当前位置: 首页 > 专利查询>河海大学专利>正文

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

技术编号:14123749 阅读:18 留言:0更新日期:2016-12-09 10:28
本发明专利技术公开了一种基于RT重构EEMD‑RVM组合模型的风功率短期区间预测方法。首先对原始风功率序列进行集合经验模态分解,获得相对平稳但具有不同特征的本征模态函数(IMF)分量和剩余(RES)分量;采用游程检测法(RT)对各上述分量进行波动程度检测,将相似的分量依照fine‑to‑coarse顺序分别重构成随机分量、细节分量和趋势分量这三个具有典型特征的新分量;然后对新分量采用相关向量机(RVM)分别建立区间预测模型;最后将各新分量的预测结果叠加得到一定置信水平下总体的区间预测结果。采用本发明专利技术方法,模型的预测精度和区间覆盖率得到提高,区间宽度明显变窄,从而使得预测效果显著改善。

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重抽样法构造样本,需要大量处理数据,耗时较长;分位点通过估计累计概率函数的分位数提供预测对象的概率信息,虽无需事先确定分布假设,但需要预先确定回归模型和分位点,模型计算量大;区间构造法通常先以某种点预测方法为基础,再通过误差分析等方法构造比例系数从而获得短期负荷的区间。但是其最优系数的获取不易;概率预测法多基于贝叶斯理论,其结果具有概率意义,可得出预测量的期望值及其分布特性,因而可以直接得出任意置信水平下的区间预测结果。但是有时也存在预测区间过大的问题。考虑实际风功率的随机性与波动性,直接对原始风功率序列进行预测的误差较大。目前流行的改进方法是通过对原始数据的分解,降低数据复杂度,其中比较典型方法的有小波分析、经验模态分解(empirical mode decomposition,EMD)、局域均值分解(local mean decomposition,LMD)等。相比小波分析、EMD、LMD和其他信息处理方法,集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法克服了小波分析需人为设定,主观性强的不足,避免了经验模态分解易出现模态混叠的问题,具有更高的分辨率与很强的非线性处理能力,能较好的运用于光伏输出功率的数据预处理。在点预测方法中,常采用以人工神经网络(artificial neural networks,ANN)为代表的智能算法和以支持向量机(support vector machines,SVM)为代表的机器学习方法进行风功率的预测。但是ANN方法在训练中容易导致学习不足或过拟合的问题;SVM等机器学习算法虽有效避免了陷入局部最小的风险,能实现较为精确的预测,但是仍存在以下不足:①核函数必须满足Mercer条件,可选核函数较少;②只能实现点预测,无法描述数据的不确定信息;③参数较多,且支持向量随着训练样本的增加而线性增长,计算量较大。为了克服上述缺点,Michael E.Tipping提出了一种基于贝叶斯理论、边缘似然理论的概率学习方法-相关向量机(relevance vector machines,RVM)。RVM不仅很好的保留了SVM出色的预测能力,具有模型高度稀疏、待优化核参数少、核函数选择灵活、模型泛化能力强的优点,还改善了ANN、SVM的不足之处,能直接实现区间的预测。目前该方法已应用于负荷预测、故障分类、模式识别等领域,但运用于风功率区间预测的几乎没有。本专利技术重点研究了基于概率预测的区间预测方法,并在此基础上提出一种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。一方面采用集合经验模态分解降低数据的复杂度,并引入游程检测法(runs test,RT)对多个分量进行重构可获得三个具有典型特征的新分量;另一方面采用局部核-高斯核和全局核-多项式核的组合构成相关向量机的核函数,进一步改善区间预测的效果。运用本文模型对风电场的实测风功率序列进行提前15min的短期风功率区间预测,并采用多种评价指标对本文模型的预测效果进行评估,结果表明本专利技术具有较高的预测精度与较窄的区间宽度,区间预测效果较为理想,可用于实际工程应用。
技术实现思路
专利技术目的:为避免上述现有技术的不足之处,本专利技术重点研究了基于概率的区间预测方法,并在此基础上提出一种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。以期提高预测的精度与区间覆盖率、缩小区间宽度,提供合理有效的区间预测结果。技术方案:本专利技术为解决技术问题采用的技术方案是:一种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,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,获得一系列相对平稳但具有不同特征的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。作为优化,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。作为优化,所述步骤1.3中EMD分解流程包括以下步骤:步骤1.3.1:初始化外循环变量i=1,x1(t)=x(t),其中x(t)为待分解的原始数据序列;步骤1.3.2:初始化内循环变量j=1,y1(t)=x1(t);步骤1.3.3:找出序列yj(t)中所有局部极大值并拟合本文档来自技高网
...
<a href="http://www.xjishu.com/zhuanli/55/201610570471.html" title="基于RT重构EEMD‑RVM组合模型的风功率短期区间预测方法原文来自X技术">基于RT重构EEMD‑RVM组合模型的风功率短期区间预测方法</a>

【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

网友询问留言 已有0条评论
  • 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。

1