基于改进小波包变换的风电功率预测方法及系统技术方案

本发明专利技术涉及风电预测技术领域，公开了一种基于改进小波包变换的风电功率预测方法及系统，本方法通过获取历史风电环境数据以及其对应的风电功率，构建风电数据集，利用改进小波包变换对风电数据集进行数据降噪，获取干净可靠的风电数据，避免了风电数据中的噪声分量被神经网络记忆，同时，还利用希尔伯特黄变换对降噪风电数据序列进行提取隐藏特征，从而提取其中的高维度特征，能够加快模型训练速度，提升模型性能，将风电数据的希尔伯特谱按照时间维度进行采样，基于

【技术实现步骤摘要】
基于改进小波包变换的风电功率预测方法及系统


[0001]本专利技术涉及风电预测
，尤其涉及一种基于改进小波包变换的风电功率预测方法及系统
。

技术介绍

[0002]风电场是将多台风力发电机组按照一定的规则排成阵列，组成风力发电机群，将风能转换成电能，并通过输电线路送入电网的场所
。
同时，风电出力具有随机性强
、
间歇性明显
、
波动幅度大等特点，其应用规模的增长对电力系统的安全稳定与运行控制均带来了更大的挑战，提升风电功率预测的精度则是应对上述挑战的有效手段之一
。
[0003]现有的风电功率预测方法可分为物理法
、
统计法与人工智能法三类，得益于人工智能技术
、
尤其是人工神经网络自学习
、
自组织与自适应的特点，该技术对于解决此类环境信息复杂，推理规则不明确的问题有着天然优势，因此，基于人工神经网络的预测技术被广泛应用于该领域并取得了较好的效果
。
[0004]神经网络是高度数据驱动的算法，训练数据的质量将直接影响预测模型的性能，但目前现有技术中通过神经网络进行风电功率预测时，由于数据噪声较多，容易导致对风电功率预测精度较差
。

