基于EWT-PDBN组合的短期风电功率预测方法技术

本发明专利技术提供了一种基于EWT‑PDBN组合的短期风电功率预测方法，包括以下步骤：A、采集风电场的数值天气预报数据与历史风电功率数据；B、对采集到的所有数据进行预处理和归一化处理；C、利用经验小波变换信号分解技术，对归一化后的历史平均风电功率数据进行分解；D、对分解出的不同本征模态分量函数子序列进行相关性筛选，然后将筛选出组子序列分别和经过归一化处理后的其它数据共同作为输入数据，输入到粒子群优化的深度信念网络模型中预测，得到组预测数据；E、将组预测数据进行叠加重构成一组数据，然后对该一组数据进行反归一化处理，得出的结果作为最终的风电功率预测结果。本发明专利技术通过EWT‑PDBN组合预测，得出精度高，误差小的风电功率预测结果。

【技术实现步骤摘要】
基于EWT-PDBN组合的短期风电功率预测方法
本专利技术涉及一种风电功率预测
，具体地说是一种基于EWT-PDBN组合的短期风电功率预测方法。
技术介绍
与传统能源相比，风能是一种具有广泛发展前景的间歇性新能源之一，但由于气候环境持续性变化，风速和风力发电功率呈现出波动性、随机性等特性。近年来，我国风电装机容量不断增长，风电的不稳定性削弱了含风电的电力系统对电能的可控性，同时也给大规模风电并网后电力系统的安全稳定运行带来了很多问题，制约了风电的进一步发展。虽然目前也有一些方法能够解决这些问题，但大部分方法牺牲了系统运行的经济性，如加装系统备用容量等。因此，对风速或风电功率进行准确预测不但能在很大程度上解决风电固有特性带来的问题，而且可以减轻风电非平稳性对电网的冲击力，节约电力系统的运行成本。目前常用的风电场功率预测按建模方法分为物理、统计和智能方法；按预测时间尺度分为长期、中期、短期和超短期预测；按预测方式分为直接和间接预测。由于人工智能领域的不断发展，神经网络作为一种机器学习技术，在时间序列数据预测中已显示出良好的预测效果。但本文档来自技高网...

【技术保护点】
1.一种基于EWT-PDBN组合的短期风电功率预测方法，其特征是，包括以下步骤：/nA、采集风场的数值天气预报数据与历史风电功率数据，数值天气预报数据包括风速、温度、气压、平均海平面的大气压和相对湿度，历史风电功率数据包括历史最大风电功率数据，历史最小风电功率数据和历史平均风电功率数据；/nB、对采集到的所有数据进行预处理，然后对预处理过后的所有数据进行归一化处理；/nC、利用经验小波变换信号分解技术，对归一化后的历史平均风电功率数据进行分解，作平稳化处理，得到多组不同特征频率的子序列；/nD、对分解出的不同子序列进行相关性筛选，筛选出n组子序列，然后将筛选出n组子序列分别和经过归一化处理后的...

【技术特征摘要】
1.一种基于EWT-PDBN组合的短期风电功率预测方法，其特征是，包括以下步骤：
A、采集风场的数值天气预报数据与历史风电功率数据，数值天气预报数据包括风速、温度、气压、平均海平面的大气压和相对湿度，历史风电功率数据包括历史最大风电功率数据，历史最小风电功率数据和历史平均风电功率数据；
B、对采集到的所有数据进行预处理，然后对预处理过后的所有数据进行归一化处理；
C、利用经验小波变换信号分解技术，对归一化后的历史平均风电功率数据进行分解，作平稳化处理，得到多组不同特征频率的子序列；
D、对分解出的不同子序列进行相关性筛选，筛选出n组子序列，然后将筛选出n组子序列分别和经过归一化处理后的数值天气预报数据、历史最大风电功率数据、历史最小风电功率数据共同作为输入数据，通过粒子群优化的深度信念网络模型中预测，得到n组预测数据；
E、将n组预测数据进行叠加重构成一组数据，然后对该一组数据进行反归一化处理，得出的结果作为最终的风电功率预测结果，再根据误差评价指标进行预测结果分析。


