基于数据融合的超短期风速区间预测方法技术

本发明专利技术涉及风电场风速预测方法技术领域，是一种基于数据融合的超短期风速区间预测方法，包括用CEEMDAN算法分解原始风速序列；利用相关系数法对CEEMDAN算法分解得到的分量进行数据融合，然后进行预测。本发明专利技术所述基于数据融合的超短期风速区间预测方法，使用CEEMDAN分解原始风速，样本熵进行数据融合，采用传统的置信区间法对风速区间进行预测，不仅能够去除原始风速数据冗余的无用信息、噪声，还能够对特征信息进行筛选提取，提高预测精度。提高预测精度。提高预测精度。

【技术实现步骤摘要】
基于数据融合的超短期风速区间预测方法


[0001]本专利技术涉及风电场风速预测方法
，是一种基于数据融合的超短期风速区间预测方法。

技术介绍

[0002]随着国际社会能源紧缺压力的不断增大、日益严峻的环境污染和气候变化等问题，风力发电以及洁净、无污染、可再生的绿色能源的特点得到了国际社会的高度重视。风电技术日益成熟，风电装机容量不断增大，并网性能不断改善，发电效率不断提高，风电产业在全球能源产业中脱颖而出。近年来，随着科技的进步，风力发电在我国得到了持续快速的发展，截止目前，风电场的装机比例大幅增多，风电渗透率不断增加。但由于风能资源的间歇性和不确定性，以及风力发电的反调峰特性，大规模风电并网对电网电能质量造成一定影响。同时，我国电力需求放缓、风电本地消纳不足。以及部分地区配套电网建设与风电建设不协调等原因，使得弃风限电现象严重。
[0003]因此，如何预测风电场的风速，实现优化发电的效率，成为本行业亟待解决的问题。

