EWT分位数回归森林的短期风电功率概率密度预测方法技术

本发明专利技术公开一种EWT分位数回归森林的短期风电功率概率密度预测方法，包括以下步骤：1)采用经验小波变换(empirical wavelet transform,EWT)将原始风电功率序列分解为一系列特征互异经验模式；2)根据频率范围将经验模式进行重新组合，形成高频、中频和低频分量；3)对各分量采用皮尔森相关系数选取输入变量；4)对各分量建立分位数回归森林预测模型，获得不同分位点回归预测结果；5)将各分量预测结果叠加，得到风电功率预测值；6)采用核密度估计获得风电功率概率密度预测。本发明专利技术提供方法有效提高了风电功率预测精度，获得任意时刻风电功率概率密度预测，能够较好解决电力系统风电功率预测问题。

Short term wind power probability density prediction method of EWT quantile regression to forest

The invention discloses a EWT quantile regression forests of short-term wind power prediction probability density method, which comprises the following steps: 1) using wavelet transform (empirical wavelet transform, EWT) the original sequence of wind power is decomposed into a series of different characteristics of empirical mode; 2) according to the frequency range of experience mode the re combination of a high frequency, intermediate frequency and low frequency components; 3) for each component by using Pearson correlation coefficient to select input variables; 4) for each component to establish quantile regression forest prediction model, different quantile regression prediction results; 5) each component prediction results of superposition, get wind power forecasting value; 6) the kernel density estimation to obtain the probability density of wind power forecasting. The method of the invention effectively improves the prediction accuracy of wind power, and obtains the probability density prediction of wind power at any time, and it can better solve the prediction problem of wind power in power system.

【技术实现步骤摘要】
EWT分位数回归森林的短期风电功率概率密度预测方法
本专利技术涉及一种电力系统短期风电功率概率密度预测方法，对电力系统风电功率进行预测，属于电力系统

技术介绍
风力发电在电网中装机比例的逐年提升，有效缓解了能源紧张、环境污染格局，但其间歇性和不确定性又严重影响着电网的安全稳定及经济运行。短期风电功率预测作为自动发电控制和安排电力调度的重要决策依据，能够有效提高电力系统运行可靠性。为此，需要研究新技术与新方法，以提高风电功率预测精度，满足工程应用需求。目前，国内外学者对短期风电功率预测进行了大量研究，主要有时间序列分析、人工神经网络、支持向量机、相关向量机等模型。另外，为进一步降低风电功率预测误差，相关学者提出了组合预测模型。实践证明：组合模型相对于单一预测方法能够优势互补，在提高预测精度的同时，增强了模型鲁棒性。组合预测按机理策略不同，主要分为两类：1)采用不同原理的预测模型分别进行预测，然后将预测结果按一定方式进行优化组合；2)采用信号处理技术对原始风电功率序列进行分解处理，对不同分解量建立预测模型，最后对各分量预测结果进行组合。应用小波变换进行数据预处理面临着小波基函数本文档来自技高网...

【技术保护点】
一种EWT分位数回归森林的短期风电功率概率密度预测方法，其特征在于：包括以下步骤：(1)获取电力系统风电功率短期预测所需的基本数据，并对原始数据进行预处理，进行异常值剔除或修正；(2)采用EWT将经预处理的风电功率序列分解为一系列特征互异的经验模式；(3)根据频率范围将经验模式进行重新组合，形成高频分量、中频分量和低频分量；(4)对各分量采用皮尔森相关系数选取输入变量集合；(5)对各分量建立分位数回归森林模型，获得不同分位点回归预测结果；(6)将各分量预测结果叠加，得到最终的风电功率预测值；(7)采用核密度估计获得风电功率概率密度预测，并通过实测风电功率数据验证本专利技术方法的有效性。

【技术特征摘要】
1.一种EWT分位数回归森林的短期风电功率概率密度预测方法，其特征在于：包括以下步骤：(1)获取电力系统风电功率短期预测所需的基本数据，并对原始数据进行预处理，进行异常值剔除或修正；(2)采用EWT将经预处理的风电功率序列分解为一系列特征互异的经验模式；(3)根据频率范围将经验模式进行重新组合，形成高频分量、中频分量和低频分量；(4)对各分量采用皮尔森相关系数选取输入变量集合；(5)对各分量建立分位数回归森林模型，获得不同分位点回归预测结果；(6)将各分量预测结果叠加，得到最终的风电功率预测值；(7)采用核密度估计获得风电功率概率密度预测，并通过实测风电功率数据验证本发明方法的有效性。2.根据权利要求1所述的EWT分位数回归森林的短期风电功率概率密度预测方法，其特征在于：步骤(2)采用EWT技术将原始风电功率序列分解为一系列频率特征互异的经验模式，所述EWT方法具体计算过程为：2.1确定带通滤波器的频率范围；首先对信号的Fourier谱进行自适应分割，定义Fourier支撑为[0,π]并假定将其分割成N个连续部分，令Λn＝[wn-1,wn]表示各分割片段边界；其中：n＝1,2,L,N，w0＝0,wN＝π，wn选取为信号Fourier谱相邻两个极大值点之间的中点，显见2.2以每个wn为中心，定义宽度为Tn＝2τn的过渡区域；2.3在分割区间Λn上，定义经验小波为每个Λn上的带通滤波器，并根据Meyer小波构造方法构造经验小波，通常构造的经验小波函数为经验尺度函数为式中：τn＝γwn；在时，保证了为紧框架；通常，函数β(x)定义为β(x)＝x4(35-84x+70x2-20x3)；2.4从而，原始信号可被重构为式中：*为卷积运算；为逼近系数；为x(t)的经验小波变换；经验模式xk(t)定义为3.根据权利要求1所述的EWT分位数回归森林的短期风电功率概率密度预测方法，其特征在于：步骤(3)根据频率范围将经验模式进行重新组合，形成高频分量、中频分量和低频分量，所述频率范围划定方法具体为：将[0,π]频率范围内的经验模式划分为三部分：频率小于1的为低频分量，频率大于1且小于2的为中频分量，频率大于2的即为高频分量。4.根据权利要求1所述的EWT分位数回归森林的短期风电功率概率密度预测方法，其特征在于：步骤(4)对各分量采用皮尔森相关系数选取输入变量集合，所述皮尔森相关系数具体计算方法为：给定时间序列，皮尔森相关系数衡量了xt与xt-τ间的相关关系，能够有效的确定输入变量集合；其中，τ为滞后阶数；皮尔森相关系数r取值范围为[-1,1]，1表示完全正相关，-1表示完全负相关，0表示变量间无相关性；当|r|＞0.3时，即认为变量间存在较强相关关系；待预测时刻风电功率与前第τ时刻功率间相关系数计算公式为

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