[發(fā)明專利]基于優(yōu)化奇異值分解生成特征集的低信息損失短期風(fēng)速預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910050602.0
• 申請(qǐng)日: 2019-01-20
• 公開（公告）號(hào): CN109886464B
• 公開（公告）日: 2022-03-18
• 發(fā)明（設(shè)計(jì)）人: 黃南天;吳銀銀;蔡國(guó)偉;張祎祺;楊冬鋒;黃大為;王文婷;包佳瑞琦;楊學(xué)航
• 申請(qǐng)（專利權(quán)）人: 東北電力大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06K9/62
• 代理公司: 吉林市達(dá)利專利事務(wù)所 22102
• 代理人: 陳傳林

本發(fā)明是一種基于優(yōu)化奇異值分解生成特征集的低信息損失短期風(fēng)速預(yù)測(cè)方法，其特點(diǎn)是，包括：風(fēng)速序列降噪處理、降維特征集生成、特征重要度計(jì)算、特征選擇和模型驗(yàn)證等步驟，具有科學(xué)合理，適應(yīng)性強(qiáng)，實(shí)用價(jià)值高，低信息損失和高精度預(yù)測(cè)的特點(diǎn)。

技術(shù)領(lǐng)域

本發(fā)明是一種基于優(yōu)化奇異值分解生成特征集的低信息損失短期風(fēng)速預(yù)測(cè)方法，應(yīng)用于電力系統(tǒng)中的風(fēng)速預(yù)測(cè)。

背景技術(shù)

環(huán)境的日益惡化和不可再生能源的過度使用，使得世界各國(guó)開始重視可再生能源的發(fā)展與利用。風(fēng)力發(fā)電作為一種技術(shù)比較成熟的可再生能源發(fā)電方式，在新能源市場(chǎng)中的地位不可取代的。然而，風(fēng)速的強(qiáng)隨機(jī)性、間歇性以及不可控性,導(dǎo)致風(fēng)電機(jī)組的出力波動(dòng)性很大,使電網(wǎng)接入安全、可靠運(yùn)行面臨巨大挑戰(zhàn)，制約了風(fēng)電的發(fā)展。準(zhǔn)確、高效風(fēng)速預(yù)測(cè)可降低風(fēng)電不確定性帶來的負(fù)面影響。

風(fēng)速預(yù)測(cè)方法主要有物理方法，統(tǒng)計(jì)方法，人工智能方法等。物理方法在具有強(qiáng)波動(dòng)性且精度要求較高的短期風(fēng)速預(yù)測(cè)中表現(xiàn)較差。統(tǒng)計(jì)方法對(duì)于解決風(fēng)速的非線性及非平穩(wěn)性問題存在缺陷。人工智能模型適用于非線性、非平穩(wěn)性風(fēng)速預(yù)測(cè)，在短期風(fēng)速預(yù)測(cè)中精度高。但在常用人工智能算法中，人工神經(jīng)網(wǎng)絡(luò)需要大量訓(xùn)練數(shù)據(jù)，對(duì)訓(xùn)練數(shù)據(jù)要求高，參數(shù)尋優(yōu)時(shí)間長(zhǎng)，容易陷入局部最優(yōu)；支持向量機(jī)對(duì)參數(shù)和核函數(shù)的選擇比較敏感，空間消耗和時(shí)間消耗巨大，容易出現(xiàn)過擬合；極限學(xué)習(xí)機(jī)預(yù)測(cè)效率高，但魯棒性、穩(wěn)定性較差。

為降低風(fēng)速時(shí)間序列的隨機(jī)性，現(xiàn)有研究多采用時(shí)間序列分解方法，如經(jīng)驗(yàn)?zāi)Ｊ椒纸猓〔ㄗ儞Q，變分模式分解及各種改進(jìn)方法對(duì)風(fēng)速時(shí)間序列開展預(yù)處理。雖然小波分解,經(jīng)驗(yàn)?zāi)Ｊ椒纸?，變分模態(tài)分解在一定程度上降低了風(fēng)速序列的非平穩(wěn)性與噪聲信號(hào)干擾，但仍存在缺點(diǎn)。例如，小波分解受小波基函數(shù)的選擇，分解等級(jí)影響大；經(jīng)驗(yàn)?zāi)B(tài)分解存在模態(tài)混疊現(xiàn)象和端點(diǎn)效應(yīng)。

輸入特征的維度也直接影響著預(yù)測(cè)的精度與效率?，F(xiàn)有研究已經(jīng)將特征選擇和特征降維方法應(yīng)用于輸入特征的確定上。特征選擇一般分為Wrapper方法和Filter方法。當(dāng)特征較多，wrapper方法需要依賴其他學(xué)習(xí)算法，計(jì)算量大，實(shí)用性較低。而Filter方法進(jìn)行特征選擇時(shí)無需依賴其他學(xué)習(xí)算法，且計(jì)算成本小，能避免過擬合問題，目前受到廣泛重視。但是由于Filter方法舍棄了某些低重要度特征，導(dǎo)致?lián)p失了原始特征集中這些低重要度特征的全部信息。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種科學(xué)合理，適應(yīng)性強(qiáng)，實(shí)用價(jià)值高，能夠準(zhǔn)確預(yù)測(cè)風(fēng)速的基于優(yōu)化奇異值分解生成特征集的低信息損失短期風(fēng)速預(yù)測(cè)方法。

本發(fā)明的目的是通過以下技術(shù)手段實(shí)現(xiàn)的：一種基于優(yōu)化奇異值分解生成特征集的低信息損失短期風(fēng)速預(yù)測(cè)方法，其特征是，它包括以下步驟：

1)風(fēng)速序列降噪處理

使用優(yōu)化的變分模態(tài)分解對(duì)原始風(fēng)速序列進(jìn)行處理，將原始風(fēng)速序列分解成若干個(gè)本征模態(tài)函數(shù)，然后，剔除幅值最小的一個(gè)本征模態(tài)函數(shù)，將其他剩余本征模態(tài)函數(shù)相加得到降噪后的風(fēng)速序列，

變分模態(tài)分解對(duì)信號(hào)的處理過程包括構(gòu)造和求解兩部分，涉及了三個(gè)重要概念：經(jīng)典維納濾波、希爾伯特變換和頻率混合；

變分問題的構(gòu)造中，變分問題是將原始信號(hào)f分解為k個(gè)模態(tài)函數(shù)U_k(t)，即本征模態(tài)函數(shù)，假設(shè)每個(gè)本征模態(tài)函數(shù)的有限帶寬具有中心頻率且是ω_k，使得每個(gè)模態(tài)的估計(jì)帶寬和最小，約束條件是：各模態(tài)函數(shù)之和等于原始信號(hào)f，

①通過Hilbert變換，得到每個(gè)模態(tài)函數(shù)U_k(t)的解析信號(hào)；

②對(duì)各模態(tài)的解析信號(hào)混合預(yù)估中心頻率ω_k，將每個(gè)模態(tài)的頻譜移動(dòng)到基頻帶上；

③采用解調(diào)信號(hào)的H高斯平滑估計(jì)各模態(tài)信號(hào)的帶寬，即梯度的二范數(shù)的平方；

因此該約束變分問題為式(1)：