一种基于双重分解的短期风电功率预测方法技术

本发明专利技术提供一种基于双重分解的短期风电功率预测方法，包括以下步骤：S1导入原始风电功率时间序列，S2利用变模态分解技术将原始风电功率分解为若干个子模态，S3利用样本熵方法计算S2得到的子模态的样本熵值，得到样本熵值明显较大的子模态和样本熵值较小的子模态，S4利用小波包分解技术将S3中得到的样本熵值值较大的子模态进行二次分解，分解为若干个信号特征更为明显与平稳的新子模态，S5利用在线鲁棒极限学习机分别对S3得到的样本熵值较小的子模态和S4二次分解后得到的新子模态建立预测模型，并通过叠加获得最终的风电功率预测结果；本发明专利技术计算速度快且泛化能力更好，具有更高的预测精度，且能更好的适应于实际应用中的时变系统中。

【技术实现步骤摘要】
一种基于双重分解的短期风电功率预测方法
本专利技术涉及一种电力系统的预测方法，更具体地，涉及一种基于双重分解的短期风电功率预测方法。
技术介绍
近年来，风力发电受到了越来越广泛的关注，我国的风电装机容量也持续上升。但是，风电功率的随机性和波动性给大规模风电并网带来了巨大的挑战。因此，准确的短期风电功率预测对电网的实时调度、供电系统可靠性和风机控制都具有重要意义。目前，对于风电功率的预测主要分为三类：物理模型、统计模型和混合模型。物理模型通过大量的气象数据(如：温度、气压等)来对风电功率进行预测。统计模型通过历史数据等建立数学模型来对风电功率进行预测，典型的统计模型有自回归滑动平均模型和自回归积分滑动平均模型等。随着人工智能的发展，人工神经网络、支持向量机模型等模型越来越多地被用于风电功率的预测，传统的人工神经网络和支持向量机结构较为复杂，参数繁多，而极限学习机为单隐层前馈神经网络，具有学习速度快、泛化性好等特点。此外，改进的ELM模型也相继被提出应用于预测领域，如：鲁棒极限学习机(outlierrobustextremelearningmachine，ORELM)相比ELM而言能更好地适应训练集中可能出现的离群点，在线极限学习机(onlinesequentialextremelearningmachine，OSELM)具有的在线机制能在实际的时变系统中实现更好的预测效果。针对风电功率序列非线性和非平稳性的特点，利用有效的方式对时间序列进行分解预处理，对于捕捉数据的特征规律以及提高预测精度都具有重要的作用。较为主流的数据分解方法有经验模态分解技术(empiricalmodedecomposition，EMD)、集成经验模态分解技术(ensembleempiricalmodedecomposition，EEMD)、变模态分解技术(variationalmodedecomposition，VMD)以及小波包分解技术(waveletpacketdecomposition，WPD)等。目前较为常见的实现方案有：(1)基于集成经验模态分解和BP神经网络的混合风电功率预测模型：首先利用集成经验模态分解将原始风电时间序列分解为若干个的子模态，然后对每个子分量建立BP神经网络模型并进行预测，最后通过叠加得到最终的预测结果。(2)基于完备集成经验模态分解与核极限学习机组成的组合风电功率预测模型：首先将风电功率分解为多个固有模态分量，然后利用核极限学习机对各个模态分量进行预测，最后叠加得到最终预测结果。以上两种方案存在一些不足：(1)经验模态分解技术对取样方式和噪声很敏感，且通常所得的第一固有模态分量都包含大量的噪声，而集成经验模态分解技术是对经验模态分解的改进方法，但分解效果仍然不如变模态分解。此外，在进行首次分解处理后，某些子模态分量的波动性仍然很大，不利于后续的预测效果。(2)传统的神经网络，如典型的BP神经网络，参数繁杂，收敛速率很慢且容易陷入局部最优解；原始的极限学习机收敛速度很快，但是容易受到训练集中的离群值干扰，而改进的鲁棒极限学习机可以更好的适应样本含有离群值的情况。然而，实际的风电功率属于时变的在线系统，以上的预测模型对于实际时变系统的预测效果仍然不理想。
