[发明专利]一种基于经验小波变换与高斯过程回归的新能源出力短期预测方法

说明书

技术领域

本发明属于电力系统能源预测技术领域，特别涉及一种基于经验小波变换与高斯过程回归的新能源出力短期预测方法。

背景技术

风力发电在电网中装机比例的逐年提升，有效缓解了能源紧张、环境污染格局，但其间歇性和不确定性又严重影响着电网的安全稳定及经济运行。短期风电功率预测作为自动发电控制和安排电力调度的重要决策依据，能够有效提高电力系统运行可靠性。为此，需要研究新技术与新方法，以提高风电功率预测精度，满足工程应用需求。

目前，国内外学者对短期风电功率预测进行了大量研究，主要有时间序列分析、人工神经网络、支持向量机、相关向量机等模型。在现有研究基础上，又提出了基于优化算法的改进预测模型。另外，为进一步降低风电功率预测误差，相关学者提出了组合预测模型。实践证明：组合模型相对于单一预测方法能够优势互补，在提高预测精度的同时，增强了模型鲁棒性。组合预测按机理策略不同，主要分为两类：1)采用不同原理的预测模型分别进行预测，然后将预测结果按一定方式进行优化组合。2)采用信号处理技术对原始风电功率序列进行分解处理，对不同分解量建立预测模型，最后对各分量预测结果进行组合。应用小波变换进行数据预处理面临着小波基函数选取、分解层数难以确定的问题。采用自适应经验模态分解(empirical mode decomposition,EMD)可以自动的将风电功率序列分解为一系列本征模态函数，接着对模态函数建立预测模型。进一步的，采用集成经验模态分解技术可以有效地缓解EMD方法存在的模态混叠问题，从而提高预测精度。

针对EMD方法易出现模态混叠、计算效率低、缺乏理论基础等缺点，Gilles提出了新型自适应信号处理方法-经验小波变换(empirical wavelet transform,EWT)。该方法结合了EMD方法的自适应特性与小波分析理论框架，通过对信号频谱的自适应分割，在各个频谱构造合适的正交小波滤波器来提取傅里叶频谱的调幅调频(amplitude modulated-frequency modulated,AM-FM)成分，进而采用Hilbert变换对不同的AM-FM模态进行处理，最终获得有意义的瞬时频率和瞬时幅值。该方法计算量小，且具有较强的鲁棒性。因此，本发明将EWT引入短期风电功率预测建模中，对原始风电功率序列进行分解处理。

高斯过程回归(Gaussian process regression,GPR)以贝叶斯理论和统计学习理论为基础，在处理高维数、非线性等复杂回归问题时具有易编程实现、超参数自适应获取以及输出具有概率分布等优点，在时间序列分析、动态系统模型辨识、系统控制等多领域获得了广泛应用。基于以上优点，本发明采用高斯过程回归建立短期风电功率预测模型。常用共轭梯度(conjugate gradient,CG)方法求解高斯过程回归模型超参数，但该方法存在易陷入局部最优解、优化性能受初值选取影响大、迭代次数难以确定等缺点。本发明结合EWT与GPR算法的优点，建立了EWT-GPR新能源出力短期预测方法，对风电功率进行预测。首先，采用EWT方法将原始风电功率序列分解为一系列特征互异的经验模式。然后，对每一经验模式建立高斯过程回归预测模型，并求解模型超参数，避免共轭梯度方法的不足；将不同经验模式预测结果叠加，从而获得最终的短期风电功率预测值。最后，通过算例验证本发明方法的有效性，并为类似工程提供借鉴。

发明内容

本发明针对现有电力系统新能源出力短期预测技术中存在的问题，如预测方法运行效率低、预测结果可靠性与精确性差、难以处理高维、复杂、非线性回归任务、模型参数估计不准确等困难，本发明提供一种经验小波变换与高斯过程回归新能源出力短期预测方法。首先，采用新型EWT自适应信号处理技术将原始风电功率序列分解为一系列特征互异的经验模式，对每一经验模式构建高斯过程回归预测模型，将各经验模式预测结果叠加获得最终的短期风电功率预测值。通过算例分析验证本发明方法的有效性。

本发明具体为一种基于经验小波变换与高斯过程回归的新能源出力短期预测方法，包括以下步骤：

(1)获取实测风电场功率数据，并对原始序列数据进行异常值检测与修正，避免异常值对模型参数估计造成的不良影响；

(2)采用EWT自适应信号处理技术将原始风电功率序列分解为一系列特征互异的经验模式；

(3)对不同经验模式序列进行零均值化预处理；

(4)针对不同经验模式序列特征，建立高斯过程回归预测模型，并求解模型超参数；