[發(fā)明專利]一種基于集成經(jīng)驗(yàn)?zāi)B(tài)分解與深度信念網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710606123.3
• 申請(qǐng)日: 2017-07-24
• 公開(kāi)（公告）號(hào): CN107292453A
• 公開(kāi)（公告）日: 2017-10-24
• 發(fā)明（設(shè)計(jì)）人: 李虎成;袁曉冬;袁宇波;張小易;彭志強(qiáng);周建華;孫國(guó)強(qiáng);臧海祥;樊海鋒;夏杰;鄭明忠;周琦
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)江蘇省電力公司電力科學(xué)研究院;國(guó)家電網(wǎng)公司;河海大學(xué);江蘇省電力試驗(yàn)研究院有限公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06
• 代理公司: 南京縱橫知識(shí)產(chǎn)權(quán)代理有限公司32224
• 代理人: 董建林,俞翠華

技術(shù)領(lǐng)域

本發(fā)明屬于電力系統(tǒng)技術(shù)領(lǐng)域，具體涉及一種基于集成經(jīng)驗(yàn)?zāi)B(tài)分解與深度信念網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)方法，對(duì)電力系統(tǒng)風(fēng)功率出力進(jìn)行短期預(yù)測(cè)。

背景技術(shù)

隨著清潔能源(如風(fēng)能、太陽(yáng)能等)的大力發(fā)展和推進(jìn)，在一定程度上緩解了能源緊張、環(huán)境惡化的局面，但是其自身的波動(dòng)性和隨機(jī)性給電網(wǎng)安全穩(wěn)定運(yùn)行帶來(lái)了極大的挑戰(zhàn)。近年來(lái)，風(fēng)能在電網(wǎng)中的滲透率逐年上升，2016年全國(guó)風(fēng)電新增裝機(jī)2337萬(wàn)千瓦，截至2016年底，全國(guó)風(fēng)電累計(jì)裝機(jī)1.69億千瓦。準(zhǔn)確預(yù)測(cè)未來(lái)一定時(shí)間內(nèi)的風(fēng)速，進(jìn)而實(shí)現(xiàn)風(fēng)力輸出功率的短期預(yù)測(cè)對(duì)調(diào)度部門安排日前計(jì)劃具有重要意義。

基于統(tǒng)計(jì)模型的短期風(fēng)功率預(yù)測(cè)方法主要采用數(shù)學(xué)統(tǒng)計(jì)的思想，通過(guò)挖掘數(shù)據(jù)間存在的內(nèi)在規(guī)律進(jìn)行預(yù)測(cè)。此類方法主要有時(shí)間序列、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、卡爾曼濾波等。由于風(fēng)功率具有典型的非線性、強(qiáng)隨機(jī)性、強(qiáng)波動(dòng)性的特點(diǎn)，使得線性時(shí)間序列模型難以表征風(fēng)功率的變化趨勢(shì)。神經(jīng)網(wǎng)絡(luò)方法具有較好的預(yù)測(cè)精度，但過(guò)程基于“黑箱”原理，難于建立顯性的數(shù)學(xué)表達(dá)。通過(guò)風(fēng)功率時(shí)間序列分析可以建立風(fēng)功率的線性數(shù)學(xué)模型，推導(dǎo)出物理意義明確的卡爾曼濾波狀態(tài)方程和觀測(cè)方程，由卡爾曼遞推方程進(jìn)行預(yù)測(cè)，取得了理想的預(yù)測(cè)精度。但卡爾曼濾波方法適用于線性數(shù)學(xué)模型，對(duì)于非線性過(guò)程處理能力弱。支持向量機(jī)模型采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化代替神經(jīng)網(wǎng)絡(luò)模型經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化，具有較強(qiáng)的泛化能力，因此可以有效的處理非線性、小樣本回歸問(wèn)題。但由于支持向量機(jī)模型超參數(shù)訓(xùn)練求解過(guò)程計(jì)算效率低，因此在一定程度上影響了其廣泛應(yīng)用。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有電力系統(tǒng)短期風(fēng)功率預(yù)測(cè)技術(shù)中存在的問(wèn)題，如預(yù)測(cè)精度不高、模型參數(shù)選取困難等問(wèn)題，提出一種基于集成經(jīng)驗(yàn)?zāi)B(tài)分解與深度信念網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)方法，采用深度信念網(wǎng)絡(luò)建立短期風(fēng)功率預(yù)測(cè)模型，相對(duì)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法，進(jìn)一步提高了預(yù)測(cè)性能；為有效選取出對(duì)負(fù)荷具有較大貢獻(xiàn)的輸入變量集合，采用偏自相關(guān)函數(shù)度量?jī)勺兞块g的相關(guān)性，從而避免人工經(jīng)驗(yàn)選取輸入變量的不足，提高工程適應(yīng)性；此外，為細(xì)致分析風(fēng)功率局部?jī)?nèi)在變化規(guī)律，本發(fā)明采用集成經(jīng)驗(yàn)?zāi)B(tài)分解技術(shù)將原始風(fēng)功率序列分解為一系列特征互異的子序列，即模態(tài)函數(shù)，然后對(duì)每一模態(tài)函數(shù)進(jìn)行建模分析，根據(jù)其變化特點(diǎn)采用偏自相關(guān)函數(shù)選取有效的輸入變量，大大提高了預(yù)測(cè)精度。

