一种基于经验小波变换与改进高斯过程回归的新能源出力短期预测方法技术

本发明专利技术公开一种基于经验小波变换EWT与改进高斯过程回归GPR的新能源出力短期预测方法，包括以下步骤：1)采用EWT技术将原始风电功率序列分解为一系列特征互异的经验模式；2)对不同经验模式序列进行零均值化处理；3)对每个经验模式建立GPR模型，并采用和声搜索HS算法求解模型超参数，即建立改进的HS‑GPR预测模型；4)将不同模型预测结果叠加，获得最终短期风电功率预测值。本发明专利技术提供的EWT自适应信号处理方法抗噪性强、计算量小。同时，采用HS算法优化求解模型参数，有效避免了人工经验设置的不足，提高了短期风电功率预测精度，能够较好解决电力系统短期风电功率预测问题。

A new energy output short-term prediction method based on empirical wavelet transform and improved Gauss process regression

The invention discloses a new kind of energy experience wavelet transform EWT and improved Gauss process regression based on GPR short-term output prediction method, which comprises the following steps: 1) using EWT technology, the original wind power series is decomposed into a series of different characteristics of empirical mode; 2) of different experience mode of sequence of zero mean treatment; 3) the establishment of GPR model for each mode of experience, and the harmony search algorithm to solve the model parameters of HS, namely the establishment of improved HS GPR prediction model; 4) different prediction results superimposed to obtain the final short-term wind power forecasting value. The EWT adaptive signal processing method provided by this invention has strong anti noise and small computation. At the same time, the HS algorithm is used to optimize the model parameters, effectively avoiding the shortcomings of artificial experience settings, improving the accuracy of short-term wind power prediction, and solving the short-term wind power prediction problem of power system.

【技术实现步骤摘要】
一种基于经验小波变换与改进高斯过程回归的新能源出力短期预测方法
本专利技术属于电力系统能源预测
，特别涉及一种基于经验小波变换与改进高斯过程回归的新能源出力短期预测方法。
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。在现有研究基础上，又提出了基于优化算法的改进预测模型。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，本文档来自技高网...

【技术保护点】
一种基于经验小波变换与改进高斯过程回归的新能源出力短期预测方法，其特征在于：包括以下步骤：(1)获取实测风电场功率数据，并对原始序列数据进行异常值检测与修正，避免异常值对模型参数估计造成的不良影响；(2)采用EWT自适应信号处理技术将原始风电功率序列分解为一系列特征互异的经验模式；(3)对不同经验模式序列进行零均值化预处理；(4)针对不同经验模式序列特征，建立改进的高斯过程回归预测模型，并采用和声搜索算法优化求解模型超参数；(5)获得每个经验模式预测结果，并将各分量预测结果叠加获得最终的短期风电功率预测值。

【技术特征摘要】
1.一种基于经验小波变换与改进高斯过程回归的新能源出力短期预测方法，其特征在于：包括以下步骤：(1)获取实测风电场功率数据，并对原始序列数据进行异常值检测与修正，避免异常值对模型参数估计造成的不良影响；(2)采用EWT自适应信号处理技术将原始风电功率序列分解为一系列特征互异的经验模式；(3)对不同经验模式序列进行零均值化预处理；(4)针对不同经验模式序列特征，建立改进的高斯过程回归预测模型，并采用和声搜索算法优化求解模型超参数；(5)获得每个经验模式预测结果，并将各分量预测结果叠加获得最终的短期风电功率预测值。2.根据权利要求1所述的一种基于经验小波变换与改进高斯过程回归的新能源出力短期预测方法，其特征在于，所述步骤(2)中的EWT方法本质上是根据信号频谱特性选择的一组带通滤波器，从而自适应地从原始信号中筛选出调幅-调频成分，其具体计算过程为：步骤(2.1)：为了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，显见步骤(2.2)：以每个wn为中心，定义宽度为Tn＝2τn的过渡区域；步骤(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，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，函数β(x)定义为β(x)＝x4(35-84x+70x2-20x3)；步骤(2.4)：原始信号被重构为式中：*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2所述的一种基于经验小波变换与改进高斯过程回归的新能源出力短期预测方法，其特征在于，所述步骤(3)中的所述零均值化预处理公式为：式中：x(t)为原始分量时间序列，为序列x(t)的平均值。4.根据权利要求3所述的一种基于经验小波变换与改进高斯过程回归的新能源出力短期预测方法，其特征在于，所述步骤(4)中的所述高斯过程回归计算过程为：步骤(4.1)：假设训练样本集合为D＝{(xi,yi)|i＝1,2,3,…,n}＝(X,y)，其中：xi∈Rm为m维输入向量，m×n维输入矩阵则可表示为X＝[x1,x2,…,xn]，n表示训练样本点数量，yi∈R为对应于xi的输出标量；步骤(...

【专利技术属性】
技术研发人员：封庆，臧海祥，黄文进，傅中兴，余利斌，卫志农，孙国强，周亦州，
申请(专利权)人：国网江苏省电力公司盐城供电公司，国网江苏省电力公司，国家电网公司，
类型：发明
国别省市：江苏,32