技术实现思路

[0005]本专利技术提供了一种基于改进小波包变换的风电功率预测方法及系统，解决了现有技术中通过神经网络进行风电功率预测时，由于数据噪声较多，容易导致对风电功率预测精度较差的技术问题
。
[0006]有鉴于此，本专利技术第一方面提供了一种基于改进小波包变换的风电功率预测方法，包括以下步骤：
[0007]获取历史风电环境数据以及其对应的风电功率，构建风电数据集；
[0008]利用改进小波包变换对所述风电数据集进行数据降噪，得到降噪风电数据序列；
[0009]利用希尔伯特黄变换对所述降噪风电数据序列进行提取隐藏特征，得到风电数据的希尔伯特谱；
[0010]将风电数据的希尔伯特谱按照时间维度进行采样，得到风电数据训练集序列；
[0011]基于
BP
神经网络对所述风电数据训练集序列进行训练，得到训练好的
BP
神经网络模型；
[0012]将实时风电环境数据输入至训练好的
BP
神经网络模型中，得到相应的风电功率预测结果
。
[0013]优选地，所述历史风电环境数据包括风电场内多个不同高度维度下的风速
、
风向
、
气温
、
气压和相对湿度数据
。
[0014]优选地，利用改进小波包变换对所述风电数据集进行数据降噪，得到降噪风电数据序列的步骤具体包括：
[0015]通过小波包函数对所述风电数据集进行
j
层小波包分解，得到
2j
个小波系数为：
[0016][0017]式中，为经小波包变换后的小波系数，
i、j、k
分别为小波包函数的调制系数
、
分解阶数和平移系数，
t
为时间索引，
y(t)
为风电数据集，为小波包函数；
[0018]其中，小波包函数定义为：
[0019][0020]式中，
ψ
j
为小波基函数；
[0021]其中，通过小波包函数进行递归迭代分解的过程为：
[0022][0023][0024]式中，
ψ
2j
(t)、
ψ
2j+1
(t)
分别为第
2j
层
、
第
2j+1
层分解的小波包分解值，
h(k)
和
g(k)
分别为小波包分解中低通和高通滤波器的响应函数；
[0025]通过下式的阈值函数对小波系数进行阈值降噪，得到：
[0026][0027]式中，为阈值降噪后的小波系数，
c
j,k
为经小波包变换后的小波系数，
λ
为阈值，
sign()
为符号函数，
α
为可调参数，为可调参数，为正实数域；
[0028]通过阈值降噪后的小波系数进行数据重构，得到降噪风电数据序列，其中，重构过程为：
[0029][0030][0031]式中，为第
i
个降噪后的风电数据，为第
t
时刻的阈值降噪后的小波系
数，为降噪风电数据序列
。
[0032]优选地，利用希尔伯特黄变换对所述降噪风电数据序列进行提取隐藏特征，得到风电数据的希尔伯特谱的步骤具体包括：
[0033]根据所述降噪风电数据序列确定其所有的局部极大值和局部极小值，通过三次样条拟合将所有的局部极大值和局部极小值分别连接起来，形成原数据的上包络线
y
max
(t)
和下包络线
y
min
(t)
；
[0034]通过下式计算上下包络线的平均值为：
[0035]m1(t)
＝
[y
max
(t)+y
min
(t)]/2
[0036]式中，
m1(t)
为上下包络线的平均值；
[0037]将所述上下包络线的平均值从所述降噪风电数据序列中剔除，得到降噪风电数据分量
h1(t)
为其中，为降噪风电数据序列；
[0038]判断所述降噪风电数据分量通过以下限制条件判断是否为一阶固有模式函数，其中，限制条件为：
[0039]1)
在整个一阶固有模式函数的时间域中，其极值点和过零点的数量差小于1；
[0040]2)
上包络线与下包络线的均值在任意时间均恒为零；
[0041]若所述降噪风电数据分量满足所述限制条件，则判定所述降噪风电数据分量为一阶固有模式函数，并执行下一步骤；若所述降噪风电数据分量不满足所述限制条件，则判定所述降噪风电数据分量不为一阶固有模式函数，并转至根据所述降噪风电数据序列确定其所有的局部极大值和局部极小值的步骤，直至所述降噪风电数据分量满足所述限制条件；
[0042]将所述一阶固有模式函数从所述降噪风电数据序列中剔除，得到剩余序列
r1(t)
为：
[0043]将所述剩余序列
r1(t)
作为新的降噪风电数据序列，并转至根据所述降噪风电数据序列确定其所有的局部极大值和局部极小值的步骤，得到降噪风电数据序列的
n
个满足本征模态函数定义的残差分量
r
n
(t)
为：
r
n
(t)
＝
r
n
‑1(t)
‑
c
n
(t本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于改进小波包变换的风电功率预测方法，其特征在于，包括以下步骤：获取历史风电环境数据以及其对应的风电功率，构建风电数据集；利用改进小波包变换对所述风电数据集进行数据降噪，得到降噪风电数据序列；利用希尔伯特黄变换对所述降噪风电数据序列进行提取隐藏特征，得到风电数据的希尔伯特谱；将风电数据的希尔伯特谱按照时间维度进行采样，得到风电数据训练集序列；基于
BP
神经网络对所述风电数据训练集序列进行训练，得到训练好的
BP
神经网络模型；将实时风电环境数据输入至训练好的
BP
神经网络模型中，得到相应的风电功率预测结果
。2.
根据权利要求1所述的基于改进小波包变换的风电功率预测方法，其特征在于，所述历史风电环境数据包括风电场内多个不同高度维度下的风速
、
风向
、
气温
、
气压和相对湿度数据
。3.
根据权利要求1所述的基于改进小波包变换的风电功率预测方法，其特征在于，利用改进小波包变换对所述风电数据集进行数据降噪，得到降噪风电数据序列的步骤具体包括：通过小波包函数对所述风电数据集进行
j
层小波包分解，得到
2j
个小波系数为：式中，为经小波包变换后的小波系数，
i、j、k
分别为小波包函数的调制系数
、
分解阶数和平移系数，
t
为时间索引，
y(t)
为风电数据集，为小波包函数；其中，小波包函数定义为：式中，
ψ
j
为小波基函数；其中，通过小波包函数进行递归迭代分解的过程为：进行递归迭代分解的过程为：式中，
ψ
2j
(t)、
ψ
2j+1
(t)
分别为第
2j
层
、
第
2j+1
层分解的小波包分解值，
h(k)
和
g(k)
分别为小波包分解中低通和高通滤波器的响应函数；通过下式的阈值函数对小波系数进行阈值降噪，得到：
式中，为阈值降噪后的小波系数，
c
j,k
为经小波包变换后的小波系数，
λ
为阈值，
sign()
为符号函数，
α
为可调参数，为正实数域；通过阈值降噪后的小波系数进行数据重构，得到降噪风电数据序列，其中，重构过程为：为：式中，为第
i
个降噪后的风电数据，为第
t
时刻的阈值降噪后的小波系数，为降噪风电数据序列
。4.
根据权利要求1所述的基于改进小波包变换的风电功率预测方法，其特征在于，利用希尔伯特黄变换对所述降噪风电数据序列进行提取隐藏特征，得到风电数据的希尔伯特谱的步骤具体包括：根据所述降噪风电数据序列确定其所有的局部极大值和局部极小值，通过三次样条拟合将所有的局部极大值和局部极小值分别连接起来，形成原数据的上包络线
y
max
(t)
和下包络线
y
min
(t)
；通过下式计算上下包络线的平均值为：
m1(t)
＝
[y
max
(t)+y
min
(t)]/2
式中，
m1(t)
为上下包络线的平均值；将所述上下包络线的平均值从所述降噪风电数据序列中剔除，得到降噪风电数据分量
h1(t)
为其中，为降噪风电数据序列；判断所述降噪风电数据分量通过以下限制条件判断是否为一阶固有模式函数，其中，限制条件为：
1)
在整个一阶固有模式函数的时间域中，其极值点和过零点的数量差小于1；
2)
上包络线与下包络线的均值在任意时间均恒为零；若所述降噪风电数据分量满足所述限制条件，则判定所述降噪风电数据分量为一阶固有模式函数，并执行下一步骤；若所述降噪风电数据分量不满足所述限制条件，则判定所述降噪风电数据分量不为一阶固有模式函数，并转至根据所述降噪风电数据序列确定其所有的局部极大值和局部极小值的步骤，直至所述降噪风电数据分量满足所述限制条件；将所述一阶固有模式函数从所述降噪风电数据序列中剔除，得到剩余序列
r1(t)
为：
将所述剩余序列
r1(t)
作为新的降噪风电数据序列，并转至根据所述降噪风电数据序列确定其所有的局部极大值和局部极小值的步骤，得到降噪风电数据序列的
n
个满足本征模态函数定义的残差分量
r
n
(t)
为：
r
n
(t)
＝
r
n
‑1(t)
‑
c
n
(t)
，其中，
r
n
‑1(t)
为第
n
‑1个满足本征模态函数定义的残差分量，
c
n
(t)
为第
n
个一阶固有模式函数；直至
r
n
(t)
为单调函数或小于预定值时，分解结束；通过下式利用满足本征模态函数定义的残差分量
r
n
(t)
...

【专利技术属性】
技术研发人员：谢振华，王陈恩，林浩，尹亚统，
申请(专利权)人：广东电网有限责任公司湛江供电局，
类型：发明
国别省市：