43：計(jì)算輸出權(quán)重式中，T為實(shí)際的風(fēng)速歷史數(shù)據(jù)，HT為輸出矩陣H的轉(zhuǎn)置，為輸出矩陣H的廣義逆矩陣，為小正數(shù)；S44：判斷殘差||E||是否大于等于預(yù)設(shè)精度ε，且隱層節(jié)點(diǎn)個(gè)數(shù)L小于隱層節(jié)點(diǎn)個(gè)數(shù)的最大值Lmax，如果是，則進(jìn)入步驟S45，否則，進(jìn)入步驟S5：S45：隱層節(jié)點(diǎn)個(gè)數(shù)L＝L+1；S46：對(duì)于新隱層節(jié)點(diǎn)個(gè)數(shù)L，隨機(jī)生成輸入權(quán)重閾值bL；S47：計(jì)算新隱層節(jié)點(diǎn)的輸出權(quán)重：S48：計(jì)算新隱層節(jié)點(diǎn)L的殘差：E＝E-βL·HL，并進(jìn)入步驟S44；S5：對(duì)比步驟S4中三種預(yù)測(cè)模型的性能指標(biāo)，找到最佳短期風(fēng)速預(yù)測(cè)模型。步驟S43中，根據(jù)回歸理論，將小正數(shù)加入HTH或HHT計(jì)算輸出的權(quán)重β的對(duì)角線上，所得到解是穩(wěn)定的，且往往具有更好的泛化性能。為了提高ELM的穩(wěn)定性有：對(duì)應(yīng)ELM函數(shù)輸出為：或者有：對(duì)應(yīng)ELM函數(shù)輸出為：根據(jù)不同嵌入維數(shù)與延遲時(shí)間組合對(duì)應(yīng)的風(fēng)速預(yù)測(cè)MAPE對(duì)比發(fā)現(xiàn)，步驟S3中最佳嵌入維數(shù)m＝3，延遲時(shí)間τ＝1。選擇合理的性能評(píng)測(cè)指標(biāo)來(lái)預(yù)測(cè)效果是具有重要意義的，步驟S5中所述性能指標(biāo)為：均方誤差、均方根誤差、平均絕對(duì)誤差、平均絕對(duì)百分誤差以及擬合優(yōu)度。作為優(yōu)選，利用步驟S2進(jìn)行相空間重構(gòu)時(shí)，嵌入風(fēng)速時(shí)間序列的關(guān)聯(lián)積分定義為下式函數(shù)：式中：m為嵌入維數(shù)，N為風(fēng)速時(shí)間序列的長(zhǎng)度，r為鄰域半徑的大小，||Xs-Xt||為相空間中任意兩點(diǎn)Xs與Xt之間距離，τ為延遲時(shí)間，θ(·)為Heaviside單位函數(shù)，關(guān)聯(lián)積分是個(gè)累積分布函數(shù)，表示相空間中任意兩點(diǎn)Xs與Xt之間距離小于r的概率；關(guān)聯(lián)維數(shù)為：其中，與現(xiàn)有技術(shù)相比，本申請(qǐng)?zhí)峁┑募夹g(shù)方案，具有的技術(shù)效果或優(yōu)點(diǎn)是：不僅提高了2小時(shí)的短期風(fēng)速預(yù)測(cè)精度，且所用方法的學(xué)習(xí)及預(yù)測(cè)時(shí)間短，適用于風(fēng)電場(chǎng)短期風(fēng)速的現(xiàn)場(chǎng)快速預(yù)測(cè)。附圖說(shuō)明圖1為本發(fā)明的方法流程圖；圖2為ELM網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖；圖3為不同嵌入維數(shù)與延遲時(shí)間組合對(duì)應(yīng)的風(fēng)速預(yù)測(cè)MAPE對(duì)比圖；圖4為嵌入維數(shù)與延遲時(shí)間原理圖；圖5為訓(xùn)練數(shù)據(jù)曲線圖；圖6為訓(xùn)練誤差曲線圖；圖7為測(cè)試數(shù)據(jù)曲線圖；圖8為測(cè)試數(shù)據(jù)誤差曲線圖；圖9為性能指標(biāo)對(duì)比圖。