本发明专利技术公开了一种基于EMD历史数据预处理的短期风电功率预测方法，所述方法在输入数据前将历史数值天气预报数据和历史风机观测功率数据中的不符合条件的样本数据剔除、并进行归一化处理；然后采用EMD分解算法得到训练样本，根据训练样本得到n个功率时间序列分量预测模型；最后将待测时刻的实际数值天气预报数据作为输入，分别输入至n个功率时间序列分量预测模型内，并将输出得到的n个功率时间序列分量预测值进行加权叠加，获得预测结果。本发明专利技术在在输入数据前对冗余数据进行剔除，并通过将功率时间序列的按不同波动尺度分别进行精细化考虑，提高了对波动尺度较大的变化量的预测精度。
【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种基于EMD历史数据预处理的短期风电功率预测方法，所述方法在输入数据前将历史数值天气预报数据和历史风机观测功率数据中的不符合条件的样本数据剔除、并进行归一化处理；然后采用EMD分解算法得到训练样本，根据训练样本得到n个功率时间序列分量预测模型；最后将待测时刻的实际数值天气预报数据作为输入，分别输入至n个功率时间序列分量预测模型内，并将输出得到的n个功率时间序列分量预测值进行加权叠加，获得预测结果。本专利技术在在输入数据前对冗余数据进行剔除，并通过将功率时间序列的按不同波动尺度分别进行精细化考虑，提高了对波动尺度较大的变化量的预测精度。【专利说明】-种基于EMD历史数据预处理的短期风电功率预测方法
本专利技术涉及一种短期风电功率预测方法，尤其是基于EMD历史数据预处理的短期 风电功率预测方法。
技术介绍
随着能源和环境问题的日益突出，风电作为一种清洁的可再生能源日益受到人们 的重视。但由于风电具有波动性和随机性，给传统电力系统的安全稳定运行带来了巨大的 挑战，而风电功率预测技术是帮助解决这一问题的重要手段。 风电功率预测是以风电场的历史风机观测功率数据为基础，以时间、风速。气象等 数据为影响因素建立的风电场输出功率的预测模型，并以这些影响因素作为预测模型的输 入得到风电场未来的输出功率。其中，风电功率预测的准确性对于提高系统的安全性、可靠 性、经济性和可控性具有重要意义。 经过对现有技术文献的检索发现，针对原始风速及功率序列的特性不明显的缺 陷，提出了一种基于小波一B P神经网络的短期风电功率预测方法，利用小波将风速与功 率序列在不同尺度上进行分解，并使用多个B P神经网络对各频率分量进行预测，最后重 构得到完整的预测结果。采用这种预测方法，在实际功率快速波动时，由于实际输出功率受 到多种不同波动尺度的天气因素影响，BP神经网络对波动尺度较大的变化量预测失准；且 在输入数据前没有对冗余数据进行剔除的有效方案。因此，如何解决上述的问题，为亟待解 决的问题。
技术实现思路
本专利技术的目的旨在提供一种能够提高对波动尺度较大的变化量预测精度的基于 EMD历史数据预处理的短期风电功率预测方法。 为实现上述的目的，本专利技术采用以下技术方案：一种基于EMD历史数据预处理的 短期风电功率预测方法，其中包括以下步骤：1)为获得历史数值天气预报数据和历史风机 观测功率数据，根据分析风电场功率的影响因素，剔除历史数值天气预报数据和历史风机 观测功率数据中的不符合条件的样本数据，并将剔除后的历史数值天气预报数据和历史风 机观测功率数据进行归一化；2)根据步骤一得出的历史数值天气预报数据作为输入，采用 EMD分解算法对步骤一得出的历史风机观测功率数据的时间序列进行分解，分解出η个独 立的功率时间序列分量作为输出，得到训练样本；3)利用步骤二所示的训练样本对预测模 型进行训练，得到η个功率时间序列分量预测模型；4)将待测时刻的实际数值天气预报数 据作为输入，分别输入至步骤三获得的η个功率时间序列分量预测模型内，并将输出得到 的所有功率时间序列分量预测值进行加权叠加，获得预测结果。 所述步骤一的不符合条件的样本数据为风电场接到限电指令、或者停机维修造成 的不符合风速-出力特性的样本数据。 所述步骤二的采用EMD分解算法对步骤一得出的历史风机观测功率数据的时间 序列进行分解，分解出η个独立的功率时间序列分量，具体过程为：①首先寻找时间序列 信号中包含的所有极大值及极小值，对时间序列信号4◎中每一个极大值和极小值 分别通过插值法拟合出上、下包络线；②按顺序连接上、下两条包络线的均值，得到均值线 ?k(0 ;③将原始时间序列*(〇减去均值叫存)得到;④当4(0满足功率时间序列分量 的条件时，令％(0 = ·%(?)