基于变分模态分解和相关向量机的风功率区间短期预测方法技术

本发明专利技术公开了一种基于变分模态分解与相关向量机的风功率区间短期预测方法，该方法包含，首先对风功率序列进行变分模态分解，获得多个具有不同中心频率的分量；然后对各分量采用相关向量机算法分别建立区间预测模型；最后将各分量的预测结果进行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，从而风功率区间的短期预测效果得到了显著改善。

【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
，涉及一种基于变分模态分解和相关向量机的风功率区间短期预测方法。
技术介绍
在化石能源紧缺和环境问题严峻的今天，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。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。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；分位点法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，其中比较典型的方法有小波分析、经验模态分解(EmpiricalModeDecomposition,EMD)、局域均值分解(LocalMeanDecomposition,LMD)等。相比EMD和LMD，变分模态分解(VariationalModeDecomposition,VMD)是一种新的信号分解估计方法，具有更好的噪声鲁棒性以及较准确的模态分离效果。在点预测方法中，常采用以人工神经网络(ArtificialNeuralNetworks,ANN)为代表的智能算法和以支持向量机(SupportVectorMachines,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，MichaelE.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(RelevanceVectorMachines,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。因此，亟待解决上述问题。
技术实现思路
专利技术目的：本专利技术提供一种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的基于变分模态分解和相关向量机的风功率区间短期预测方法。技术方案：本专利技术公开了一种基于变分模态分解和相关向量机的风功率区间短期预测方法，其特征在于，包括以下步骤：步骤1：采用变分模态分解算法对原始的风功率序列进行分解，获得多个具有不同中心的分量；步骤2：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3：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混合核系数权重，设定相关向量机预测模型的迭代初值；步骤4：求解核函数，得到各分量的预测值和方差。步骤5：将各分量的预测值进行叠加，得到一定置信度下的风功率的预测区间。所述步骤1具体包括变分问题构造和变分问题求解两个子步骤：其中变分问题构造的具体方法为：步骤1.11：对于输入信号f，通过希伯特变换，得到每个模态函数uk(t)的解析信号，并最终获得其单边频谱其中，t表示第t时刻，k表示第k个模态，j表示虚数单位，δ(t)表示第k个模态在第t时刻的中心频率；步骤1.12：将每个模态的频谱以各模态解析信号的混合-预估中心频率为基准调制到相应基频带其中ωk表示第k个模态的角频率；步骤1.13：将计算以上解调信号梯度的平方L2范数，估计出各模态信号带宽，受约束的变分问题构造如下：min{uk本文档来自技高网...

【技术保护点】
一种基于变分模态分解和相关向量机的风功率区间短期预测方法，其特征在于，包括以下步骤：步骤1：采用变分模态分解算法对原始的风功率序列进行分解，获得多个具有不同中心的分量；步骤2：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3：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混合核系数权重，设定相关向量机预测模型的迭代初值；步骤4：求解核函数，得到各分量的预测值和方差；步骤5：将各分量的预测值进行叠加，得到一定置信度下的风功率的预测区间。

【技术特征摘要】
1.一种基于变分模态分解和相关向量机的风功率区间短期预测方法，其特征在于，
包括以下步骤：
步骤1：采用变分模态分解算法对原始的风功率序列进行分解，获得多个具有不同
中心的分量；
步骤2：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3：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
数宽度和混合核系数权重，设定相关向量机预测模型的迭代初值；
步骤4：求解核函数，得到各分量的预测值和方差；
步骤5：将各分量的预测值进行叠加，得到一定置信度下的风功率的预测区间。
2.根据权利要求1所述的一种基于变分模...

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