【技术实现步骤摘要】
本专利技术属于新能源发电和智能电网的
,涉及一种基于RT重构EEMD-RVM组合模型的风功率短期区间预测方法。
技术介绍
随着工业的不断发展,化石能源逐减少、环境问题也日益严峻。为了缓解能源危机和环保压力,开发利用清洁无污染的可再生能源已成共识,其中风力发电因其清洁无污染、储量丰富、可循环利用受到越来越多的重视与关注。由于自然风存在一定的随机性与波动性,当风电大规模接入电网时,电网的供需平衡与安全稳定运行在风机发生较大的功率波动时会造成巨大影响。因此准确的风功率预测是合理制定发电计划与安排系统备用的前提,是提高风电在电网的比重的关键,对提高电网对风电的穿透功率极限具有战略和实际意义。虽然在众多研究者的不懈努力下,对风功率短期预测方法目前已取得了较多成果,并形成了以时间序列法为代表的传统预测方法和以人工神经网络为代表的人工智能方法两种典型方法。与此同时,支持向量机等新的机器学习方法以及组合预测方法也得到了越来越广泛的应用。然而,随着风电并网规模的日益扩大,自然风的随机波动性将不可忽略。而上述确定性的点预测方法必然无法表征实际风电中潜在的随机性,从而使决策工作面临一定的风险。鉴于此,若能在给出确定性点预测结果的同时描绘出风功率波动的区间,将有利于决策者更合理的安排系统备用,也更符合坚强智能电网的特点和电力市场的发展需求。与传统确定性点预测的方法相比较,目前区间预测仍处于起步阶段,但在诸多领域已逐步受到重视。现有的区间预测方法大概可以归为一下几类:①基于Bootstrap重抽样法、②分位点法、③区间构造法、④概率预测法。其中采用Bootstrap重抽样法 ...
【技术保护点】
一种基于RT重构EEMD‑RVM组合模型的风功率短期区间预测方法,其特征在于,包括以下步骤:步骤1、采用集合经验模态分解方法对原始风功率序列进行分解,获得多个IMF分量和RES分量;步骤2、在步骤1的基础上采用游程检测法对各IMF分量和RES分量进行波动程度检测,将波动程度相似、变化规律相近的分量依照fine‑to‑coarse顺序重构成随机分量、细节分量和趋势分量这三类具有典型特性的新分量;步骤3、在步骤2的基础上按照以风功率待预测时刻前5个点的数据作为训练样本输入的原则对各新分量数据进行处理,构造出训练样本与预测样本并归一化;步骤4、在步骤3的基础上对相关向量机预测模型的参数采用网格搜索进行优化,得到最优化的核函数宽度和组合核系数权重,设定相关向量机预测模型的迭代初值;步骤5、在步骤4的基础上求得预测模型的其他参数,并求得各新分量的预测值和方差,将各新分量的预测结果进行叠加,最终得到一定置信度下风功率短期预测区间。
【技术特征摘要】
1.一种基于RT重构EEMD-RVM组合模型的风功率短期区间预测方法,其特征在于,包括以下步骤:步骤1、采用集合经验模态分解方法对原始风功率序列进行分解,获得多个IMF分量和RES分量;步骤2、在步骤1的基础上采用游程检测法对各IMF分量和RES分量进行波动程度检测,将波动程度相似、变化规律相近的分量依照fine-to-coarse顺序重构成随机分量、细节分量和趋势分量这三类具有典型特性的新分量;步骤3、在步骤2的基础上按照以风功率待预测时刻前5个点的数据作为训练样本输入的原则对各新分量数据进行处理,构造出训练样本与预测样本并归一化;步骤4、在步骤3的基础上对相关向量机预测模型的参数采用网格搜索进行优化,得到最优化的核函数宽度和组合核系数权重,设定相关向量机预测模型的迭代初值;步骤5、在步骤4的基础上求得预测模型的其他参数,并求得各新分量的预测值和方差,将各新分量的预测结果进行叠加,最终得到一定置信度下风功率短期预测区间。2.根据权利要求1所述的基于游程检测法重构EEMD-RVM组合模型的风功率短期区间预测方法,其特征在于,所述步骤1包括以下步骤:步骤1.1:设定白噪声的幅值N和进行EMD分解的总次数M;步骤1.2:在原始数据序列中加入高斯白噪声;步骤1.3:按照EMD分解流程将已加入白噪声的数据序列进行分解得到一系列的IMF分量和余量;步骤1.4:重复的加入相同幅值的不同白噪声序列,重复步骤1.2和步骤1.3,对M次EMD分解得到的各个IMF及剩余分量计算均值为:其中,ci,m(t)表示第m次EMD分解得到的第i个IMF分量;rn,m(t)表示第m次EMD分解得到的第n个剩余量;t表示第t个数据;步骤1.5:输出和分别作为EEMD分解的IMF分量和RES分量。3.根据权利要求1所述的基于游程检测法重构EEMD-RVM组合模型的风功率短期区间预测方法,其特征在于,所述步骤2中:设本征模态函数对应时间序列为N是样本时间序列的数量,样本均值为时序符号Si定义如下: S i = X ( t ) - X ‾ = 1 X ( t ) > X ‾ 0 X ( t ) ≤ X ‾ ]]>其中,时序符号Si由一串彼此统计独立的随机排列0、1序列组成,将每段连续相同符号(0或1)序列定义为一个游程,每个时序符号Si游程总数的大小可以检测对应经EEMD得到的分量的波动情况,进而依据游程检测法设定高频和低频游程阈值,按照fine-to-coarse顺序对EEMD所得到的IMF分量和RES分量进行重构获得具有典型特征的高频分量、低频分量和趋势分量这三个新分量。4.根据权利要求1所述的基于游程检测法重构EEMD-RVM组合模型的风功率短期区间预测方法,其特征在于,所述步骤3中以风功率待预测时刻前5个点的数据作为训练样本输入的原则具体为:训练样本的输入向量为xj=[L(i-1),L(i-2),L(i-3),L(i-4),L(i-5)],i>5,j=1,…,M,输出向量为yj=L(i);其中,xj表示第j个输入向量;yj表示第j个输入向量对应的输出;L(i)表示待预测风功率在第i时刻的数据;L(i-1)表示待预测风功率前1时刻的数据;L(i-2)表示待预测风功率前2时刻的数据;L(i-3)表示待预测风功率前3时刻的数据;L(i-4)表示待预测风功率前4时刻的数据;L(i-5)表示待预测风功率前5时刻的数据。5.根据权利要求1所述的基于游程检测法重构EEMD-RVM组合模型的风功率短期区间预测方法,其特征在于,所述步骤4包括以下步骤:步骤4.1:设定RVM模型的核宽σ和核函数系数k,并将其进行网格化;设定最大迭代次数...
【专利技术属性】
技术研发人员:臧海祥,范磊,郭勉,卫志农,孙国强,
申请(专利权)人:河海大学,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。