【技术实现步骤摘要】
一种基于风速分频和权值匹配的RBF超短期风电功率预测方法
本专利技术涉及风电
，是一种基于风速分频和权值匹配的RBF超短期风电功率预测方法。
技术介绍
风电是最具规模化开发条件的新能源，其出力特征不同于火电、核电，是典型的间歇性电源，主要由风速、风向等气象因素决定，具有显著的反调峰特性和不确定性，大规模风电并网给电力系统运行带来严峻的挑战。如能准确的风电功率预测为电力系统安全运行、电力调度带来积极的影响，从而获得更好的经济和环保效益。风电功率超短期预测是指自预测时刻起未来15分钟至4小时的预测预报，时间分辨率为15分钟。超短期预测的意义在于滚动修正计划曲线，及时调整有功出力。现有的超短期预测一般建立了历史输入数据与未来功率输出的映射关系，可以直接根据历史数据预测未来的功率值，从而获得较高的预测精度。对于人工智能法，对于处理非线性时间序列有很大优势，但无法反映系统的动态特性。总体来说，现有的预测无法跟踪未来的功率趋势。
技术实现思路
本专利技术的目的是，克服现有技术的不足，提供...
【技术保护点】
1.一种基于风速分频和权值匹配的RBF超短期风电功率预测方法，其特征在于：它包括以下步骤：/n1)不同频率风速特征的提取/n数值天气预报信息中包含温度、动量通量、风向、各高度风速、湿度等信息，其中由于轮毂高度处的风速信息与功率的联系最为紧密，因此对100米风速信息进行波动特征的提取，对于波动特征的提取是通过最小二乘滤波和经验模态分解(EMD)两种方法得到的，具体步骤如下：/n①对四个高度的异常风速数据进行最小二乘滤波处理，最小二乘法是将输入的暂态信号与一预设的含有非周期分量、基波分量和某些整次谐波分量的函数依据最小二乘法原则进行拟合，其拟合函数为/n
【技术特征摘要】
1.一种基于风速分频和权值匹配的RBF超短期风电功率预测方法，其特征在于：它包括以下步骤：
1)不同频率风速特征的提取
数值天气预报信息中包含温度、动量通量、风向、各高度风速、湿度等信息，其中由于轮毂高度处的风速信息与功率的联系最为紧密，因此对100米风速信息进行波动特征的提取，对于波动特征的提取是通过最小二乘滤波和经验模态分解(EMD)两种方法得到的，具体步骤如下：
①对四个高度的异常风速数据进行最小二乘滤波处理，最小二乘法是将输入的暂态信号与一预设的含有非周期分量、基波分量和某些整次谐波分量的函数依据最小二乘法原则进行拟合，其拟合函数为
式中XRn、XIn分别为n次谐波信号的实部和虚部,即XRn＝Xncosθn,XIn＝Xnsinθn；Xn为信号的幅值，θn为初相角；X0为衰减非周期分量的起始值，Td为时间常数；
②滤波以后得到趋势分量和残差分量,对于趋势分量进行经验模态分解(EMD)，经验模态分解(EMD)主要应用于非线性、非平稳性时间序列的处理与分析，经验模态分解(EMD)能够克服基函数无自适应性的问题，对于一段未知信号，不需要做预先分析和研究，就可以直接开始分解；经验模态分解(EMD)将时间序列x(t)分解成数个本征模函数(IMF)和残余项r(t)，r(t)通常代表时间序列的整体趋势，
x(t)＝∑IMFs+r(t)(2)
③对经验模态分解(EMD)得到的本征模函数(IMF)与最小二乘滤波得到的残差分量整合，通过计算各模态分量之间的欧氏距离对其进行层次聚类，
式中Xi、Yi分别表示两种模态变量第i时刻的对应元素；
通过模态合并能够将数量有限个本征模函数(IMF)合并为两类，将频率最高，幅值最低的一类定义为高频分量；将剩余的一类定义为中频分量；将经验模态(EMD)分接得到的残余项r(t),定义为低频分量；
2)风速区间的划分
通过对历史的功率和轮毂高度处的实测风速进行处理，绘制风速-功率散点图，并拟合出风速-功率曲线，从而得到风机的切入风速与切除风速，将风速小于切入风速所对应功率数据置零，将风速大于切出风速所对应的功率数据按照最大输出功率进行替换；
对于处于切入风速与切出风速之间的数据按照风速大小进行三等分，其中，数值最小的风速段定义为低风速段；数值较小的风速段定义为中风速段；数值最大的风速段定义为高风速段；
3)径向基函数(RBF)神经网络的训练
首先，将待预测时段前三个月中前两个月的数值天气预报100米风速信息与对应功率作为径向基函数(RBF)神经网络的训练集，将后一个月的信息作为径向...
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。