具體實(shí)施方式本申請(qǐng)實(shí)施例通過(guò)提供一種基于C-C與ELM的短期風(fēng)速預(yù)測(cè)方法，以解決現(xiàn)有技術(shù)中風(fēng)速預(yù)測(cè)精度不高的技術(shù)問(wèn)題，不僅提高了2小時(shí)的短期風(fēng)速預(yù)測(cè)精度，且所用方法的學(xué)習(xí)及預(yù)測(cè)時(shí)間短，適用于風(fēng)電場(chǎng)短期風(fēng)速的現(xiàn)場(chǎng)快速預(yù)測(cè)。為了更好的理解上述技術(shù)方案，下面將結(jié)合說(shuō)明書(shū)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(shuō)明。實(shí)施例一種基于C-C與ELM的短期風(fēng)速預(yù)測(cè)方法，如圖1所示，包括如下步驟：S1：采集同一地區(qū)的風(fēng)速數(shù)據(jù)，形成風(fēng)速時(shí)間序列；S2：利用小波降噪方法對(duì)采集到的風(fēng)速數(shù)據(jù)進(jìn)行濾波降噪；S3：利用C-C法對(duì)濾波降噪后的風(fēng)速數(shù)據(jù)進(jìn)行相空間重構(gòu)：1999年H.S.kim、R.Eykholt和J.D.Salas提出C-C法，該方法應(yīng)用關(guān)聯(lián)積分能夠同時(shí)估計(jì)出延遲時(shí)間和嵌入窗寬，C-C法擁有對(duì)小數(shù)據(jù)組可靠、具有較強(qiáng)的抗噪聲能力等特點(diǎn)。本發(fā)明中采用C-C法確定風(fēng)速時(shí)間序列間的相關(guān)關(guān)系，得到風(fēng)速變化特征的最佳嵌入維數(shù)m和延遲時(shí)間τ：設(shè)x＝{xi|i＝1,2,…,N}為風(fēng)速時(shí)間序列，以延遲時(shí)間τ，嵌入維數(shù)m重構(gòu)相空間X＝{Xj}，其中Xj＝{xj,xj+τ,…,xj+(m-1)τ}(j＝1,2,…,M)為重構(gòu)后相空間中的第j個(gè)點(diǎn)，M為相空間重構(gòu)后總的點(diǎn)數(shù)；利用步驟S2進(jìn)行相空間重構(gòu)時(shí)，嵌入風(fēng)速時(shí)間序列的關(guān)聯(lián)積分定義為下式函數(shù)：式中：m為嵌入維數(shù)，N為風(fēng)速時(shí)間序列的長(zhǎng)度，r為鄰域半徑的大小，||Xs-Xt||為相空間中任意兩點(diǎn)Xs與Xt之間距離，τ為延遲時(shí)間，θ(·)為Heaviside單位函數(shù)，關(guān)聯(lián)積分是個(gè)累積分布函數(shù)，表示相空間中任意兩點(diǎn)Xs與Xt之間距離小于r的概率；關(guān)聯(lián)維數(shù)為：其中，S4：運(yùn)用極限學(xué)習(xí)機(jī)、BP神經(jīng)網(wǎng)絡(luò)及支持向量機(jī)對(duì)重構(gòu)后的風(fēng)速數(shù)據(jù)建模，并進(jìn)行短期風(fēng)速預(yù)測(cè)：其中，運(yùn)用極限學(xué)習(xí)機(jī)對(duì)重構(gòu)后的風(fēng)速數(shù)據(jù)建模的具體方法為：設(shè)C-C法得到的M個(gè)新樣本為(Xj,Tj)，其中，Xj＝[xj1,xj2,...,xjn]T∈Rn為輸入變量，Tj＝[tj1,tj2,...,tjm]T∈Rm為輸出變量，j