一种风电功率短期预测方法技术

一种风电功率短期预测方法，属于新能源发电技术领域，包括如下步骤：采用集合经验模态分解将原始风速时间序列进行模态分解，再次应用EEMD对一次集合经验模态分解得到的IMF1分量进行二次剖分；对得到的全部子序列进行相空间重构，分别进行建模预测，对每个子序列的风速数据作为模型的训练样本，建立EM

【技术实现步骤摘要】
一种风电功率短期预测方法


[0001]本专利技术属于新能源发电
，具体涉及一种风电功率短期预测方法。

技术介绍

[0002]风电的大规模发展虽然有效地缓解了能源危机和环境污染问题，但是由于影响风能的因素众多，导致风机出力存在随机性、波动性和不稳定性，带来了不完全可控的特点，而大规模风电接入给电力系统的稳定运行和调度带来影响，因此精确的短期风电功率预测对于提升电力系统经济稳定运行十分重要。
[0003]对于风电功率预测，主要是基于风电场的历史数据、数值天气预报NWP(Numerical Weather Prediction)、风速
‑
风功率转化特性，结合物理、统计及组合等预测模型，实现多时尺度的预测。采用物理模型必须依靠成熟的NWP体系，量化分析处理风电场风速、风向、温度、大气湿度和气压等历史气象数据，并将其代入功率曲线求出实际功率，此方法受限于NWP更新速度，适合风电功率的中短期预测，因此在风机检修、调试等场合较为常见。
[0004]统计学习法基于机器学习的思想，弥补了统计法的不足，提高了模型的灵活性。目前研究的重点是风电功率对风速、风向的波动响应，对于风速的研究是今后发展的重点。基于气象监测站提供的数据，建立风电功率短期预测模型，采用集合经验模态分解EEMD，避免了波形分解过程中可能出现的模态混叠现象，提高了模型预测的健壮性，改善了风电功率预测的精度。

