[发明专利]基于EMD分解的EMD-XGBoost中长期风电电量预测方法

说明书

本发明属于电力系统领域，具体涉及一种基于EMD分解的EMD‑XGBoost中长期风电电量组合预测方法。该方法首先将风电电量时间序列经EMD分解为一系列分量；从宏观及局部的角度考虑对各分量进行特征提取，构造特征值向量；以此为基础采用FCM聚类将分量聚类重构为表示包含风电电量不同信息的趋势项、周期项及随机项；基于贝叶斯及k折交叉验证对XGBoost模型分别进行参数寻优，从而对重构项进行预测，最后叠加得到风电电量的预测结果，并分析了序列分解及不同算法对预测精度的影响。本发明结合EMD分解与聚类算法将风电电量序列中真实存在的不同波动量分解出来，将非线性非平稳的电量序列平稳化，产生不同特征的数据序列；针对各重构序列分别建立预测模型，选择各自最优相关参数，从而降低了风电电量数据分线性和非平稳性对电量预测结果的影响，提高了风电电量的预测精度。

技术领域

本发明属于电力系统领域，具体涉及一种基于EMD分解的EMD-XGBoost中长期风电电量预测方法。

背景技术

日益严重的全球能源危机，使可再生能源的开发得到迅猛发展，为风电的发展提供了重要机遇：2018年全球风电装机新增51.32吉瓦，作为全球最大的风电装机市场，2018年我国风电新增装机容量21.143吉瓦，截止2018年底，我国风电累计装机容量达到209.533吉瓦。风电大规模发展增加了电力系统运行的不确定性，电网稳定性也受到了较大的影响。影响风电接入容量的主要问题是电网的调峰容量，电网没有备用容量，风电则无法接入电网，通过增加水电和快速启停机解决风电接入问题会增加电网调度及发电计划制定的困难。因此，中长期风电发电量预测是风电发展的关键问题之一，风电的发展需以提高风电发电量的预测精度为基础。

目前，关于中长期风电电量预测问题，国内外学者通常从物理模型、时间序列模型和智能模型对风电电量的预测进行研究。欧阳庭辉、查晓明、秦亮等人提出了一种基中长期风电功率的多气象变量模型组合预测方法(专利号：CN201711160876.2)，利用数值天气预报提供的气象数据预测长期风电趋势，同时局部采用多变量模型改善预测精度，针对不同气象变量进行数据结构分析，并根据其动力学特性单独建立合适的预测模型。以数字气象预报作为预测基础预测方法在中长期风电发电量的预测中起着重要作用，但是，基于气象数据的物理模型还存在很多问题，同时风机的尾流效应也影响预测的精度，因此，目前较为普遍使用的风力发电量预测方法是学习法。候丰花提出一种基于向量机风电预测方法(专利号：CN201310434190.3)。黄跃辉、曲凯、李驰等人提出了一种基于K-means MCMC算法的中长期风电时间序列建模方法，首先，对历史风电功率数据进行聚类，并对聚类后的不同类别风电功率序列选取最优状态数，分别建立状态转移矩阵；其次，用拟合度较好的混合高斯分布拟合多时间尺度的风电最大波动率的概率分布特性；最后，采用基于类间转移概率矩阵的MCMC方法依次生成模拟风电出力时间序列。随着风电电量预测技术的发展，智能算法的改进与发展，组合预测方法将成为一种趋势。

发明内容

本发明正是基于上述问题，提出一种基于EMD分解的风电电量组合预测算法EMD-XGBoost。将风电电量时间序列经EMD分解为一系列分量，对各分量进行特征提取，以此为基础采用FCM聚类将分量聚类重构为表示风电电量不同信息的趋势项、周期项及随机项，采用XGBoost分别对重构项进行预测，叠加得到风电电量的预测结果。发明分析了序列分解及不同算法对预测精度的影响。

为了实现上述目的，本发明提供的技术方案如下：

步骤1，将风电电量时间序列经EMD分解为相互独立的IMF序列以及一个res项；

步骤2，构造各IMF序列的特征向量；

步骤3，采用FCM聚类将包含不同波动信息的IMF聚类重构为电量的趋势项、周期性项及随机项；

步骤4，针对不同序列项分别设置最优参数，将预处理后的驯良数据输入参数调整后的XGBoost预测模型中，叠加各序列项预测结果为风电电量预测结果；