经验模式分解与Elman神经网络组合风电预测方法技术

本发明专利技术公开了一种经验模式分解与Elman神经网络组合风电预测方法，包括如下步骤：对预测风电场的样本进行筛选，选取波动月份内预测周期的风电出力进行预测；对风电场多组出力时间序列样本数据进行经验模式分解，根据分解终止条件每组将得到多个本征模态函数IMF和趋势分量Res；依据游程判别法对分解所得IMF进行波动程度分类，按照相似波动频率原则对本征模态函数进行重构，重构得到总高频分量、总低频分量；建立Elman神经网络模型，总高频分量、总低频分量、趋势分量进行数据归一化处理，作为神经网络的训练和测试数据；采用改进Elman的学习算法，进行72h的日前功率预测，得到目标风电出力72h的日前预测功率值。本发明专利技术减少了预测分量数，提高预测精度和预测速度。

【技术实现步骤摘要】

本专利技术属于电力系统控制
，尤其涉及一种经验模式分解与Elman神经网络组合风电预测方法。
技术介绍
神经网络是由与训练网络学习算法紧密结合的连接方式将大量的神经元进行连接构成，具有较强的容错性和鲁棒性，具备自学习、自适应、自组织的并行处理能力和信息综合能力，能够充分逼近任意复杂的非线性。目前在电力系统预测领域得到广泛应用的神经网络类型主要有BP前馈型神经网络、RBF径向基神经网络等。由于BP前馈型神经网络是静态前馈网络，实际应用中系统大多是动态的，利用静态前馈网络对动态系统进行辨识存在明显不足。而RBF径向基神经网络存在数据丢失、数据病态、难以反映系统实际输入输出关系等缺点。因此，应用神经网络的风电出力预测，其预测精度和预测速度较差。
技术实现思路
专利技术目的：本专利技术提出了一种有效提高预测精度和预测速度的风电预测方法，其基于经验模式分解与Elman神经网络组合进行预测。技术方案：本专利技术提出一种经验模式分解与Elman神经网络组合风电预测方法，包括如下步骤：步骤S1：筛选预测风电场的样本数据，选取波动月份并确定预测周期，预测波动月份内预测周期的风电出力，得到风电出力时间序列样本；步骤S2：对步骤S1得到的风电场风电出力时间序列样本数据进行经验模式分解，根据经验模式分解终止条件得到多个本征模态函数IMF和趋势分量Res；步骤S3：依据游程判别法对步骤S2所得本征模态函数IMF进行波动程度分类，按照相似波动频率原则对本征模态函数IMF进行重构，重构得到总高频分量IMFhf、总低频分量IMFlf；步骤S4：建立Elman神经网络模型，对总高频分量IMFhf、总低频分量IMFlf、趋势分量Res进行数据归一化处理，作为Elman神经网络的训练和测试数据；步骤S5：分别对总高频分量IMFhf、总低频分量IMFlf和趋势分量Res建立Elman神经网络预测模型，采用改进Elman的学习算法，进行日前功率预测，最后将总高频分量IMFhf、总低频分量IMFlf和趋势分量Res的日前功率预测值自适应叠加，得到目标风电出力日前预测功率值。进一步的，所述步骤S1中的所述筛选预测风电场的样本数据，选取波动月份并确定预测周期具体为：S1-1：对风电场连续三年风电出力特性进行分析，选取风电出力占风电场额定容量比例超过70％～90％的月份进行进一步分析；S1-2：运用Pearson相关性分析公式，计算两两年度间全年度日出力相关性系数，选取正相关系数大于0.1-1的月份作为波动月份；S1-3：对S1-2中确定的波动月份风电出力进行Hilbert谱分析，得到次波动周期并以此确定预测周期；S1-4：确定以波动月份内预测周期的风电出力时间序列样本数据来进行日前风电出力预测。优选的，所述步骤S1-1中选取风电出力占风电场额定容量比例超过80％的月份进行进一步分析。优选的，所述S1-2中选取正相关系数大于0.5的月份作为波动月份。优选的，所述步骤S1-4中确定以波动月份内预测周期的风电出力时间序列样本数据来进行日前72h的风电出力预测。进一步的，所述步骤S2具体为：S2-1：风电场一组风电出力时间序列样本原始数据Y(t)，令s(t)＝Y(t)，找出风电场一组风电出力时间序列样本数据s(t)所有的极大值点，并将极大值点用三次样条函数拟合成s(t)的上包络线Smax(t)；再找出所有的极小值点并将极小值点用三次样条函数拟合成s(t)的下包络线Smin(t)；S2-2：计算上包络线Smax(t)与下包络线Smin(t)的均值，记为m1(t)，把s(t)减去m1(t)即可得到一个去掉低频的新数据序列h1(t)，m1(t)＝(smax(t)+smin(t))/2；S2-3：将新数据序列h1(t)作为样本数据重复S2-1、S2-2的处理过程k次，并记第k次处理所得到的平均包络线为mk(t)，第k次处理结束得到的新数据序列为hk(t)，直到新数据序列hk(t)符合本征模态函数IMF的分量终止条件判断标志TD，就得到风电出力时间序列样本数据s(t)的一个本征模态函数IMF的分量；本征模态函数IMF的分量终止条件判断标志TD计算公式如下：TD=Σt=0T[|hk-1(t)-hk(t)|2hk-12(t)]]]>T表示一个采样周期，当TD<Δ，Δ为停止阈值，Δ设置为0.2-0.3之间，令IMFi(t)＝hk(t)，IMFi(t)为第i次计算终止得到的第i个本征模态函数IMF并终止迭代，进入S2-4；否则重复S2-1至S2-3；S2-4：将IMFi(t)从s(t)中分离出来，即得到差值信号ri(t)，ri(t)=s(t)-Σi=1iIMFi(t)]]>当ri(t)极值点数量大于N，其中N>0，令i＝i+1，k＝0，将ri(t)作为样本数据，即令s(t)＝ri(t)，重复步骤S2-1、S2-2、S2-3的处理过程；当ri(t)极值点数量小于等于N或者ri(t)是单调函数，终止经验模式分解，并得到趋势分量Res；Res(i)=s(t)-Σi=1iIMFi(t)]]>其中，Res为趋势分量，IMF1(t)，IMF2(t)…IMFi(t)为不同频率的IMF分量；经过经验模式分解得到了原始样本序列Y(t)的一系列本征模态函数IMFi(t)，其中i＝1,2,…n，以及趋势分量Res(i)。进一步的，所述步骤S3中依据游程判别法对步骤S2所得本征模态函数IMF进行波动程度分类具体为：设本征模态函数IMF对应时间序列为{X(t)本文档来自技高网...

