新能源与高效节能

本发明公开一种风速预测方法及预测系统。预测方法包括：获取原始的风速序列；对风速序列进行经验模态分解，获得若干固有模态函数和余项;根据各个固有模态函数的瞬时频率均值对所有的固有模态函数进行分类，获得若干高频模态函数和若干低频模态函数；采用每个高频模态函数的训练样本数据训练最小二乘支持向量机，获得高频预测模型；采用每个低频模态函数的训练样本数据训练BP神经网络，获得低频预测模型；采用余项的训练样本数据训练BP神经网络，获得余项预测模型；利用各个高频预测模型、各个低频预测模型和余项预测模型预测风速。本发明基于不同分量的波动特性建立预测模型，可有效减弱风速序列的随机波动性，实现对风速的精确预测。

风能作为一种清洁、无污染的新能源，已经受到世界各国的广泛关注。然而，由于风能资源分布与电力负荷不匹配和电网消纳能力不足等问题，出现了很多“弃风限电”现象。弃风现象的加剧不仅造成了不可估量的经济损失，而且大大削弱了风电的市场竞争力。可靠的风电功率预测有利于电力调度部门调整总体调度计划，配置风力发电机组的合理出力，节约常规能源发电。同时，在电力市场中，风电功率预测的准确性也是降低发电成本和保持竞争力的关键因素。因此，改进风电场风速和功率预测方法成为了风电发展的研究重点，其中，风速预测是基础工作也是关键的环节。然而，现有的风速预测方法均是直接拟合风速序列与影响因素的模型，并没有深度挖掘风速序列本身的特性，其预测效果过度依赖模型的预测性能，预测精度较低。因此，如何提供一种能够精确预测风速的方法和系统，成为本领域技术人员亟需解决的技术问题。

本发明首先对风速序列进行经验模态分解，得到一系列固有模态函数和余项。然后根据瞬时频率均值将固有模态函数分量划分为高频分量和低频分量。利用最小二乘支持向量机对高频分量建立预测模型，利用BP神经网络对低频分量以及余项建立预测模型，最终将各分量预测结果叠加得到最终风速预测序列。与传统的预测方法相比，本发明深度挖掘了风速序列的波动特点，基于高频分量的高频波动性和随机性，利用对复杂非线性问题具有较强拟合能力的最小二乘支持向量机建立预测模型，基于低频分量和余项属于较平稳的时间序列分量，采用BP神经网络建立预测模型，基于不同分量的波动特性建立预测模型，因此能够有效减弱风速序列的随机波动性，从而实现精确预测风速的技术效果。本成果将对新能源的开发利用产生积极的推动作用。