一种基于PRELM的短期风电功率区间预测方法技术

本发明专利技术公开了一种基于PRELM的短期风电功率区间预测方法，涉及风电功率预测领域，该发明专利技术通过建立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，通过分类规则将子序列分类为三类序列成分；通过PRELM预测方法建立备选区间预测模型并训练，得到区间预测模型，通过将三类序列成分输入至区间预测模型得到三类序列成分的预测区间，通过将三类序列成分的预测区间上下界分别进行叠加，生成风电功率预测区间。该发明专利技术能够在一定置信水平下生成可能波动的风电区间，具有更好的可靠性，能够为电力系统运行调度提供更多的决策信息，同时在电力市场中有广阔的应用前景，具有实用性。具有实用性。具有实用性。

【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；
[0007]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；
[0008]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；
[0009]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。
[0010]作为优选的，步骤S1中的VMD、相关系数法、SE和PSO算法形成AVMD算法的过程如下：
[0011]步骤一，输入原始风电数据，初始化K＝2；
[0012]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；
[0013]不同子序列间相关系数定义如下：
[0014][0015]式中，x(n)、y(n)为不同子序列，N为样本个数；
[0016]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；
[0017]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：
[0018](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；
[0019](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：
[0020][0021]式中，SE(i)代表第i个序列的SE值；
[0022](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；
[0023](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)；
[0024](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；
[0025]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。
[0026]作为优选的，分类规则如下：
[0027]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；
[0028]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，一般这些高SE的序列包含了大量噪声成分，这是主要产生预测误差的部分。
[0029]作为优选的，VMD的分解方法如下：
[0030]通过Hilbert变换对各模态函数进行处理，然后在其中加入一个指数项，从而将其频谱转换到相应基带：
[0031][0032]式中，δ(t)为Dirac分布，k＝1,2,
…
，K为分量的个数，*代表卷积运算，u
k
为第k个分量，ω
k
代表第K个分量中心频率；
[0033]通过高斯平滑法计算各模态信号带宽，构造带约束的变分问题，其数学表达式如下：
[0034][0035]式中，f为原始信号；
[0036]结合二次罚项因子与拉格朗日乘子将带约束的变分问题转化为无约束的变分问题，所得拉格朗日的数学表达式如下：
[0037][0038]式中，λ为拉格朗日乘法算子，通过交替乘子方向法对λ
n+1
、进行更新；
[0039]通过帕萨瓦尔傅里叶等距变换，将每个模态转换到频域，其数学表达式如下：
[0040][0041]用ω
‑
ω
k
替代式中的第一项ω，得到二次优化问题的解，其数学表达式如下：
[0042][0043]同理，得到中心频率的更新公式：
[0044][0045]VMD算法流程如下：
[0046]1)初始化{λ1}和n；
[0047]2)更新u
k
和ω
k
；
[0048]3)更新λ；
[0049][0050]判断是否收敛，若收敛则停止迭代，得到K个分解结果，如不收敛则n加1返回到步骤2)继续迭代，
[0051][0052]作为优选的，PRELM预测方法的构建过程如下：
[0053]ELM是一种新型的单隐层前馈神经网络机器学习算法，由于其网络结构简单、参数较少等因素，具有计算速度快、泛化能力强的优点；ELM由输出层、隐藏层和输出层三层网络结构组成。不同于传统神经网络，ELM在输入层和隐含层之间的权重矩阵和阈值是随机生成的，在训练过程中这些参数是固定不变的，从而提升了计算能力；
[0054]ELM模型可以表示为：
[0055][0056]x
i
表示模型输入数据，ω
i
表示输入层权重，b
i
表示隐藏层偏置，g()表示激活函数，一般是sigmoid函数，β
i
表示输出层权重，表示ELM输出结果，可以进一步表示为：
...

【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：