＝1,2,…,M，對(duì)于一個(gè)帶有L個(gè)隱層節(jié)點(diǎn)的標(biāo)準(zhǔn)前饋神經(jīng)網(wǎng),極限學(xué)習(xí)機(jī)的數(shù)學(xué)模型為：j＝1,2,…,M，式中：wi＝[wi1,wi2,...,win]T為第i個(gè)輸入節(jié)點(diǎn)和隱層節(jié)點(diǎn)的連接權(quán)重，βi＝[βi1,βi2,...,βim]T為第i個(gè)隱層節(jié)點(diǎn)和輸出節(jié)點(diǎn)的連接權(quán)重，bi為第i隱層節(jié)點(diǎn)的閾值，wi·Xj為wi與Xj的內(nèi)積，g(Xj)為激活函數(shù)，yj為第j個(gè)輸入樣本的輸出值，對(duì)于一個(gè)給定的訓(xùn)練集{(Xj,Tj)|Xj∈Rn,Tj∈Rm,j＝1,…,M}：S41：隨機(jī)生成輸入權(quán)重wi和閾值bi,i＝1,…,L；S42：計(jì)算隱層輸出矩陣H，其中H＝g(wi·Xj+bi)，g(Xj)為激活函數(shù)；S43：計(jì)算輸出權(quán)重式中，T為實(shí)際的風(fēng)速歷史數(shù)據(jù)，HT為輸出矩陣H的轉(zhuǎn)置，為輸出矩陣H的廣義逆矩陣，為小正數(shù)；S44：判斷殘差||E||是否大于等于預(yù)設(shè)精度ε，且隱層節(jié)點(diǎn)個(gè)數(shù)L小于隱層節(jié)點(diǎn)個(gè)數(shù)的最大值Lmax，如果是，則進(jìn)入步驟S45，否則，進(jìn)入步驟S5：S45：隱層節(jié)點(diǎn)個(gè)數(shù)L＝L+1；S46：對(duì)于新隱層節(jié)點(diǎn)個(gè)數(shù)L，隨機(jī)生成輸入權(quán)重閾值bL；S47：計(jì)算新隱層節(jié)點(diǎn)的輸出權(quán)重：S48：計(jì)算新隱層節(jié)點(diǎn)L的殘差：E＝E-βL·HL，并進(jìn)入步驟S44；S5：對(duì)比步驟S4中三種預(yù)測(cè)模型的性能指標(biāo)，找到最佳短期風(fēng)速預(yù)測(cè)模型。極限學(xué)習(xí)機(jī)是一種簡(jiǎn)單、易用的單隱層前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法，其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖2所示。單隱層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的目的是使得輸出的誤差最小，可以表示為：即存在βi、wi、bi，使得j＝1,2,…,N，可以矩陣表示為：Hβ＝T，其中，H為隱層節(jié)點(diǎn)的輸出，β為輸出權(quán)重，T為期望輸出，其中，H(w1,...,wL,b1,...,bL,x1,...,xN)=g(w1·x1+b1)...g(wL,x1+bL).........g(w1,xN+b1)...g(wL,xN+bL)N×L]]>β=β1T...βNTL×m,T=t1T...tNTN×m,]]>隱層輸出矩陣H的第i列是輸入x1,x2,…,xN映射到第i個(gè)隱層神經(jīng)元的輸出，h(x)＝G(a1,b1,x),…,G(aL,bL,x)為隱層參數(shù)映射，隱層輸出矩陣H的第i行是第i個(gè)輸入xi:h(xi)隱層參數(shù)映射。SLFNs輸入權(quán)重wi和隱層閾值bi不需要手動(dòng)調(diào)整并且還可以隨機(jī)賦值。