基于数据挖掘和变分模态分解的可再生能源短期预测方法技术

本发明专利技术公开了一种基于数据挖掘和变分模态分解的可再生能源短期预测方法，包括以下步骤：1)聚类过程划分数据簇：在给定的数据集中，通过聚类算法将其分成一些不同的组，提取历史发电与环境特征相似的数据至同一个类中；2)变分模态分解处理历史数据：通过不断迭代并搜寻出变分模型的最优解以确定出每个模态分量带宽和中心频率，将信号在频域内进行自适应的剖分；3)利用极限学习机预测未来数据。本发明专利技术实施例的技术方案结合了K‑means聚类技术，变分模态分解和极限学习机来预测可再生能源的的发电量；本发明专利技术相比于传统预测方法具有更好的准确性。

Short term prediction of renewable energy based on data mining and variational mode decomposition

【技术实现步骤摘要】
基于数据挖掘和变分模态分解的可再生能源短期预测方法
本专利技术涉及一种基于数据挖掘和变分模态分解的可再生能源短期预测方法，属于新能源发电

技术介绍
随着传统化石燃料的日益枯竭，风能，太阳能等可再生能源(RES)在电力系统中的应用越来越多。微电网(MG)能将各种可再生能源集成到电网中，通常由分布式能源、可控负荷、储能设备等元件组成，在近年来发展迅速。然而，由于可再生能源的高度可变和间歇性，微电网的可靠性和稳定性难以保证。精确的可再生能源预测对于提升微电网电能质量，加强微电网能源管理有重要意义，也能有效微电网的运营成本。多年来，国内外学者做了大量可再生能源预测研究。预测算法主要分为三类：物理模型、统计模型和混合模型。物理模型为专门场景建立专门模型，不需要大量历史数据来训练模型。如采用数值天气预报(NWP)模型直接预测半小时风速。然而，这种方法需要大量的计算过程和丰富的气象知识来实现精确的模型。此外，由于特定的气象和地理条件因素，这种方法的通用性很差。统计模型是一种时间序列预测模型，在实际电力系统中得到了更广泛的应用。统计模型旨在寻本文档来自技高网...

【技术保护点】
1.一种基于数据挖掘和变分模态分解的可再生能源短期预测方法，其特征是，包括以下步骤：/n1)聚类过程划分数据簇：在给定的数据集中，通过聚类算法将其分成不同的组，提取历史发电与环境特征相似的数据至同一个类中；/n2)变分模态分解处理历史数据：通过不断迭代并搜寻出变分模型的最优解以确定出每个模态分量带宽和中心频率，将信号在频域内进行自适应的剖分；/n3)利用极限学习机预测未来数据。/n

【技术特征摘要】
1.一种基于数据挖掘和变分模态分解的可再生能源短期预测方法，其特征是，包括以下步骤：
1)聚类过程划分数据簇：在给定的数据集中，通过聚类算法将其分成不同的组，提取历史发电与环境特征相似的数据至同一个类中；
2)变分模态分解处理历史数据：通过不断迭代并搜寻出变分模型的最优解以确定出每个模态分量带宽和中心频率，将信号在频域内进行自适应的剖分；
3)利用极限学习机预测未来数据。


2.根据权利要求1所述的基于数据挖掘和变分模态分解的可再生能源短期预测方法，其特征是，所述聚类过程划分数据簇的过程包括以下步骤：
1)、选择聚类特征：
选择温度、风速和历史功率数据作为聚类样本；
根据温度，风速和历史数据，将聚类样本构造为：
sWPG＝[tmin，tmax，tmean，vmin，vmax，vmean，xWPG，min，xWPG，max，xWPG，mean](3)
其中，sWPG包括了一天中温度、风速和风力发电功率的最小值、最大值和平均值；
光伏发电训练集以湿度和云量作为主要气象因素，结合光伏发电历史数据，聚类样本构建为：
sPV＝[hmin，hmax，hmean，cmin，cmax，cmean，xPV，min，xPV，max，xPV，mean](4)
其中，sPV包括了一天中湿度、云量和光伏发电功率的最小值、最大值和平均值；
2)、选择数据挖掘算法：
给定n个样本的数据集X＝[X1，...，Xn]，其中每个样本都是s维实数向量，利用K-means算法最小化如下目标函数：



其中，||Xi-cj||2是第i个样本和第j个质心之间的欧几里德距离；
将数据集划分为k(1＜k＜n)个类C＝[C1，...，Ck]，并确定k个聚类中心(即质心)c＝[c1，...，ck]，即质心；
3)、基于相关系数的相似数据提取：
假设cm＝[cm1，...，cmM]T代表第m个聚类中心的数据，y＝[y1，...，yM]T代表预测日的数据；类Cm和预测目标Y之间的相似度公式如下所示：



其中Cov(cm，y)是cm和y的协方差；σcm和σy分别代表cm和y的方差；r(cm，y)的值表示第m个聚类和目标样本之间的相关程度；
当r(cm，y)的值大于0.8时，相应的类被选为最佳类，由变分模态分解算法分解。


3.根据权利要求2所述的基于数据挖掘和变分模态分解的可再生能源短期预测方法，其特征是，所述利用K-means算法最小化目标函数过程为：
1)随机选取k个样本作为初始质心；
2)通过计算欧几里德距离将所有样本重新分配到最近的质心，使得目标函数J最小化；
3)计算各个类中所有样本的平均值来修改质心；
4)如果质心不再发生变化或达到迭代次数，则停止；否则，回到步骤2。


4.根据权利要求2所述的基于数据挖掘和变分模态分解的可再生能源短期预测方法，其特征是，所述变分模态分解处理历史数据的过程为：
给定实值信号xi(t)，IMF定义为：
uk(t)＝Ak(t)cos(φk(t))(7)
其中，Ak(t)是uk(t)的幅值且Ak(t)≥0；相位φk(t)是非递减函数且φ′k(t)≥0；
假设原始信号f分解为k个IMF，各IMF均具有中心频率ωk和有限带宽，构造约束变分模型如下：






其中，{uk}：＝{u1，...，uk}和{ωk}：＝{ω1，...，ωk}分别代表各模态分量及其中心频率，δt为脉冲函数；
引入二次惩罚因子α和拉格朗日乘子函数λ，将...

【专利技术属性】
技术研发人员：杨冬，邢鲁华，周宁，王亮，李山，张冰，房俏，张志轩，蒋哲，马欢，李文博，刘文学，陈博，赵康，麻常辉，
申请(专利权)人：国网山东省电力公司电力科学研究院，国家电网有限公司，
类型：发明
国别省市：山东;37