[发明专利]基于数据分析和组合基函数神经网络的风电功率预测方法

说明书

基于数据分析和组合基函数神经网络的风电功率预测方法涉及风力发电功率预测领域，该发明包括：对采集的风电功率数据运用可变模式分解、样本熵技术和相空间重构技术进行数据分析，得到四组子序列；利用正交多项式构造基函数神经网络，建立含四组基函数神经网络的组合基函数预测模型；利用状态转移算法对基函数神经网络的权值和阈值进行优化；将重构后的子序列作为基函数神经网络的输入，优化的预测模型组合基函数神经网络用于风电功率的预测。预测准确率明显高于BP网络和RBF神经网络。

技术领域

本发明涉及风电功率预测技术领域，属于一种基于数据处理和组合基函数神经网络的风电功率预测方法。

背景技术

世界风能协会在2016年底发布全世界总装机容量达到435GW，整体增长率达到17.2％。在近十几年，风力发电已经成为发展最迅速的清洁能源之一。而风力的间接性和随机性对风力发电系统的稳定性造成很大的影响，成为电力系统调度运行和安全稳定面临的一个巨大挑战。有效的风电功率预测可以减少电力系统备用容量、降低系统运行成本，提高系统的经济性和可靠性。

风电功率预测模型主要有物理预测模型和统计预测模型等。物理预测模型是通过考虑地形、地表、湍流等多因素、天气预报数据以及历史功率输出，得到预测结果。该方法在环境和天气因素稳定的情况下可以获得高的预测精度。但该方法具有成本高，复杂的地形等信息不易收集，天气数据更新较慢等缺点。统计预测模型主要针对短期预测，是典型的基于时间序列的预测方法。是利用风速、风向和输出功率的实测数据构成历史统计数据，采用线性预测或非线性预测来进行预测。该统计方法对短期和超短期的预测可以得到较好的预测精度，但对提前更长时间的预测达不到预测精度要求，且预测的精度易受构建模型的精准程度的影响。

由于天气系统存在混沌特性，许多研究表明风电功率时间序列具有明显的混沌特征。混沌是出于确定映射的伪随机，揭示了自然界和人类社会普遍存在的复杂性、有序性与无序性的统一，确定性与随机性的统一。因此，单一的预测方法在预测中都存在自身的局限性，无法保证对任何数据样本均能获得稳定优良的预测精度，因此，综合预测模型的建立和应用得到了越来越多的关注。目前已有的风电功率预测方法多存在预测提前时间短或预测精度低以及预测耗时长等缺点。

发明内容

本发明的目的是为了克服上述现有技术的缺点，增加预测提前时间、提高预测精度以及减少预测耗时等，提出了一种基于数据分析和组合基函数神经网络的风电功率预测方法。该方法针对风电功率时间序列包含多频段随机量的特点，利用可变模式分解和样本熵技术将原始风电功率序列分解为一系列有限带宽的子序列；再针对风电功率序列具有混沌特性的特点，对子序列分别进行相空间重构；最后利用Chebyshev、Hermite、Bernstein以及Laguerre基函数神经网络分别对子序列进行预测并合并得到预测序列。

为了实现上述目的，本发明采用如下技术方案：

基于数据分析和组合基函数神经网络的风电功率预测方法，包括以下步骤：

步骤(1)，样本数据的选取：选取新疆某发电厂历史发电功率连续数据，时间间隔为10分钟，选取样本数据长度为N的连续时间序列风电功率数据Y＝[y₁,y₂,…,y_N]；

步骤(2)，样本数据的分析与处理：对样本数据进行可变模式分解，并依据并依据其样本熵值进行子模式组合，得到子序列，再根据相空间重构理论重构各子序列；

(2.1)样本数据的可变模式分解