The invention relates to a wind power ramp prediction methods, including: (1) the wind power ramp were sparse decomposition; (2) the atomic components were obtained from the prediction, the residual component of the RBF neural network prediction; (3) the prediction component is predicted under linear additivity the value of a moment. This method uses the combination of sliding prediction sparse decomposition method and RBF neural network prediction method for wind power ramp output based on prediction model is established for wind power ramp events, so as to forecast wind power ramp volume, improve the prediction accuracy.
【技术实现步骤摘要】
一种风电功率爬坡预测方法
本专利技术涉及风电功率爬坡预测方法,尤其涉及一种基于原子稀疏分解和径向基神经网络的风电功率爬坡预测方法。
技术介绍
近年来,全球都面临着能源危机和自然环境水平持续下降等多方面压力,如何进行能源资源结构的调整与优化,高效的开发与利用可再生能源,已经成为世界各国能源发展战略工作的关键组成部分。其中,在可再生能源发电技术中,具有资源广泛、绿色无污染等特点的风力发电,已经成为发展水平相对成熟且装机容量较大的新能源发电技术。同时,随着大规模高集中度风电场的发展,风电输出功率的区域性波动现象也越来越严重,不仅表现在风电功率具有不确定性,会出现速度快幅度大的爬坡现象,影响短期电网中电源与负荷之间的平衡性,而且使得风电场有功功率出力特征分析难度加大,风电功率预测精度难以提升,因此,对风电功率爬坡预测的研究已经成为越来越重要的研究领域。
技术实现思路
本专利技术的目的是提供一种风电功率爬坡预测方法,进行风电功率爬坡量的预测,提高预测精度。本专利技术为解决其技术问题所采用的技术方案是,一种风电功率爬坡预测方法,其特征在于,包括以下步骤:(1)将风电功率爬坡量进行稀疏分解;(2)将分解后得到的原子分量进行自预测,将残差分量进行径向基神经网络预测;(3)将各预测分量进行线性相加得到下一时刻的预测值。步骤(1)中,将风电功率爬坡量的历史时间序列作为预测模型的输入,通过稀疏分解方法进行数据的稀疏分解:将爬坡量时间序列表示成原子的稀疏线性组合,其一般表达式为式中,ck是稀疏系数,为原始信号的一个逼近信号,将信号f近似地表示为M个原子的线性组合,构造过完备字典:通过 ...
【技术保护点】
一种风电功率爬坡预测方法,其特征在于,包括以下步骤:(1)将风电功率爬坡量进行稀疏分解;(2)将分解后得到的原子分量进行自预测,将残差分量进行径向基神经网络预测;(3)将各预测分量进行线性相加得到下一时刻的预测值。
【技术特征摘要】
1.一种风电功率爬坡预测方法,其特征在于,包括以下步骤:(1)将风电功率爬坡量进行稀疏分解;(2)将分解后得到的原子分量进行自预测,将残差分量进行径向基神经网络预测;(3)将各预测分量进行线性相加得到下一时刻的预测值。2.根据权利要求1所述的一种风电功率爬坡预测方法,其特征在于,步骤(1)中,将风电功率爬坡量的历史时间序列作为预测模型的输入,通过稀疏分解方法进行数据的稀疏分解:将爬坡量时间序列表示成原子的稀疏线性组合,其一般表达式为式中,ck是稀疏系数,为原始信号的一个逼近信号,将信号f近似地表示为M个原子的线性组合,构造过完备字典:通过选定Gabor原子库,取生成函数g(t)为高斯函数再通过对生成函数的平移、伸缩等离散化处理,生成原子,从而得到过完备字典集;原子稀疏算法采用正交匹配追踪算法,对每步分解的全部原子进行正交化处理,步骤如下:1)先从过完备原子库中选取最为匹配的一个原子,即满足假设R0=f,信号f分解为如下形式:其中,表示R0对的投影,即为找...
【专利技术属性】
技术研发人员:黄麒元,王致杰,王浩清,朱俊,周泽坤,王东伟,杜彬,吕金都,王鸿,
申请(专利权)人:上海电机学院,
类型:发明
国别省市:上海,31
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。