一种考虑时空条件和二次优化的超短期风功率预测方法技术

本发明专利技术属于风功率预测技术领域，具体为一种考虑时空条件和二次优化的超短期风功率预测方法，包括步骤1：建立EEMD模型，思想是加入多组具有一定信噪比的白噪声到原始序列之中，并按照EEMD分解法分解，最后将多次分解后的本征模函数的均值作为最终的IMF；步骤2：风电输出功率时间序列的分解，风电出力的随机性和波动性导致原始风电序列不平稳；通过EEMD方法分解原始序列，可获得平稳分量；步骤3：风电输出功率时间序列的重构；步骤4：风电输出功率ARCH预测模型的建立，其结构合理，在使用的过程中具有结构简单，精度高的特点，超短期预测时，不仅可以降低预测复杂度还明显减小了预测误差，具有较高的预测精度。具有较高的预测精度。具有较高的预测精度。

【技术实现步骤摘要】
一种考虑时空条件和二次优化的超短期风功率预测方法


[0001]本专利技术涉及风功率预测
，具体为一种考虑时空条件和二次优化的超短期风功率预测方法。

技术介绍

[0002]随着风力发电技术日臻成熟，风电单机容量和并网型风电场规模不断扩大，风电占电力系统发电总量的比例也逐年增加。风电场穿透功率不断加大，给电力系统带来的一系列问题日益突出，严重威肋、电力系统安全、稳定、经济、可靠运行。对风电功率进行及时准确的预测，可以显著增强电力系统的安全性、稳定性、经济性和可控性。
[0003]极限学习机(Extreme Learning Machine，ELM)用来训练单隐藏层前馈神经网络(SLFN)与传统的SLFN训练算法不同，该算法随机产生输入层权重及隐含层偏置，且在训练过中无需调整，只需要设置隐含层神经元的个数便可以获得唯一的最优解。但是由于梯度下降法需要多次迭代，从而达到修正权值和阈值的目的，因此训练过程耗时较长，同时容易陷入局部极小值。为此需要一种更高效的优化算法来提高极限学习机的预测精度。
[0004]基于上述问题，我们提出一种考虑时空条件和二次优化的超短期风功率预测方法。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0006]鉴于现有技术中存在的问题，提出了本专利技术。
[0007]因此，本专利技术的目的是提供一种考虑时空条件和二次优化的超短期风功率预测方法，在使用的过程中具有结构简单，精度高的特点，超短期预测时，不仅可以降低预测复杂度还明显减小了预测误差，具有较高的预测精度。
[0008]为解决上述技术问题，根据本专利技术的一个方面，本专利技术提供了如下技术方案：
[0009]一种考虑时空条件和二次优化的超短期风功率预测方法，其包括如下步骤：
[0010]步骤1：建立EEMD模型，思想是加入多组具有一定信噪比的白噪声到原始序列之中，并按照EEMD分解法分解，最后将多次分解后的本征模函数的均值作为最终的IMF；
[0011]步骤2：风电输出功率时间序列的分解，风电出力的随机性和波动性导致原始风电序列不平稳；通过EEMD方法分解原始序列，可获得平稳分量；
[0012]步骤3：风电输出功率时间序列的重构，为避免EEMD生成的IMF分量过多，会增加建模难度，需要对风电序列分量重构；
[0013]步骤4：风电输出功率ARCH预测模型的建立，建立ARCH模型的前提是序列必须平稳，经过分解重构后的风电高频序列、中频序列具有平稳性，因风电高频序列是EEMD分解后
的残余分量，不具有平稳性，需进行差分处理，保证序列平稳后，分别对风电各频分量建模。
[0014]作为本专利技术所述的一种考虑时空条件和二次优化的超短期风功率预测方法的一种优选方案，其中：所述步骤1中EEMD分解法包括：
[0015](1)将一组白噪声序列加入原始序列；
[0016](2)将该序列按传统EMDI0I分解法分解成多个IMF分量；
[0017](3)重复(1)、(2)，将分解后的IMF取平均即为最终结果。
[0018]作为本专利技术所述的一种考虑时空条件和二次优化的超短期风功率预测方法的一种优选方案，其中：所述步骤2中具体流程为：
[0019](1)在原始风电出力序列上加入一组随机白噪声，获得新的风电出力序列；
[0020](2)对新的风电出力序列进行EMD分解，获得一组IMF分量和一个剩余分量；
[0021](3)加入N组白噪声，进行N次EMD分解，分别计算所有IMF分量的均值和剩余分量的均值。
[0022]作为本专利技术所述的一种考虑时空条件和二次优化的超短期风功率预测方法的一种优选方案，其中：所述步骤3的具体流程为：
