[发明专利]一种风电功率预测方法

权利要求书

1.一种风电功率预测方法，其特征在于，包括以下步骤：

S1、根据局域均值分解对原始风电功率时间序列进行分解，得到多个PF分量和一个余量；

S2、对每个PF分量和余量构建各自的训练数据集和测试数据集；

S3、对每个PF分量和余量分别建立改进差分算法优化极限学习机的风电功率预测模型；

S4、将训练数据集中多个PF分量和余量的训练样本逐一输入改进差分算法优化极限学习机的风电功率预测模型进行训练，针对不同PF分量设定数据输入维数学习反馈机制，得到各自对应的风电功率预测子模型；

S5、将测试数据输入到各自对应的风电功率预测子模型进行预测，得到每个风电功率子模型的预测输出值；

S6、将每个风电功率预测子模型的预测输出值进行组合叠加处理，得到最终的风电功率预测结果。

在步骤S1中，根据局域均值分解对原始风电功率时间序列进行分解的具体步骤为：

S1.1、找出原始信号x(t)所有的局部极值点n_i，求出所有相邻的局部极值点的平均值：

将所有相邻的平均值点m_i用直线连接起来，然后用滑动平均法进行平滑处理，得到局部均值函数m₁₁(t)；

S1.2、求出包络估计值：

将相邻的平均值点a_i用直线连接起来，然后用滑动平均法进行平滑处理，得到包络估计函数a₁₁(t)；

S1.3、将局部均值函数m₁₁(t)从原始信号x(t)中分离出来，得到分解过程中原始信号x(t)的一个分离剩余分量：

h₁₁(t)＝x(t)-m₁₁(t)；

S1.4、用h₁₁(t)除以包络估计函数a₁₁(t)，以对h₁₁(t)进行解调，得到分离剩余分量h₁₁(t)的解调信号：

s₁₁(t)＝h₁₁(t)/a₁₁(t)

对s₁₁(t)重复上述步骤得到s₁₁(t)的包络估计函数a₁₂(t)，假如a₁₂(t)不等于1，说明s₁₁(t)不是一个纯调频信号，需重复上述迭代过程n次，直至s_1n(t)为一个纯调频信号，也就是s_1n(t)的包络估计函数a_1(n+1)(t)＝1，所以有：

式中，

迭代终止条件为：

S1.5、将迭代过程中所产生的全部包络估计函数相乘，得到包络信号，一个瞬时幅值函数：

S1.6、将包络信号a₁(t)和纯调频信号s_1n(t)相乘得：

PF₁(t)＝a₁(t)s_1n(t)

式中，PF₁(t)为信号x(t)的第一个PF分量，包含了原始信号的最高频成分，是一个单分量的调幅-调频信号，瞬时频率f₁(t)由调频信号s_1n(t)求出：

从原始信号x(t)中将第一个PF分量PF₁(t)分离出来，得到剩余信号u₁(t)，由于剩余信号u₁(t)中还包含较多频率成分，因此将u₁(t)作为原始数据重复以上步骤对其进行分解，得到第二个PF分量，重复这个过程直到u_k为一个单调函数为止，得到k个PF分量和一个余量：

最终信号x(t)表示为k个PF分量和余量之和：

式中，u_k(t)为残余函数，代表信号的平均趋势；

在步骤S2中，构建各自训练数据集和测试数据集的方法具体为：

PF分量PF_k和余量u_k的训练数据Trn包含模型的输入数据X_n和输出数据Y_n，输入数据和输出数据是对PF分量的时间序列进行连续采集而来，输入数据其中m为预测模型输入个数，输出数据p的取值由预测模型输出个数决定，PF分量的测试数据集Ten的选取方式与训练数据集Trn的选取方式相同；

在步骤S3中，建立改进差分算法优化极限学习机的风电功率预测模型具体步骤为：

S3.1、根据给定的训练数据集，确定极限学习机的网络拓扑结构和各层的节点数，并确定改进差分算法的缩放因子MF，交叉因子P_DE，变异概率P_A，维度交叉概率P_v，种群规模M，最大迭代次数T_maxgen和粒子维数D，粒子维数即为所要优化的输入权值和隐含层偏置个数；

S3.2、对所要优化的输入权值和隐含层偏置进行粒子编码，并随机产生初始种群X＝[X₁，X₂，…，X_M]^T，其中第i个粒子为：

X_i＝[w₁₁，w₁₂，...，w_1l，w₂₁，w₂₂，...，w₂₁，...，w_n1，w_n2，...，w_nl，b₁，b₂，...，b_l]；i＝1，2，...，M.

式中，n和l分别为极限学习机的输入层和隐含层个数，w_nl为输入层第n个节点到隐含层第l各节点的输入权值，b_l为隐含层第l的节点的偏置；

S3.3、将每个粒子转换成极限学习机对应的输入权值和隐含层偏置，根据伪逆算法计算出极限学习机的输出权值为：

β＝HT

式中，β为极限学习机的输出权值，T为训练样本的输出目标矩阵，H是隐含层的输出矩阵，表示如下：

g为隐含层激活函数，选用Sigmoid函数，如下：

；

S3.4、迭代次数k置1，根据下式计算初始种群中每个粒子的适应度值：

其中，表示预测值，P(t)表示实际值，N表示训练集数据总数；

S3.5、使用这些粒子探索目标空间，在目标空间的k次迭代中，通过下式对第k代种群中的每一个个体执行变异操作，获得与其对应的突变个体即

式中，r1,r2,r3∈{1,2,...M}且互不相同，M为种群大小，同时与i不同；为父代基向量；称为父代差分向量；MF为0～2随机数，称为缩放因子；

利用下式对和突变个体实施交叉操作，生成试验个体即

式中：rand(j)为0～1之间的均匀分布随机数；P_DE为范围在0～1之间的交叉因子；

通过下式对试验个体和进行选择操作，

式中，fit为适应度函数，

粒子更新完成后，计算更新位置后的粒子适应度值，最优个体X_best；

S3.6、若randP_A，则进入活性变异算子，对最优个体X_best进行高斯变异操作，更新X_best的位置：

式中，为高斯变异后的最优粒子，N(0,1)为均值为0、方差为1的高斯分布随机量；

S3.7、根据当前迭代次数k，根据下式求出整个种群的方差E：

种群方差E小于阈值E₀时则不再执行差分进化算子，则进入维度竞争算子，根据维度交叉概率P_v更新种群粒子位置，对种群中所有维进行两两不重复随机配对，共D/2对，按顺序依次取出每一对，若第d₁维和第d₂维被选中，randP_v则重新选取一对维数，若randP_v则对种群中所有粒子X(i)的第d₁维和第d₂维执行概率维度竞争算子，根据下式产生新粒子保存在MS_vc中，

MS_vc(i,d₁)＝r·X(i,d₁)+(1-r)·X(i,d₂)

i∈N(1,M)；d₁,d₂∈N(1,D)；r∈[0,1]

将MS_vc中粒子与X中的父代粒子进行适应度值比较，择优保留在X中，重复上述步骤D/2次后结束，记录最优粒子X_best；

S3.8、判断当前迭代次数kT_maxgen，则结束寻优，将X_best转为极限学习机的输入权值和偏置进行预测；若kT_maxgen，则k＝k+1，转动步骤S3.5进行下一轮迭代。