對(duì)于確定的輸入權(quán)重wi和隱層閾值bi，從等式Hβ＝T可知，訓(xùn)練SLFNs可以簡(jiǎn)單的等同求取線性系統(tǒng)Hβ＝T的最小二乘解||H(w1,...,wN,b1,...,bN)β^-T||=minβ||H(w1,...,wN,b1,...,bN)β-T||]]>則上式線性系統(tǒng)的最小范數(shù)最小二乘解為：式中，為H的廣義逆矩陣。1)最小的訓(xùn)練誤差特解是一般線性系統(tǒng)Hβ＝T的一個(gè)最小二乘解，可以通過(guò)以下特殊的方法來(lái)使訓(xùn)練誤差最?。罕M管所有的學(xué)習(xí)算法都希望使訓(xùn)練誤差最小，但是大部分因?yàn)榇嬖诰植孔钚≈刀鵁o(wú)法達(dá)到要求，或者在實(shí)際應(yīng)用中難以實(shí)現(xiàn)無(wú)限次的迭代訓(xùn)練。2)最小范數(shù)權(quán)重和最好的泛化性能特解在Hβ＝T的所有最小二乘解中存在最小范3)是Hβ＝T唯一的最小范數(shù)最小二乘解。步驟S43中，根據(jù)回歸理論，將小正數(shù)加入HTH或HHT計(jì)算輸出的權(quán)重β的對(duì)角線上，所得到解是穩(wěn)定的，且往往具有更好的泛化性能。為了提高ELM的穩(wěn)定性有：對(duì)應(yīng)ELM函數(shù)輸出為：或者有：對(duì)應(yīng)ELM函數(shù)輸出為：選擇合理的性能評(píng)測(cè)指標(biāo)來(lái)預(yù)測(cè)效果是具有重要意義的，步驟S5中選用表1的五個(gè)性能指標(biāo)來(lái)檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)效果：均方誤差(MeanSquareError,MSE)、均方根誤差(RootMeanSquareError,RMSE)、平均絕對(duì)誤差(MeanAbsoluteError,MAE)、平均絕對(duì)百分誤差(MeanAbsolutePercentageError,MAPE)、擬合優(yōu)度(GoodnessOfFit,U)。表1各項(xiàng)性能指標(biāo)的計(jì)算公式注：si為觀測(cè)值、ei為絕對(duì)誤差，N為樣本的個(gè)數(shù)。本實(shí)施例以重慶某風(fēng)電場(chǎng)從2010年4月1號(hào)零時(shí)起，至2010年4月20號(hào)24時(shí)止，每隔十分鐘取一次平均風(fēng)速共2872(k＝1,2,…,2872)組數(shù)據(jù)進(jìn)行預(yù)測(cè)研究。首先利用小波降噪方法對(duì)所選的2872組風(fēng)速數(shù)據(jù)進(jìn)行濾波降噪，從而獲得相對(duì)平滑和真實(shí)的風(fēng)速演變數(shù)據(jù)。然后采用C-C法對(duì)濾波降噪后的風(fēng)速數(shù)據(jù)進(jìn)行相空間重構(gòu)，確定預(yù)測(cè)模型的嵌入維數(shù)m和延遲時(shí)間τ，得到如圖3所示9種組合。從圖3中可以看出，當(dāng)m＝3，τ＝1時(shí)，風(fēng)速的預(yù)測(cè)MAPE最小。因此確定最佳嵌入維數(shù)和延遲時(shí)間分別為3和1。最后利用最佳嵌入維數(shù)與延遲時(shí)間對(duì)短期風(fēng)速進(jìn)行預(yù)測(cè)研究，預(yù)測(cè)原理見(jiàn)圖4。圖4所示的五組確定了嵌入維數(shù)和延遲時(shí)間，分別運(yùn)用BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)SVM以及ELM建模，進(jìn)行2h小時(shí)的短期風(fēng)速預(yù)測(cè)。