【技术保护点】
一种经验模式分解与Elman神经网络组合风电预测方法，其特征在于：包括如下步骤：步骤S1：筛选预测风电场的样本数据，选取波动月份并确定预测周期，预测波动月份内预测周期的风电出力，得到风电出力时间序列样本；步骤S2：对步骤S1得到的风电场风电出力时间序列样本数据进行经验模式分解，根据经验模式分解终止条件得到多个本征模态函数IMF和趋势分量Res；步骤S3：依据游程判别法对步骤S2所得本征模态函数IMF进行波动程度分类，按照相似波动频率原则对本征模态函数IMF进行重构，重构得到总高频分量IMFhf、总低频分量IMFlf；步骤S4：建立Elman神经网络模型，对总高频分量IMFhf、总低频分量IMFlf、趋势分量Res进行数据归一化处理，作为Elman神经网络的训练和测试数据；步骤S5：分别对总高频分量IMFhf、总低频分量IMFlf和趋势分量Res建立Elman神经网络预测模型，采用改进Elman的学习算法，进行日前功率预测，最后将总高频分量IMFhf、总低频分量IMFlf和趋势分量Res的日前功率预测值自适应叠加，得到目标风电出力日前预测功率值。

【技术特征摘要】
1.一种经验模式分解与Elman神经网络组合风电预测方法，其特征在于：包括如下步骤：步骤S1：筛选预测风电场的样本数据，选取波动月份并确定预测周期，预测波动月份内预测周期的风电出力，得到风电出力时间序列样本；步骤S2：对步骤S1得到的风电场风电出力时间序列样本数据进行经验模式分解，根据经验模式分解终止条件得到多个本征模态函数IMF和趋势分量Res；步骤S3：依据游程判别法对步骤S2所得本征模态函数IMF进行波动程度分类，按照相似波动频率原则对本征模态函数IMF进行重构，重构得到总高频分量IMFhf、总低频分量IMFlf；步骤S4：建立Elman神经网络模型，对总高频分量IMFhf、总低频分量IMFlf、趋势分量Res进行数据归一化处理，作为Elman神经网络的训练和测试数据；步骤S5：分别对总高频分量IMFhf、总低频分量IMFlf和趋势分量Res建立Elman神经网络预测模型，采用改进Elman的学习算法，进行日前功率预测，最后将总高频分量IMFhf、总低频分量IMFlf和趋势分量Res的日前功率预测值自适应叠加，得到目标风电出力日前预测功率值。2.根据权利要求1所述的经验模式分解与Elman神经网络组合风电预测方法，其特征在于：所述步骤S1中的所述筛选预测风电场的样本数据，选取波动月份并确定预测周期具体为：S1-1：对风电场连续三年风电出力特性进行分析，选取风电出力占风电场额定容量比例超过70％～90％的月份进行进一步分析；S1-2：运用Pearson相关性分析公式，计算两两年度间全年度日出力相关性系数，选取正相关系数大于0.1-1的月份作为波动月份；S1-3：对S1-2中确定的波动月份风电出力进行Hilbert谱分析，得到次波动周期并以此确定预测周期；S1-4：确定以波动月份内预测周期的风电出力时间序列样本数据来进行日前风电出力预测。3.根据权利要求2所述的经验模式分解与Elman神经网络组合风电预测方法，其特征在于：所述步骤S1-1中选取风电出力占风电场额定容量比例超过80％的月份进行进一步分析。4.根据权利要求2所述的经验模式分解与Elman神经网络组合风电预测方法，其特征在于：所述S1-2中选取正相关系数大于0.5的月份作为波动月份。5.根据权利要求2所述的经验模式分解与Elman神经网络组合风电预测方法，其特征在于：所述步骤S1-4中确定以波动月份内预测周期的风电出力时间序列样本数据来进行日前72h的风电出力预测。6.根据权利要求1所述的经验模式分解与Elman神经网络组合风电预测方法，其...

【专利技术属性】
技术研发人员：卫鹏，刘建坤，周前，徐青山，黄煜，汪成根，陈静，
申请(专利权)人：江苏省电力试验研究院有限公司，国家电网公司，国网江苏省电力公司电力科学研究院，东南大学，
类型：发明
国别省市：江苏;32