技术实现思路
为克服上述现有技术所述的缺陷，本专利技术提出一种基于双重分解的短期风电功率预测方法，首先利用变模态分解技术(variationalmodedecomposition，VMD)对原始风电功率进行分解处理；然后，计算每个子模态的样本熵(Sampleentropy，SE)值，并将SE值明显较大的子分量取出利用WPD进行二次分解操作。最后，分别对所有子模态建立在线鲁棒极限学习机(onlinesequentialoutlierrobustextremelearningmachine，OSORELM)预测模型，得到更好的预测效果。所述的方法包括以下步骤：S1：导入原始风电功率时间序列；S2：利用变模态分解技术将原始风电功率分解为若干个子模态；S3：利用样本熵方法计算S2得到的子模态的样本熵值，得到样本熵值明显较大的子模态和样本熵值较小的子模态；S4：利用小波包分解技术将S3中得到的样本熵值值较大的子模态进行二次分解，分解为若干个信号特征更为明显与平稳的新子模态；S5：利用在线鲁棒极限学习机分别对S3得到的样本熵值较小的子模态和S4二次分解后得到的新子模态建立预测模型，并通过叠加获得最终的风电功率预测结果。本专利技术首先导入原始风电功率时间序列；利用变模态分解技术将原始风电功率分解为若干个子模态；再利用样本熵方法计算子模态的样本熵值，得到样本熵值明显较大的子模态，然后利用小波包分解技术将样本熵值值较大的子模态进行二次分解，分解为若干个信号特征更为明显与平稳的新子模态，最后利用在线鲁棒极限学习机分别对样本熵值较小的子模态和新子模态建立预测模型，并通过叠加获得最终的风电功率预测结果；本专利技术具有较好的分解效果，能更好的捕捉序列特征，且计算速度快且泛化能力更好，具有更高的预测精度，且能更好的适应于实际应用中的时变系统中。优选地，所述步骤S2包括以下步骤：S2.1：利用经验模态分解技术确定分解的子模态分量个数K；S2.2：再通过变模态分解技术预设尺度对风电功率时间序列x(t)进行分解，将风电序列分解为K个中心频率为wk的子模态；S2.3：求解带约束条件的变分问题，得到K个模态函数{uk}，其中可变约束条件为：其中，{uk}为各模态函数，{uk}＝{u1,u2,…uk}；{wk}为各中心频率；为所有模态函数之和；δ(t)为狄拉克分布，“*”表示卷积，uk(t)为第k个子模态信号。优选地，步骤S2.3中的最小化问题可以利用拉格朗日算子进行求解计算，计算公式如下：式中，λ为拉格朗日乘法算子，λ(t)为以t为因变量的拉格朗日乘法算子，a是数据保真度的平衡参数；通过交替方向算子法求解上式；得到的各参数最优值的迭代公式如下：其中，是u(t)的傅里叶变换，而是第n+1次迭代时的结果，为x(t)的傅里叶变换，为λ(t)的傅里叶变换，α为数据保真度的平衡参数，wk为第k个子模态函数的中心频率，w为频率变量，n是迭代次数，ifft(·)表示傅里叶逆变换；代表求解信号的实部。优选地，所述步骤S3具体包括以下步骤：S3.1：给定时间序列{xi}＝{x1,x2,...,xN},(i＝1,2,...,N)，并将其改写为一组m维向量如下：N为风电序列的样本个数；S3.2：定义矢量和的距离为两者对应元素中差值最大的一个，其计算公式为：S3.3：给定r，将r设置为r＝0.2s，s为序列的标准差，统计符合(i≤N-m)的数目记为Ni；定义此数目与总距离数N-m+1的比值，记作并求其对所有i的平均值，记为Bm(r)；计算公式分别表示为：S3.4：令m＝m+1，重复步骤S3.1-S3.3，得到Bm+1(r)，则序列的样本熵值SE计算公式为：当N为有限值时，样本熵值SE可表达为：S3.5：计算出各个子模态的样本熵值后，得到样本熵值值明显较大的子模态，即为一次分解所得到的子模态中波动较大所含噪声较多且不稳定的子模态，并进行进一步分解处理。优选地，所述步骤S4具体包括以下步骤：S4.1：选取小波包分解的参数，本文档来自技高网...

