一种CEEMD和随机森林的短期风功率预测方法技术

本发明专利技术公开一种基于完备总体经验模态分解(complete ensemble empirical mode decomposition,CEEMD)和随机森林的短期风功率预测方法，包括以下步骤：1)采用CEEMD技术将原始风功率序列分解为一系列特征互异的本征模态函数(intrinsic mode functions,IMFs)；2)采用近似熵计算各本征模态函数复杂度，将近似熵值相近的模态函数合并为新的分量，分别为随机分量、细节分量和趋势分量；3)对不同分量数据进行零均值化处理；4)采用偏自相关函数(partial autocorrelation function,PACF)对不同分量确定输入变量集合；5)对每个新分量构建随机森林(random forest,RF)预测模型，将各分量预测结果叠加获得最终的短期风功率预测值，并通过算例验证本发明专利技术方法的有效性。本发明专利技术提供的方法有效地提高了短期风功率预测精度，能够较好地解决电力系统短期风功率预测问题。

【技术实现步骤摘要】
一种CEEMD和随机森林的短期风功率预测方法
本专利技术涉及一种电力系统短期风功率预测方法，对电力系统风功率进行短期预测，属于电力系统

技术介绍
风能作为一种重要的清洁能源，由于储量丰富、发电成本低，在可持续能源发展战略中受到广泛关注。随着风能装机比例的逐年提升，急需解决风功率随机不确定性和波动性对电网安全稳定运行带来的不利影响。准确的风功率预测是保障电网供需平衡的重要手段，也是电网实时安全分析、自动发电控制、安排系统备用的重要参考。因此，提高短期风功率预测精度能够有效降低风能不确定性和间歇性对电网造成的不利影响。现有的风功率预测主要有物理模型和统计分析两类方法。物理模型主要采用微观气象学等理论建立物理模型，通过综合考虑数值天气预报、地形等因素对风电场的风速和风能进行预测。统计分析方法通过发掘实测风功率数据间存在的内在规律性，采用线性或非线性数学方法表征待预测时刻风功率与历史时刻风功率间的映射关系，再根据已有数据进行外推预测。常用方法主要包括时间序列分析(timeseriesanalysis,TSA)、卡尔曼滤波(Kalmanfilter,KF)、人工神经网络(artificialneuralnetworks,ANN)、支持向量机(supportvectormachines,SVM)、相关向量机(relevancevectormachine,RVM)等。同时，为增强模型预测性能，相关学者采用智能优化方法，如遗传算法、粒子群算法、人工蜂群算法等对模型进行改进与优化，从而提高了预测精度。由于风功率序列的随机性、波动性、复杂非线性特点，仅仅采用单一模型难以取得精确的预测结果。为进一步提高短期风功率预测水平，国内外学者提出了组合预测模型。组合预测模型主要有两种思路：1)将不同原理的预测模型通过权重进行集成，相对于单一的预测模型，集成学习可以发挥各个模型优势，达到优势互补的目的。2)采用数据预处理技术将原始风功率序列进行分解处理，对分解得到的序列分别建立预测模型。采用信号分解技术可以把握风功率局部变化规律，从而达到提高预测精度的目的。常用的数据预处理技术主要有经验模态分解(empiricalmodedecomposition,EMD)、集合经验模态分解(ensembleempiricalmodedecomposition,EEMD)等方法。EEMD方法利用高斯白噪声频率均匀分布这一统计特性，使得原始信号在加入高斯白噪声后，在不同尺度上都具有连续性，有效地解决了EMD方法存在的模态混叠问题，改善信号的分析效果。EEMD通过多次实验结果取平均值抵消白噪声对最终分解结果的影响，增加计算任务量，同时有限次平均导致了分解结果不具完备性。完备总体经验模态分解(completeensembleempiricalmodedecomposition,CEEMD)通过添加幅值相同、相位相反的正负白噪声对到原始信号，然后进行EMD处理，通过求取平均值获得最终的分解结果。在避免模态混叠的同时，有效解决EEMD方法分解不完备问题。