进入步骤⑤，当￥0并不满足功率时间序列分量的条件时，将￥0 作为原始信号，重复上述步骤①至③迭代t次，在每次迭代的过程中判断是否满足4(0 =~(?)的条件，如果不满足，则继续迭代，满足则进入步骤⑤；⑤将原始时间序列*(?)减去 q(办，得到差值;⑥将差值》j(〇看作一组新的时间序列信号重复上述步骤①至⑤的 EMD分解过程，经过多次重复运算可以得到全部差值rji),当Ii(i)满足社顶条件使得ea(0 或》；(?)小于预定值，或者差值re(i)称为单调函数，终止EMD分解，得到η个独立的功率时间 序列分量。 步骤四所述加权叠加的权重系数根据功率预测时刻t的功率时间序列分量预测 值不断更新。 本专利技术由于采取以上方案，与传统技术中直接利用原始观测数据直接获得预测模 型的预测方法不同，将功率时间序列的按不同波动尺度分别进行精细化考虑，能够预测较 为准确的输出功率；而与现有技术中的基于小波一B P神经网络的短期风电功率预测方法 不同，对于波动尺度较大变化量的预测精度大幅提高，而通过输入数据前对坏样本数据进 行剔除，为预测精度准确性提供了保证；本专利技术还提出一种针对风电功率预测的动态加权， 在目标预测时刻增长时，根据功率时间序列分量预测值不断更新权重向量，与传统的加权 方式相比，加权策略下的RMSE误差可以减小至222. 4KW，RMSE误差占风机容量的百分比为 14. 8%，有效的提1?了预测精度。 【专利附图】【附图说明】 图1为本专利技术的预测流程图。 【具体实施方式】 如图1所示，一种基于EMD历史数据预处理的短期风电功率预测方法，其特征在 于：包括以下步骤： 步骤一：获得历史数值天气预报数据和历史风机观测功率数据，根据分析风电场功 率的影响因素，剔除历史数值天气预报数据和历史风机观测功率数据中的不符合条件的样 本数据，并将剔除后的历史数值天气预报数据和历史风机观测功率数据进行归一化；不符 合条件的样本数据为风电场接到限电指令、或者停机维修造成的不符合风速-出力特性的 样本数据； 步骤二：根据步骤一得出的历史数值天气预报数据作为输入，采用EMD分解算法对步 骤一得出的历史风机观测功率数据的时间序列进行分解，分解出η个独立的功率时间序列 分量作为输出，得到训练样本；采用EMD分解算法对步骤一得出的历史风机观测功率数据 的时间序列进行分解，分解出η个独立的功率时间序列分量，具体过程为： ① 首先寻找时间序列信号4中包含的所有极大值及极小值，对时间序列信号从办中 每一个极大值和极小值分别通过插值法拟合出上、下包络线； ② 按顺序连接上、下两条包络线的均值，得到均值线％(0 ; ③ 将原始时间序列jc?减去均值》%(0得到·^(0 ; ④ 当1|(0满足功率时间序列分量的条件时，令<%(〇 = 1%(?)进入步骤⑤，当l!(i)并不满 足功率时间序列分量的条件时，将4(1)作为原始信号，重复上述步骤①至③迭代次，在每 次迭代的过程中判断是否满足4(0 = /%(0的条件，如果不满足，则继续迭代，满足则进入步 骤⑤； ⑤ 将原始时间序列均0减去Ci(i),得到差值》?(?); ⑥ 将差值》?(?)看作一组新的时间序列信号重复上述步骤①至⑤的EMD分解过程，经过 多次重复运算可以得到全部差值,当1(0满足社顶条件使得&(〇或i;(本文档来自技高网...
【技术保护点】
一种基于EMD历史数据预处理的短期风电功率预测方法，其特征在于：包括以下步骤：步骤一： 获得历史数值天气预报数据和历史风机观测功率数据，根据分析风电场功率的影响因素，剔除历史数值天气预报数据和历史风机观测功率数据中的不符合条件的样本数据，并将剔除后的历史数值天气预报数据和历史风机观测功率数据进行归一化；步骤二：根据步骤一得出的历史数值天气预报数据作为输入，采用EMD分解算法对步骤一得出的历史风机观测功率数据的时间序列进行分解，分解出n个独立的功率时间序列分量作为输出，得到训练样本；步骤三：利用步骤二所示的训练样本对预测模型进行训练，得到n个功率时间序列分量预测模型；步骤四：将待测时刻的实际数值天气预报数据作为输入，分别输入至步骤三获得的n个功率时间序列分量预测模型内，并将输出得到的n个功率时间序列分量预测值进行加权叠加，获得预测结果。
【技术特征摘要】
【专利技术属性】
技术研发人员：许爱东，文贤馗，雷金勇，陈建国，林呈辉，徐梅梅，申展，黄焘，郭晓斌，
申请(专利权)人：南方电网科学研究院有限责任公司，贵州电网公司，
类型：发明
国别省市：广东;44
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。