【技术保护点】
1.一种基于双重分解的短期风电功率预测方法，其特征在于，所述的方法包括以下步骤：S1：导入原始风电功率时间序列；S2：利用变模态分解技术将原始风电功率分解为若干个子模态；S3：利用样本熵方法计算S2得到的子模态的样本熵值，得到样本熵值明显较大的子模态和样本熵值较小的子模态；S4：利用小波包分解技术将S3中得到的样本熵值值较大的子模态进行二次分解，分解为若干个信号特征更为明显与平稳的新子模态；S5：利用在线鲁棒极限学习机分别对S3得到的样本熵值较小的子模态和S4二次分解后得到的新子模态建立预测模型，并通过叠加获得最终的风电功率预测结果。

【技术特征摘要】
1.一种基于双重分解的短期风电功率预测方法，其特征在于，所述的方法包括以下步骤：S1：导入原始风电功率时间序列；S2：利用变模态分解技术将原始风电功率分解为若干个子模态；S3：利用样本熵方法计算S2得到的子模态的样本熵值，得到样本熵值明显较大的子模态和样本熵值较小的子模态；S4：利用小波包分解技术将S3中得到的样本熵值值较大的子模态进行二次分解，分解为若干个信号特征更为明显与平稳的新子模态；S5：利用在线鲁棒极限学习机分别对S3得到的样本熵值较小的子模态和S4二次分解后得到的新子模态建立预测模型，并通过叠加获得最终的风电功率预测结果。2.根据权利要求1所述的基于双重分解的短期风电功率预测方法，其特征在于，所述步骤S2包括以下步骤：S2.1：利用经验模态分解技术确定分解的子模态分量个数K；S2.2：再通过变模态分解技术预设尺度对风电功率时间序列x(t)进行分解，将风电序列分解为K个中心频率为wk的子模态；S2.3：求解带约束条件的变分问题，得到K个模态函数{uk}，其中可变约束条件为：其中，{uk}为各模态函数，{uk}＝{u1,u2,…uk}；{wk}为各中心频率；为所有模态函数之和；δ(t)为狄拉克分布，“*”表示卷积，uk(t)为第k个子模态信号。3.根据权利要求2所述的基于双重分解的短期风电功率预测方法，其特征在于，步骤S2.3中的最小化问题可以利用拉格朗日算子进行求解计算，计算公式如下：式中，λ为拉格朗日乘法算子，λ(t)为以t为因变量的拉格朗日乘法算子，a是数据保真度的平衡参数；通过交替方向算子法求解上式；得到的各参数最优值的迭代公式如下：其中，是u(t)的傅里叶变换，而是第n+1次迭代时的结果，为x(t)的傅里叶变换，为λ(t)的傅里叶变换，α为数据保真度的平衡参数，wk为第k个子模态函数的中心频率，w为频率变量，n是迭代次数，ifft(·)表示傅里叶逆变换；代表求解信号的实部。4.根据权利要求1所述的基于双重分解的短期风电功率预测方法，其特征在于，所述步骤S3包括以下步骤：S3.1：给定时间序列{xi}＝{x1,x2,…,xN},(i＝1,2,...,N)，并将其改写为一组m维向量如下：N为风电序列的样本个数；S3.2：定义矢量和的距离为两者对应元素中差值最大的一个，其计算公式为：S3.3：给定r，将r设置为r＝0.2s，s为序列的标准差，...

【专利技术属性】
技术研发人员：彭显刚，张丹，潘可达，刘艺，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44