技术实现思路

[0004]本专利技术提供了一种基于数据融合的超短期风速区间预测方法，克服了上述现有技术之不足，为了更好地获得风速预测值，降低风速的噪点，本专利技术运用组合模型进行风速预测。由于历史风速序列中包含噪声等无用信息，同时受限于建模算法的制约，风速数据中包含的时序特征信息不能被有效提取，导致风速预测模型的精度下降；由此本专利技术引用CEEMDAN分解算法将风速序列输入按照不同的时间和频率尺度进行分解，分解得到的特征子序列再进行预测，这种方法不仅能够去除冗余的无用信息、噪声，还能够对特征信息进行筛选提取，提高建模精度。
[0005]本专利技术的技术方案是通过以下措施来实现的：一种基于数据融合的超短期风速区间预测方法，包括下述步骤：
[0006]S1：获取原始风速并剔除数据异常值；
[0007]S2：利用CEEMDAN算法分解原始风速序列；
[0008]S3：利用相关系数法对CEEMDAN算法分解得到的分量进行数据融合；
[0009]S4：由于风速预测误差服从正态分布，对S3步骤得到的数据依据置信区间法对风速区间进行预测，得到风速预测区间。
[0010]下面是对上述专利技术技术方案的进一步优化或/和改进：
[0011]上述S2中，在原始风速数据中加入符合标准正态分布的高斯白噪声，从而第i次的数据用下式表达：
[0012]X
i
(n)＝X(n)+ω
i
(n)(i＝1,
…
,I)
ꢀꢀꢀꢀꢀꢀ
(1)
[0013]式中，X(n)表示原始数据，ω(n)表示符合标准正态分布的高斯白噪声，X
i
(n)表示
第i次的数据，I为测试数量；
[0014]利用集合经验模态分解(EEMD)对X
i
(n)实行分解，能够获取IMF1和余量R1(n)：
[0015][0016]向R1(n)中增加白噪声ω1(n)，对其分解操作得到IMF2和余量R2(n)，重复上述分解操作直到余量R(n)达到最大分解次数，即其极值点个数不超过1个时终止分解过程；经过分解后，X(n)分解得到m个模态分量和一个剩余分量：
[0017][0018]上述S3中，采用相关系数法筛选经CEEMDAN分解得到的IMF分量，去除伪IMF分量，
[0019][0020]式中，X(i)和Y(i)分别表示原始数据和数据分量，和分别表示原始数据和数据分量的平均值。
[0021]本专利技术所述基于数据融合的超短期风速区间预测方法，使用CEEMDAN分解原始风速，样本熵进行数据融合，采用传统的置信区间法对风速区间进行预测，不仅能够去除原始风速数据冗余的无用信息、噪声，还能够对特征信息进行筛选提取，提高预测精度。
附图说明
[0022]图1为本专利技术的流程图。
[0023]图2为CEEMDAN流程图。
[0024]图3为原始风速的CEEMDAN分解结果图。
[0025]图4为原始风速时间序列图。
[0026]图5为DBN的结构图。
[0027]图6为95％置信区间下的某超短期风速预测结果。
[0028]图6中，下图为上图的局部放大图。
具体实施方式
[0029]本专利技术不受下述实施例的限制，可根据本专利技术的技术方案与实际情况来确定具体的实施方式。
[0030]下面结合实施例对本专利技术作进一步描述：
[0031]实施例1：如附图1所示，该基于数据融合的超短期风速区间预测方法，包括下述步骤：
[0032]S1：获取原始风速序列并剔除数据异常值；
[0033]S2：利用CEEMDAN算法分解原始风速序列；
[0034]S3：利用相关系数法对CEEMDAN算法分解得到的分量进行数据融合；
[0035]S4：由于风速预测误差服从正态分布，对S3步骤得到的数据依据置信区间法对风
速区间进行预测，得到风速预测区间。
[0036]置信区间法的模型具体为：
[0037]根据区间预测的定义可知，当预测值在额定置信水平时(Prediction Intervals Norminal Confidence,PINC)，PINC＝100(1
‑
α)％，预测目标值接近额定置信水平的概率落在预测区间内，即：
[0038]其中，为第i点的风速预测值期望值，y
i
为第i点的风速实际值，和分别代表在额定置信水平α下预测区间的上边界和下边界。
[0039]风速预测样本的平均值为标准差σ，其整体数据的平均值的100(1
‑
α)％置信区间的上边界下边界其中α为非置信水平在正态分布内的覆盖面积，Z
α/2
为对应的标准分数。
[0040]风速的区间预测误差分析主要从以下两方面来评价模型的准确性和预测精度：一是概率预测结果是否可靠；二是预测区间的宽度和覆盖率，应当在预测区间尽可能窄的前提下保障风速实际值落在预测值区间的概率。
[0041]因此，本专利技术选三项评价指标对区间预测的误差进行判定。
[0042](1)平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)
[0043][0044](2)预测区间覆盖概率(Prediction Intervial Coverage Probaility,PICP)
[0045][0046]其中，ξ
(1
‑
α)
为置信度1
‑
α下落在预测置信区间的实际值得个数，N代表预测样本的个数。
[0047](3)预测区间平均带宽(Prediction Intervial Normalized Average Width，PINAW)
[0048][0049]其中，R表示预测目标的变化范围，即预测目标的最大值减最小值。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据融合的超短期风速区间预测方法，其特征在于包括下述步骤：S1：获取原始风速并剔除数据异常值；S2：利用CEEMDAN算法分解原始风速序列；S3：利用相关系数法对CEEMDAN算法分解得到的分量进行数据融合；S4：由于风速预测误差服从正态分布，对S3步骤得到的数据依据置信区间法对风速区间进行预测，得到风速预测区间。2.根据权利要求1所述的基于数据融合的超短期风速区间预测方法，其特征在于S2中，在原始风速数据中加入符合标准正态分布的高斯白噪声，从而第i次的数据用下式表达：X
i
(n)＝X(n)+ω
i
(n)(i＝1,
…
,I)
ꢀꢀꢀꢀꢀꢀꢀ
(1)式中，X(...

【专利技术属性】
技术研发人员：韩宏志，孔德安，王晓宇，郜宁，钱白云，康永昊，李永基，郑鑫，刘江山，段兵德，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：