[发明专利]一种风电功率预测方法

说明书

本发明涉及一种风电功率预测方法，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；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，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；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。本发明的风电功率预测方法有效降低原始风电功率数据非线性强对预测结果的影响，获得了更高精度的风电功率预测结果。

技术领域

本发明涉及风电功率技术领域，具体涉及一种风电功率预测方法。

背景技术

为满足不断增长的全球电力需求，可再生能源的使用有了明显的提升。风能是一种新兴的可再生能源，总装机容量近几年成倍增加。而风电的不稳定性是风电系统与主电网结合的障碍之一，为了更安全有效的利用持续增长的风能，高精度的风电功率预测方法对电网运行有着重要意义。

预测风电功率的最大挑战是它间歇性和不确定性。目前的预测方法可分为基于物理模型和基于历史数据预测两类方法。复杂的物理模型总是依靠数字天气预报(NWP)系统，但所需的输入数据通常很难获得。基于历史数据预测的方法较多，它们包括时间序列法，灰色模型方法，人工神经网络，支持向量机和极限学习机等。其中极限学习机由于其具有自适应的特点而得到广泛应用。但极限学习机的预测性能受到随机生成的输出权值和隐含层偏置的影响，且风电功率时间序列具有非线性强和非平稳性高的特点，单一的极限学习机很难对波动较大的风电功率序列进行准确预测。而传统的差分进化算法在处理大规模参数优化问题时存在早熟收敛问题，无法获得最优的参数优化效果。

发明内容

为了克服上述现有技术所存在的无法达到最优的预测效果，在优化过程中存在局部最优的早熟收敛以及原始风电功率波动性大的问题，本发明提供了一种风电功率预测方法，是一种基于局域均值分解和改进差分算法优化极限学习机的风电功率预测方法，有效降低了原始风电功率数据非线性强对预测结果的影响，避免了单一极限学习机的非最优参数的情况，同时解决了差分进化算法的局部最优问题。

为解决上述技术问题，本发明提供以下技术方案：

一种风电功率预测方法，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。

进一步的，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：