因此，本专利技术采用CEEMD对原始风功率序列进行分解处理。比较EEMD与CEEMD重构误差，可以发现EEMD重构误差较大，影响原始信号分解的完整性，同时也增大了风功率预测误差。BP神经网络预测精度受模型结构与参数设置影响较大，在学习过程中易陷入局部最优解也限制了其广泛应用。SVM采用结构风险最小化原则代替传统神经网络的经验风险最小化原则，增强了模型泛化能力。但SVM在估计模型参数过程中，存在参数初值难以选取，运算效率低的缺点，难以满足高维、大样本数据的分析处理。随机森林(randomforest,RF)作为一种非参数统计方法，通过集成多颗弱回归决策树，从而构建鲁棒性能更好的回归模型。同时，RF具有更好的噪声容忍度，且不容易出现过拟合问题。学习训练过程计算量也较少，并且适合处理高维数据场景，在分类、回归预测分析中获得了广泛应用。本专利技术采用RF进行风功率预测仿真，对比BP神经网络和SVM模型，验证了RF具有更好的预测性能。综上所述，本专利技术结合CEEMD与RF算法的优点，建立了CEEMD-RF短期风功率预测模型。首先采用CEEMD方法将原始风功率序列分解为一系列特征互异的本征模态函数。为降低任务量，计算各本征模态函数近似熵并将近似熵值相近的模态函数合并为新的分量，对每一新分量分别建立RF预测模型。同时，采用偏自相关函数选取输入变量，并通过算例验证本文模型的有效性。
技术实现思路
专利技术目的：本专利技术针对现有电力系统短期风功率预测技术中存在的问题，如预测方法运行效率低，难以处理高维、复杂、非线性回归任务，提供一种基于CEEMD和随机森林的短期风功率预测方法。首先，采用CEEMD技术将原始风功率序列分解为一系列特征互异的本征模态函数，计算各模态函数近似熵值，并将近似熵值相近的模态函数合并为新的分量，分别为随机分量、细节分量和趋势分量。对每一分量采用偏自相关函数确定输入变量集合，并构建基于随机森林算法的预测模型，将各分量预测结果叠加获得最终的短期风功率预测值。通过算例分析验证本专利技术方法的有效性。技术方案：一种基于CEEMD和随机森林的短期风功率预测方法，包括以下步骤：1)获取实测风电场功率数据，并对原始数据进行异常值检测与修正；2)采用CEEMD技术将原始风功率序列分解为一系列特征互异的本征模态函数；3)采用近似熵计算各本征模态函数复杂度，将近似熵值相近的模态函数合并为新的分量，分别为随机分量、细节分量和趋势分量；4)对不同分量数据分别进行零均值化预处理；5)采用偏自相关函数对不同分量确定输入变量集合；6)对每个新分量分别构建随机森林预测模型，将各分量预测结果叠加获得最终的短期风功率预测值，并通过算例验证本专利技术方法的有效性。进一步地，步骤(2)采用CEEMD技术将原始风功率序列分解为一系列特征互异的本征模态函数，包括通过添加幅值相同、相位相反的正负白噪声对到原始信号，然后进行EMD处理，通过求取平均值获得最终的分解结果；所述EMD方法具体计算过程为：2.1找出原始信号y(t)中的所有极大值，采用插值法拟合其包络线为u(t)；识别y(t)中所有极小值，同样采用插值法拟合其包络线为v(t)；由此计算上下包络线的平均值m1(t)为2.2将原始信号y(t)与m1(t)相减得到h1(t)h1(t)＝y(t)-m1(t)判断h1(t)是否满足IMF分量条件，若不满足，则将h1(t)视为新的信号y(t)，重复步骤2.1，直到h1(t)满足IMF条件；若满足，则第1个IMF分量可表示为：c1(t)＝h1(t)2.3从原始信号y(t)中分离出分量c1(t)，相应的剩余分量可表示为r1(t)＝y(t)-c1(t)2.4将剩余分量r1(t)作为新的原始信号，重复步骤2.1至步骤2.3，从而可得到其它IMF分量和1个余量；2.5采用EMD方法将原始信号y(t)分解为n个IMF分量ci(t)和一个剩余分量rn(t)；由此原始信号y(t)可由IMF分量和剩余分量表示为：进一步地，步骤(2)采用CEEMD技术将原始风功率序列分解为一系列特征互异的本征模态函数，在EMD方法基础上，所述CEEMD方法具体计算过程为：3.1在原始风功率序列中加入正本文档来自技高网...

