[發明專利]一種基于EMD歷史數據預處理的短期風電功率預測方法

在審

• 申請號: 201410185596.7
• 申請日: 2014-05-05
• 公開（公告）號: CN104102951A
• 公開（公告）日: 2014-10-15
• 發明（設計）人: 許愛東;文賢馗;雷金勇;陳建國;林呈輝;徐梅梅;申展;黃燾;郭曉斌
• 申請（專利權）人: 南方電網科學研究院有限責任公司;貴州電網公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 廣州市南鋒專利事務所有限公司 44228
• 代理人: 李永慶

技術領域

本發明涉及一種短期風電功率預測方法，尤其是基于EMD歷史數據預處理的短期風電功率預測方法。?

背景技術

隨著能源和環境問題的日益突出，風電作為一種清潔的可再生能源日益受到人們的重視。但由于風電具有波動性和隨機性，給傳統電力系統的安全穩定運行帶來了巨大的挑戰，而風電功率預測技術是幫助解決這一問題的重要手段。?

風電功率預測是以風電場的歷史風機觀測功率數據為基礎，以時間、風速。氣象等數據為影響因素建立的風電場輸出功率的預測模型，并以這些影響因素作為預測模型的輸入得到風電場未來的輸出功率。其中，風電功率預測的準確性對于提高系統的安全性、可靠性、經濟性和可控性具有重要意義。?

經過對現有技術文獻的檢索發現，針對原始風速及功率序列的特性不明顯的缺陷，提出了一種基于小波—ＢＰ神經網絡的短期風電功率預測方法，利用小波將風速與功率序列在不同尺度上進行分解，并使用多個ＢＰ神經網絡對各頻率分量進行預測，最后重構得到完整的預測結果。采用這種預測方法，在實際功率快速波動時，由于實際輸出功率受到多種不同波動尺度的天氣因素影響，?BP神經網絡對波動尺度較大的變化量預測失準；且在輸入數據前沒有對冗余數據進行剔除的有效方案。因此，如何解決上述的問題，為亟待解決的問題。?

發明內容

????本發明的目的旨在提供一種能夠提高對波動尺度較大的變化量預測精度的基于EMD歷史數據預處理的短期風電功率預測方法。?

為實現上述的目的，本發明采用以下技術方案：一種基于EMD歷史數據預處理的短期風電功率預測方法，其中包括以下步驟：1）為獲得歷史數值天氣預報數據和歷史風機觀測功率數據，根據分析風電場功率的影響因素，剔除歷史數值天氣預報數據和歷史風機觀測功率數據中的不符合條件的樣本數據，并將剔除后的歷史數值天氣預報數據和歷史風機觀測功率數據進行歸一化；2）根據步驟一得出的歷史數值天氣預報數據作為輸入，采用EMD分解算法對步驟一得出的歷史風機觀測功率數據的時間序列進行分解，分解出n個獨立的功率時間序列分量作為輸出，得到訓練樣本；3）利用步驟二所示的訓練樣本對預測模型進行訓練，得到n個功率時間序列分量預測模型；4）將待測時刻的實際數值天氣預報數據作為輸入，分別輸入至步驟三獲得的n個功率時間序列分量預測模型內，并將輸出得到的所有功率時間序列分量預測值進行加權疊加，獲得預測結果。?

所述步驟一的不符合條件的樣本數據為風電場接到限電指令、或者停機維修造成的不符合風速-出力特性的樣本數據。?

所述步驟二的采用EMD分解算法對步驟一得出的歷史風機觀測功率數據的時間序列進行分解，分解出n個獨立的功率時間序列分量，具體過程為：①首先尋找時間序列信號?中包含的所有極大值及極小值，對時間序列信號中每一個極大值和極小值分別通過插值法擬合出上、下包絡線；②按順序連接上、下兩條包絡線的均值，得到均值線；③將原始時間序列減去均值得到；④當滿足功率時間序列分量的條件時，令=進入步驟⑤，當并不滿足功率時間序列分量的條件時，將作為原始信號，重復上述步驟①至③迭代次，在每次迭代的過程中判斷是否滿足=的條件，如果不滿足，則繼續迭代，滿足則進入步驟⑤；⑤將原始時間序列減去，得到差值；⑥將差值看作一組新的時間序列信號重復上述步驟①至⑤的EMD分解過程，經過多次重復運算可以得到全部差值，當滿足社頂條件使得或小于預定值，或者差值稱為單調函數，終止EMD分解，得到n個獨立的功率時間序列分量。?

步驟四所述加權疊加的權重系數根據功率預測時刻t的功率時間序列分量預測值不斷更新。?

本發明由于采取以上方案，與傳統技術中直接利用原始觀測數據直接獲得預測模型的預測方法不同，將功率時間序列的按不同波動尺度分別進行精細化考慮，能夠預測較為準確的輸出功率；而與現有技術中的基于小波—ＢＰ神經網絡的短期風電功率預測方法不同，對于波動尺度較大變化量的預測精度大幅提高，而通過輸入數據前對壞樣本數據進行剔除，為預測精度準確性提供了保證；本發明還提出一種針對風電功率預測的動態加權，在目標預測時刻增長時，根據功率時間序列分量預測值不斷更新權重向量，與傳統的加權方式相比，加權策略下的RMSE誤差可以減小至222.4KW，RMSE誤差占風機容量的百分比為14.8%，有效的提高了預測精度。?

附圖說明

圖1為本發明的預測流程圖。?

具體實施方式

如圖1所示，一種基于EMD歷史數據預處理的短期風電功率預測方法，其特征在于：包括以下步驟：?