實(shí)現(xiàn)上述技術(shù)目的，達(dá)到上述技術(shù)效果，本發(fā)明通過(guò)以下技術(shù)方案實(shí)現(xiàn)：

一種基于集成經(jīng)驗(yàn)?zāi)B(tài)分解與深度信念網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)方法，包括以下步驟：

步驟(1)：對(duì)原始風(fēng)功率時(shí)間序列進(jìn)行異常值檢測(cè)與修正，采用集成經(jīng)驗(yàn)?zāi)B(tài)分解將原始風(fēng)功率序列分解為一系列特征互異的本征模態(tài)函數(shù)；

所述步驟(1)中采用集成經(jīng)驗(yàn)?zāi)B(tài)分解將原始風(fēng)功率序列分解為一系列特征互異的本征模態(tài)函數(shù)，具體過(guò)程為：

1.1在原始風(fēng)功率序列f(t)中疊加隨機(jī)高斯白噪聲信號(hào)ω_j(t)，獲得待分解信號(hào)F_j(t)，

F_j(t)＝f(t)+ω_j(t)

式中：j＝1,2,…,N，ω_j(t)為第j組高斯白噪聲信號(hào)，N為高斯白噪聲總組數(shù)，f(t)為原始風(fēng)功率序列；

1.2對(duì)F_j(t)進(jìn)行EMD分解，得到n個(gè)IMF分量和一個(gè)趨勢(shì)分量，即：

c_j,i(t)＝h_j,k(t)

r_j,k(t)＝r_j,k-1(t)-c_j,i(t)

式中：h_j,k(t)為第j組第k次IMF過(guò)程分量篩選值，c_j,i(t)為第j組第i個(gè)IMF分量，r_j,k(t)為第j組第k次計(jì)算過(guò)程剩余分量，即對(duì)于第j組高斯白噪聲信號(hào)，進(jìn)行第k次迭代計(jì)算時(shí)獲得的剩余分量，當(dāng)?shù)^(guò)程結(jié)束后，獲得最終的第j組趨勢(shì)分量r_j(t)；

1.3根據(jù)高斯零均值理論，采用集合平均的方法消除風(fēng)功率序列中白噪聲信號(hào)的波動(dòng)，原始風(fēng)功率序列對(duì)應(yīng)的本征模態(tài)分量c_i′(t)與剩余分量r′(t)為：

式中：c_i'(t)為第i個(gè)原始風(fēng)功率序列IMF分量，n為IMF分量總數(shù)，r′(t)為風(fēng)功率序列剩余分量；r_j(t)為第j組趨勢(shì)分量；