[发明专利]一种基于混合算法的短期风电功率预测方法

说明书

本发明涉及一种基于混合算法的短期风电功率预测方法，包括以下步骤：S1利用集成经验模态分解技术将原始风电功率分解为一系列本征模函数(IMF)子模态分量，S2利用奇异谱分析方法将集成经验模态分解技术分解所得的除了第一个IMF分量IMF₁之外的各个IMF分量及RES分量的主趋势分量提取出来，以获得序列特征更为明显的子模态分量，S3对IMF₁分量和S2中得到的剩余分量R进行保留，并对IMF₁分量和剩余分量R进行小波包分解，得到一系列较为平稳的新子模态，S4利用在线鲁棒极限学习机分别对S1‑S3步骤所得到的所有子模态建立预测模型，并通过叠加获得最终的风电功率预测结果；本发明可对实际风电系统进行有效的准确预测，为电力系统的运行和规划提供重要参考。

技术领域

本发明涉及电力系统预测方法领域，更具体地，涉及一种基于混合算法的短 期风电功率预测方法。

背景技术

随着风力发电的发展，风电功率的不确定性对电力系统与电力市场的稳定性、 充裕性以及经济性的影响也日益彰显。因而，精确的短期风电功率预测对电力系 统的规划和调度具有重要意义。目前，风电预测方法根据使用的数据来源不同主 要分为统计学习方法和物理方法。其中，统计学习方法根据风电场历史测量数据 及周边测量数据建立统计学习模型，最常用的统计学习模型包括时间序列分析模 型、人工神经网络模型、支持向量机模型(supportvectormachine，SVM)等机器 学习方法。传统的人工神经网络和支持向量机结构较为复杂，参数繁多，而极限 学习机(extremelearningmachine，ELM)为单隐层前馈神经网络，具有学习速度 快、泛化性好等特点。此外，改进的ELM模型也相继被提出应用于预测领域， 如：鲁棒极限学习机(outlierrobust extremelearningmachine，ORELM)相比ELM 而言能更好地适应训练集中可能出现的离群点，在线极限学习机(onlinesequentialextremelearningmachine，OSELM)具有的在线机制能在实际的时变系统中实现 更好的预测效果。

目前，数据分解技术已经广泛应用于短期风电功率预测中，利用有效的方式 对时间序列进行分解预处理，对于捕捉数据的特征规律以及提高预测精度都具有 重要的作用。较为主流的数据分解方法有经验模态分解技术(empirical mode decomposition，EMD)、集成经验模态分解技术(ensemble empirical mode decomposition，EEMD)、变模态分解技术(variational mode decomposition，VMD) 以及小波包分解技术(wavelet packetdecomposition，WPD)等。

目前常用的短期风电功率预测方案主要有：

(1)基于经验模态分解(EMD)和极限学习机(ELM)的短期风电功率预 测模型：

首先利用经验模态分解(EMD)将原始风电时间序列分解为一系列的子模 态，然后对每个子分量建立ELM模型并进行预测，最后通过叠加得到最终的预 测结果。

(2)基于集成经验模态分解(EEMD)-主成分分析 (principalcomponentanalysis，PCA)和支持向量机(SVM)的组合预测模型：

首先利用集成经验模态分解技术(EEMD)对非平稳时间序列进行分解得到 一组不同尺度的子模态分量，然后利用PCA去除每个子模态中存在的噪声，降 低特征维数和冗余度，最后建立SVM模型将主分量作为输入变量进行预测。

目前常用的短期风电功率预测方案存在以下不足：

(1)EMD分解对取样方式和噪声很敏感，而集成经验模态分解技术(EEMD) 通过利用零均值高斯白噪声序列具有的统计特性(频率分布服从均匀分布)弥补 了EMD在分解时容易导致模式混淆的缺陷。