本實(shí)施例選取預(yù)測(cè)效果較好的第三組曲線來(lái)展示預(yù)測(cè)效果。其中訓(xùn)練數(shù)據(jù)曲線如圖5，訓(xùn)練數(shù)據(jù)誤差曲線如圖6，測(cè)試數(shù)據(jù)曲線如圖7，測(cè)試數(shù)據(jù)誤差曲線如圖8。從圖6中可以看出，ELM的訓(xùn)練數(shù)據(jù)誤差曲線較BP、SVM少了許多大幅值的波峰和波谷，誤差曲線有更多的部分趨近與0(m/s)。從圖8測(cè)試數(shù)據(jù)誤差曲線中可以看出，BP和SVM的測(cè)試數(shù)據(jù)誤差曲線更趨近在0.4(m/s)附近上下波動(dòng)，而ELM只有兩個(gè)點(diǎn)的誤差大于0.4(m/s)，其余預(yù)測(cè)誤差曲線均在0.4(m/s)以內(nèi)。由此可見(jiàn)，本發(fā)明所采用ELM預(yù)測(cè)模型的預(yù)測(cè)精度要高于BP和SVM的預(yù)測(cè)精度。下面分別求取所選五組數(shù)據(jù)的性能指標(biāo)，訓(xùn)練和測(cè)試數(shù)據(jù)時(shí)CPU耗時(shí)的加權(quán)平均值，如表2和圖9所示。表2性能指標(biāo)均值從表2和圖9中，可以看出求取了最佳嵌入維數(shù)和延遲時(shí)間的短期風(fēng)速預(yù)測(cè)，其預(yù)測(cè)精度得到了一定程度的提高。但縱觀三種預(yù)測(cè)模型可以看出，本發(fā)明所采用的ELM預(yù)測(cè)模型的預(yù)測(cè)精度要高于其他兩種預(yù)測(cè)模型，為10.66％，而且訓(xùn)練和預(yù)測(cè)時(shí)間也只是毫秒級(jí)的，這在保證預(yù)測(cè)精度的同時(shí)極大的提高了模型的響應(yīng)速度。因此本發(fā)明所采用的ELM預(yù)測(cè)模型為三種模型中最佳的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)模型。本申請(qǐng)的上述實(shí)施例中，通過(guò)提供一種基于C-C與ELM的短期風(fēng)速預(yù)測(cè)方法，該方法考慮到原始的單變量時(shí)間序列風(fēng)速數(shù)據(jù)間的最大動(dòng)態(tài)演化信息，利用C-C法進(jìn)行相空間重構(gòu)以確定風(fēng)速時(shí)間序列間的相關(guān)關(guān)系，得到風(fēng)速變化特征的最佳嵌入維數(shù)和延遲時(shí)間，接著采用學(xué)習(xí)速度快、收斂精度高的極限學(xué)習(xí)機(jī)方法進(jìn)行風(fēng)速的快速預(yù)測(cè)，通過(guò)與神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)方法預(yù)測(cè)結(jié)果的對(duì)比可知，本發(fā)明提出的預(yù)測(cè)方法不僅提高了2小時(shí)的短期風(fēng)速預(yù)測(cè)精度，且所用方法的學(xué)習(xí)及預(yù)測(cè)時(shí)間短，適用于風(fēng)電場(chǎng)短期風(fēng)速的現(xiàn)場(chǎng)快速預(yù)測(cè)。應(yīng)當(dāng)指出的是，上述說(shuō)明并非是對(duì)本發(fā)明的限制，本發(fā)明也并不僅限于上述舉例，本
技術(shù)領(lǐng)域：
的普通技術(shù)人員在本發(fā)明的實(shí)質(zhì)范圍內(nèi)所做出的變化、改性、添加或替換，也應(yīng)屬于本發(fā)明的保護(hù)范圍。當(dāng)前第1頁(yè)1 2 3