2.根据权利要求1所述的基于EWT-PDBN组合的短期风电功率预测方法，其特征是，在步骤A中，对采集到的数值天气预报数据与历史风电功率数据进行预处理，即进行异常值处理，具体处理方法如下：
(一)、将数值天气预报数据与历史风电功率数据的时间分辨率设为15min；
(二)、用前一个时刻的数据补全缺测的数据；
(三)、用0替换小于0的历史功率数据；
(四)、用相邻时刻求平均值替换异常数据进行插补；
(五)、用风机的额定功率值替换超出阈值的历史功率数据值。


3.根据权利要求1所述的基于EWT-PDBN组合的短期风电功率预测方法，其特征是，在步骤B中，对所有数据值进行归一化处理，将其数值归算到区间[-1，1]内，归一化的计算公式为：



其中，xg为数据归一化的结果；x、xmin、xmax分别为数据值、数据中的最小值、数据中的最大值；
在步骤E中，对叠加重构成的一组数据进行反归一化处理使其具有物理意义，反归一化的计算公式为：
xf＝x′(xmax-xmin)+xmin(2)
其中，x′为EWT-PDBN预测模型的输出值；xf为反归一化获得的风电功率数据预测值。


4.根据权利要求1所述的基于EWT-PDBN组合的短期风电功率预测方法，其特征是，在步骤C中，将归一化后的具有非平稳性的历史平均风电功率数据采用EWT算法进行分解，分解得到n个不同模态分量的子序列，每个子序列定义为一组调幅及调频信号，EWT算法的实现包括以下步骤：
(C1)、对傅里叶轴的[0,π]进行自适应的分割，分割为N个连续的小区间，ωn表示每个小区间的宽度大小，每一个小区间用Λn＝[ωn-1,ωn]表示，τn为以每个ωn为中心的过渡区域，过渡区域宽度为2τn；
(C2)、在每一个小区间Λn上，依据Littlewood-Paley和Meyer小波变换方法，构造经验小波函数和经验小波尺度函数在频域内的定义为公式(3)和公式(4)：






其中，τn＝γωn，函数β(x)满足公式(5)和公式(6)：






满足上述性质的函数有许多，使用最多的是令β(x)＝x4(35-84x+70x2-20x3)，对任意n>0，将经验小波函数和尺度函数进一步化简表示为公式(7)和公式(8)：






(C3)、根据经验小波函数和尺度函数来确定经验小波函数的细节系数与近似系数将傅里叶变换和傅里叶逆变换分别记作F[g]和F-1[g]，经验小波变换的细节系数可通过经验小波函数的内积得到：



其中，“<g>”为内积运算；ψn(t)为经验小波函数；为经验小波函数ψn(t)的傅里叶变换；为经验小波函数ψn(t)的复共轭；
近似系数可通过尺度函数的内积得到：



其中，“<g>”为内积运算；φ1(t)为经验尺度函数；为尺度函数φ1(t)的傅里叶变换；为尺度函数φ1(t)的复共轭；
(C4)、根据经验小波函数的细节系数与近似系数来重建原始信号，公式为：



其中，“*”为卷积运算；和分别为经验小波变换细节系数和近似系数的傅里叶变换，原信号分解为经验模态分量公式为：





5.根据权利要求1所述的基于EWT-PDBN组合的短期风电功率预测方法，其特征是，在步骤D中粒子群优化的深度信念网络模型的实现包括以下步骤：
a、利用PSO优化算法来搜索受限玻尔兹曼机中最佳隐含层的节点数参数，然后初始化DBN网络参数、粒子种群数，其次计算粒子适应度函数值，更新粒子最优值和群体最优值；
b、检查系统是否达到迭代次数，是则输出该参数值，建立与之对应的RBM网络，否则返回步骤1进行再一次迭代；
c、筛选与历史平均风电功率数据序列相关程度较大的子序列，并分别输入到PSO已优化好的无监督RBM中进行预训练，而后按照BPNN微调阶段方法进行调整，形成各子序列对应的PDBN网络预测模型；
d、将历史平均风电功率的测试数据按EWT算法进行分解，并筛选出n组子序列，将n组子序列分别和经过归一化处理后的数值天气预报数据、历史最大风电功率数据、历史最小风电功率数据共同作为输入数据，通过...

【专利技术属性】
技术研发人员：王硕禾，张嘉姗，郭威，常宇健，蔡承才，刘晗，
申请(专利权)人：石家庄铁道大学，
类型：发明
国别省市：河北;13