[0023](1)计算IMF分量的游程数和最大游程长度；
[0024](2)综合考虑序列分量的游程数和最大游程长度，当游程数变化率和最大游程长度变化率同时较大时，取该点对应的游程数为阀值；
[0025](3)游程数大于阀值的分量为高频分量，小于阀值的分量为中频分量，剩余分量为低频分量；
[0026](4)分别叠加各频分量，获得风电序列的重构序列。
[0027]作为本专利技术所述的一种考虑时空条件和二次优化的超短期风功率预测方法的一种优选方案，其中：所述步骤4的具体流程为：
[0028](1)采用ARMA模型建立均值方程；
[0029](2)对均值方程的残差进行拉格朗日乘子检验，判断序列是否存在自回归条件异方差，对通过检验的方程建立条件方程方程：
[0030](3)对条件方差方程建模，采用赤池信息准则确定模型阶数，并采用极大似然估计或最小二乘估计拟合模型参数：
[0031](4)利用建立的ARCH模型对未来4小时的风电出力各频分量进行预测：
[0032](5)叠加各频分量的预测值，即为风电出力的预测结果。
[0033]与现有技术相比，本专利技术的有益效果是：本专利技术提出的预测方法结合了EEMD和ARCH组合模型的特点，游程判定法将EEMD分解后的分量进行重构，重构后的分量能更好的反应原始数据的信息特征，且减少了计算规模；风电功率的波动往往具有一定的“集群”现象，ARCH模型能很好的拟合这种波动情况。ARCH模型能更好的表征风电波动特性，具有更好的预测效果。
附图说明
[0034]为了更清楚地说明本专利技术实施方式的技术方案，下面将结合附图和详细实施方式对本专利技术进行详细说明，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得
其它的附图。其中：
[0035]图1为本专利技术步骤流程结构示意图。
具体实施方式
[0036]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图对本专利技术的具体实施方式做详细的说明。
[0037]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施方式的限制。
[0038]其次，本专利技术结合示意图进行详细描述，在详述本专利技术实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本专利技术保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0039]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的实施方式作进一步地详细描述。
[0040]本专利技术提供如下技术方案：一种考虑时空条件和二次优化的超短期风功率预测方法，在使用的过程中具有结构简单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑时空条件和二次优化的超短期风功率预测方法，其特征在于：包括如下步骤：步骤1：建立EEMD模型，思想是加入多组具有一定信噪比的白噪声到原始序列之中，并按照EEMD分解法分解，最后将多次分解后的本征模函数的均值作为最终的IMF；步骤2：风电输出功率时间序列的分解，风电出力的随机性和波动性导致原始风电序列不平稳；通过EEMD方法分解原始序列，可获得平稳分量；步骤3：风电输出功率时间序列的重构，为避免EEMD生成的IMF分量过多，会增加建模难度，需要对风电序列分量重构；步骤4：风电输出功率ARCH预测模型的建立，建立ARCH模型的前提是序列必须平稳，经过分解重构后的风电高频序列、中频序列具有平稳性，因风电高频序列是EEMD分解后的残余分量，不具有平稳性，需进行差分处理，保证序列平稳后，分别对风电各频分量建模。2.根据权利要求1所述的一种考虑时空条件和二次优化的超短期风功率预测方法，其特征在于：所述步骤1中EEMD分解法包括：(1)将一组白噪声序列加入原始序列；(2)将该序列按传统EMDI0I分解法分解成多个IMF分量；(3)重复(1)、(2)，将分解后的IMF取平均即为最终结果。3.根据权利要求1所述的一种考虑时空条件和二次优化的超短期风功率预测方法，其特征在于：所述步骤2中具体流程为：(1)在原...

【专利技术属性】
技术研发人员：董红星，贾成鹏，李敏，高振罡，赵元军，何瑞峰，唐正坤，柳旭，
申请(专利权)人：华电宁夏能源有限公司，
类型：发明
国别省市：