【技术实现步骤摘要】
一种基于PRELM的短期风电功率区间预测方法
[0001]本专利技术涉及风电功率预测领域,具体是一种基于PRELM的短期风电功率区间预测方法。
技术介绍
[0002]近年来,风电等可再生能源快速发展,风力发电量迅速增长。然而,由于气候、地形、发电设备等诸多因素的影响,造成了风力发电具有典型的间歇性和不确定性等特点,这给电力系统规划以及电网的安全稳定运带来了巨大的挑战。然而,传统点预测属于确定性预测,这很难定量描述风电功率预测存在的不确定性。风电时间序列是非平稳具有高度不确定性的。在一些风电高渗透率地区,电网运行调度需要对风电不确定性进行精确估计,点预测难以满足需求。相比于确定性预测,区间预测能得到更多有用的信息。同时,由于受天气、地域等因素的影响,风电序列是非平稳含有大量噪声的复杂序列。在构建预测模型之前将时间序列进行适当的分解能有效提升预测效果。已有分解方法存在对阈值敏感、模态混叠问题。因此,考虑风电数据内在特性,增强预测模型抗噪声能力,进一步提高预测效率和鲁棒性,进行短期风电功率区间预测研究具有重要意义。准确的风电预测在电网安全、电力调度运行以及电力市场中十分重要。
技术实现思路
[0003]鉴于上述技术缺点,本专利技术提供了一种基于PRELM的短期风电功率区间预测方法。
[0004]为实现上述专利技术目的,本专利技术的技术方案如下:
[0005]一种基于PRELM的短期风电功率区间预测方法,包括如下步骤:
[0006]S1,输入原始风电数据,建立AVMD算法,通过AVMD
【技术保护点】
【技术特征摘要】
1.一种基于PRELM的短期风电功率区间预测方法,其特征在于,包括如下步骤:S1,输入原始风电数据,建立AVMD算法,通过AVMD算法对原始风电数据的序列进行分解,得到设定个数的子序列,通过分类规则将分解后的子序列分类为三类序列成分;S2,通过PRELM预测方法建立备选区间预测模型,通过对备选区间预测模型进行训练,获得区间预测模型;S3,通过区间预测模型对三类序列成分进行预测,获得三类预测区间;S4,通过将三类预测区间上下界分别进行叠加,生成风电功率预测区间。2.根据权利要求1所述的一种基于PRELM的短期风电功率区间预测方法,其特征在于,步骤S1中所述的建立AVMD算法的过程如下:步骤一,输入原始风电数据;步骤二,通过VMD对原始风电数据进行分解,计算分解后的子序列间的相关系数,并确定当前最大相关系数,根据相关系数确定初始化分解个数K为2;不同子序列间相关系数定义如下:式中,x(n)、y(n)为不同子序列,N为样本个数;步骤三,判断当前最大相关系数是否大于相关系数的阈值,若判断结果为否,则返回步骤二中,并令K=K+1;若判断结果为是,则取分解个数为:K=K
‑
1;步骤四,初始化PSO的各参数,每个PSO粒子的代表惩罚参数α的潜在解,通过如下步骤进行迭代:(1)通过步骤三确定的分解个数K以及每个PSO粒子所对应的惩罚参数α,通过VMD对原始风电数据进行分解,得到设定个数的子序列;(2)通过SE算法计算分解后的子序列的SE值,通过适应度函数计算每个PSO粒子的适应度,其数学表达式如下:式中,SE(i)代表第i个序列的SE值;(3)更新PSO粒子局部达到设定值以及全局达到设定值,更新粒子位置和速度进行迭代;(4)判断是否满足收敛条件,若判断结果为否,则返回步骤(1);若判断结果为是,则输出VMD在达到设定值的参数下的分解序列以及子序列的SE值,执行步骤(5);(5)根据分类规则,将子序列分为总体趋势类、循环类以及噪声类的序列成分,然后将其输出;其中,通过相关系数法确定VMD分解个数K,通过SE对各子序列进行熵值计算,以所有子序列的SE值之和最小化为目标函数,通过PSO迭代得到VMD的惩罚参数α,形成AVMD算法。3.根据权利要求1所述的一种基于PRELM的短期风电功率区间预测方法,其特征在于,所述的分类规则如下:设置趋势类阈值P1:μ1*SE和噪声类阈值P2:μ2*SE;其中,SE为原始序列的SE值,μ1为趋
势类阈值权重,μ2为噪声类阈值权重;将SE值<趋势类阈值P1的子序列归类趋势类;将P1<SE值<P2的子序列归类循环类;将P2<SE值的子序列归为噪声类。4.根据权利要求1所述的一种基于PREL...
【专利技术属性】
技术研发人员:高红均,朱建昆,戚默函,贺帅佳,刘俊勇,
申请(专利权)人:四川大学,
类型:发明
国别省市:
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。