技术实现思路

[0005]基于上述技术问题，本专利技术提出了一种风电功率短期预测方法，通过二次集合经验模态分解的方法解决了第一个本征模态函数高复杂度的问题，并且建立EM
‑
AD
‑
ELM模型，从而确定了ELM的网络结构即隐含层的个数并且降低了其过拟合的机会，解决了隐含层神经元设计过少，不能对序列进行很好的拟合，设计过多会造成运算成本的提升的问题并减少了过拟合的机会，进而提高了预测的精度。
[0006]本专利技术采用如下技术方案：
[0007]一种风电功率短期预测方法，包括如下步骤：
[0008](Ⅰ)采用集合经验模态分解将SCADA系统记录的原始风速时间序列进行模态分解，再次应用EEMD对一次集合经验模态分解得到的IMF1分量进行二次剖分，得到多个不同频段的稳定的风速子序列，具体步骤如下：
[0009](1)首先对第一个本征模态函数添加的白噪声产生新的序列y1(t)，由控制，r为迭代的次数；α为白噪声的幅值；e
r
是误差的标准偏差；
[0010](2)使用三次样条插值的办法分别求出加入白噪声后的序列的上、下包络线，并求出其上下包络线的平均值h1(t)；
[0011](3)令m1(t)＝y1(t)
‑
h1(t)，并检查{m1(t)}是否是IMF分量，用剩余的r1(t)＝y1(t)
‑
h1(t)代替{y(t)}，否则，将{y1(t)}替换为{m1(t)}，并重复步骤(2)；
Empirical Mode Decomposition,EEMD)的方法将原始风速信号分解为频域稳定的子序列，考虑到得到的第一个本征模态函数(Intrinsic Mode Function，IMF)还具有不稳定的特点，本方法对一次集合经验模态分解得到的第一个本征模态函数采用二次集合经验模态分解，获得更加平稳的风速子序列。使用改进的极限学习机(Extreme Learning Machine,ELM)对各序列分别建模预测，极限学习机的拟合性能在一定程度上受到网络结构和输入数据的影响，从而建立EM
‑
AD
‑
ELM模型可以确定其隐含层的具体数目并且减少过拟合的机会，根据风速的预测模型及风速
‑
功率转换关系，进而预测出风电功率。
附图说明
[0027]图1为本专利技术风电功率预测流程图；
[0028]图2为本专利技术风电功率短期及超短期预测流程图；
[0029]图3为风速时间序列图；
[0030]图4为隐含层神经元个数。
具体实施方式
[0031]下面结合附图及实施例对本专利技术作进一步描述。
[0032]本专利技术为一种基于EEMD
‑
EM
‑
AD
‑
ELM风电功率短期预测方法，采用如下步骤：
[0033]1.(1)采用集合经验模态分解将SCADA系统记录的原始风速时间序列进行模态分解。考虑到得到的第一个本征模态函数仍然具有不稳定性，本文提出再次应用EEMD对一次集合经验模态分解得到的IMF1分量进行二次剖分，得到多个不同频段的稳定的风速子序列。
[0034](2)对得到的全部子序列进行相空间重构。分别进行建模预测，对每个子序列的风速数据作为模型的训练样本，考虑到ELM隐含层神经元设计过少，不能对序列进行很好的拟合，设计过多会造成运算成本的提升以及防止网络结构过于复杂出现过度拟合的问题，从而本文提出了一种EM
‑
AD
‑
ELM模型可以确定ELM隐含层的具体数目并且大大减小了过拟合的机会。
[0035](3)采用风速
‑
风功率转化曲线建立数学模型，结合风速预测值从而可求得风电功率的预测值。
[0036]2.(1)首先对第一个本征模态函数添加的白噪声产生新的序列y1(t)，由控制，r为迭代的次数；α为白噪声的幅值；e
r
是误差的标准偏差。
[0037](2)使用三次样条插值的办法分别求出加入白噪声后的序列的上、下包络线，并求出其上下包络线的平均值h1(t)。
[0038](3)令m1(t)＝y1(t)
‑
h1(t)，并检查{m1(t)}是否是IMF分量。用剩余的r1(t)＝y1(t)
‑
h1(t)代替{y(t)}。否则，将{y1(t)}替换为{m1(t)}，并重复步骤(2)。
[0039](4)重复以上步骤中的过程共n次，直到不能再计算得到IMF并且剩余部分r
1n
(t)变成单调函数。最后将n次分解得到的全部分量集成平均后作为最终的结果。此时得到的子序列会更加稳定，提高了短期风电功率预测的精度。
[0040]3.(1)初始化一个有L0个隐节点的单隐层前向神经网络，L0为一人为设定小的正整数；
[0041](2)计算隐藏层输出矩阵H1；
[0042](3)计算相应残差E(H1)。
[0043](4)本文设置k＝0，ε＝0.01，当且E(H
k
)＞ε，进行以下迭代：
①
k＝k+1；
②
随机增加δL
k
‑1个隐节点，总隐节点数目为：L
k
＝L
k
‑1+δL
k
‑1，相应隐藏层输出矩阵H
k+1
＝[H
k
,δH
k
]；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电功率短期预测方法，其特征在于：包括如下步骤：(Ⅰ)采用集合经验模态分解将SCADA系统记录的原始风速时间序列进行模态分解，再次应用EEMD对一次集合经验模态分解得到的IMF1分量进行二次剖分，得到多个不同频段的稳定的风速子序列，具体步骤如下：(1)首先对第一个本征模态函数添加的白噪声产生新的序列y1(t)，由控制，r为迭代的次数；α为白噪声的幅值；e
r
是误差的标准偏差；(2)使用三次样条插值的办法分别求出加入白噪声后的序列的上、下包络线，并求出其上下包络线的平均值h1(t)；(3)令m1(t)＝y1(t)
‑
h1(t)，并检查{m1(t)}是否是IMF分量，用剩余的r1(t)＝y1(t)
‑
h1(t)代替{y(t)}，否则，将{y1(t)}替换为{m1(t)}，并重复步骤(2)；(4)重复以上步骤中的过程共n次，直到不能再计算得到IMF并且剩余部分r
1n
(t)变成单调函数，最后将n次分解得到的全部分量集成平均后作为最终的结果；(Ⅱ)对得到的全部子序列进行相空间重构，分别进行建模预测，对每个子序列的风速数据作为模型的训练样本，建立EM
‑
AD
‑
ELM模型确定ELM隐含层的具体数目，具体步骤如下：(1)初始化一个有L0个隐节点的单隐层前向神经网络，L0为一个人为设定小的正整数；(2)计算隐藏层输出矩阵H1；(3)计算相应残差E(H1)；(4)设置k＝0，ε＝0.01，当且E(H
k
)＞ε，进行以下迭代：
①
k＝k+1；
②
随机增加δL
k
‑1个...

【专利技术属性】
技术研发人员：单锦宁，赵军，凌兆伟，王琛淇，陈鑫宇，殷艳红，陆美竹，白佳庆，马艳娟，
申请(专利权)人：国网辽宁省电力有限公司阜新供电公司，
类型：发明
国别省市：