【技术保护点】
一种基于CEEMD和随机森林的短期风功率预测方法，其特征在于：包括以下步骤：(1)获取实测风电场功率数据，并对原始数据进行异常值检测与修正；(2)采用CEEMD技术将原始风功率序列分解为一系列特征互异的本征模态函数；(3)采用近似熵计算各本征模态函数复杂度，将近似熵值相近的模态函数合并为新的分量，分别为随机分量、细节分量和趋势分量；(4)对不同分量数据分别进行零均值化预处理；(5)采用偏自相关函数对不同分量确定输入变量集合；(6)对每个新分量分别构建随机森林预测模型，将各分量预测结果叠加获得最终的短期风功率预测值，并通过算例验证本专利技术方法的有效性。

【技术特征摘要】
1.一种基于CEEMD和随机森林的短期风功率预测方法，其特征在于：包括以下步骤：(1)获取实测风电场功率数据，并对原始数据进行异常值检测与修正；(2)采用CEEMD技术将原始风功率序列分解为一系列特征互异的本征模态函数；(3)采用近似熵计算各本征模态函数复杂度，将近似熵值相近的模态函数合并为新的分量，分别为随机分量、细节分量和趋势分量；(4)对不同分量数据分别进行零均值化预处理；(5)采用偏自相关函数对不同分量确定输入变量集合；(6)对每个新分量分别构建随机森林预测模型，将各分量预测结果叠加获得最终的短期风功率预测值，并通过算例验证本发明方法的有效性。2.如权利要求1所述的基于CEEMD和随机森林的短期风功率预测方法，其特征在于：步骤(2)采用CEEMD技术将原始风功率序列分解为一系列特征互异的本征模态函数，包括通过添加幅值相同、相位相反的正负白噪声对到原始信号，然后进行EMD处理，通过求取平均值获得最终的分解结果；所述EMD方法具体计算过程为：2.1找出原始信号y(t)中的所有极大值，采用插值法拟合其包络线为u(t)；识别y(t)中所有极小值，同样采用插值法拟合其包络线为v(t)；由此计算上下包络线的平均值m1(t)为2.2将原始信号y(t)与m1(t)相减得到h1(t)h1(t)＝y(t)-m1(t)判断h1(t)是否满足IMF分量条件，若不满足，则将h1(t)视为新的信号y(t)，重复步骤2.1，直到h1(t)满足IMF条件；若满足，则第1个IMF分量可表示为：c1(t)＝h1(t)2.3从原始信号y(t)中分离出分量c1(t)，相应的剩余分量可表示为r1(t)＝y(t)-c1(t)2.4将剩余分量r1(t)作为新的原始信号，重复步骤2.1至步骤2.3，从而可得到其它IMF分量和1个余量；2.5采用EMD方法将原始信号y(t)分解为n个IMF分量ci(t)和一个剩余分量rn(t)；由此原始信号y(t)可由IMF分量和剩余分量表示为：3.如权利要求1所述的基于CEEMD和随机森林的短期风功率预测方法，其特征在于：步骤(2)采用CEEMD技术将原始风功率序列分解为一系列特征互异的本征模态函数，在EMD方法基础上，所述CEEMD方法具体计算过程为：3.1在原始风功率序列中加入正高斯白噪声信号n1(t)，并对产生的合成信号采用EMD方法进行分解，产生一对IMF分量c1i，r1；3.2在原始风功率序列中加入负高斯白噪声信号-n1(t)，同样将产生的新序列采用EMD方法进行分解，产生另一对IMF分量c-1i，r-1；3.3不断重复执行上述步骤，共得到n组cni，rn，c-ni，r-n；3.4计算分解结果的平均值，即得到最终的IMF分量ci和余量rn：4.如权利要求1所述的基于CEEMD和随机森林的短期风功率预测方法，其特征在于：步骤(3)采用近似熵计算各模态函数复杂度，将近似熵值相近的模态函数合并为新序列，形成随机分量、细节分量和趋势分量，并对每个分量进行特征分析；所述近似熵计算过程为：4.1给定时间序列{x(i),i＝1,2,L,N}，将序列{x(i)}按顺序组成m维矢量，即X＝{x(i),x(i+1),L,x(i+m-1)}，其中i＝1,2,L,N-m+1；4.2定义两者X(i)与X(j)之间的距离dm[X(i),X(j)]为两者对应元素差值最大的一个，即对每一个i值计算X(i)与其余矢量X(j)(j＝1,2,L,N-m+1，且j≠i)间的dm[X(i),X(j)]；4.3给定相似容限r(r＞0)，对每一个i值统计dm[X(i),X(j)]＜r数目，计算其与距离总数N-m+1的比值，记为即

【专利技术属性】
技术研发人员：孙国强，梁智，卫志农，臧海祥，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32