[发明专利]一种风电功率短期预测方法

权利要求书

1.一种风电功率短期预测方法，其特征在于：包括如下步骤：

(Ⅰ)采用集合经验模态分解将SCADA系统记录的原始风速时间序列进行模态分解，再次应用EEMD对一次集合经验模态分解得到的IMF1分量进行二次剖分，得到多个不同频段的稳定的风速子序列，具体步骤如下：

(1)首先对第一个本征模态函数添加的白噪声产生新的序列y₁(t)，由控制，r为迭代的次数；α为白噪声的幅值；e_r是误差的标准偏差；

(2)使用三次样条插值的办法分别求出加入白噪声后的序列的上、下包络线，并求出其上下包络线的平均值h₁(t)；

(3)令m₁(t)＝y₁(t)-h₁(t)，并检查{m₁(t)}是否是IMF分量，用剩余的r₁(t)＝y₁(t)-h₁(t)代替{y(t)}，否则，将{y₁(t)}替换为{m₁(t)}，并重复步骤(2)；

(4)重复以上步骤中的过程共n次，直到不能再计算得到IMF并且剩余部分r_1n(t)变成单调函数，最后将n次分解得到的全部分量集成平均后作为最终的结果；

(Ⅱ)对得到的全部子序列进行相空间重构，分别进行建模预测，对每个子序列的风速数据作为模型的训练样本，建立EM-AD-ELM模型确定ELM隐含层的具体数目，具体步骤如下：

(1)初始化一个有L₀个隐节点的单隐层前向神经网络，L₀为一个人为设定小的正整数；

(2)计算隐藏层输出矩阵H₁；

(3)计算相应残差E(H₁)；

(4)设置k＝0，ε＝0.01，当且E(H_k)＞ε，进行以下迭代：①k＝k+1；②随机增加δL_k-1个隐节点，总隐节点数目为：L_k＝L_k-1+δL_k-1，相应隐藏层输出矩阵H_k+1＝[H_k,δH_k]；③计算残差E(H_k+1)；

迭代结束后，确定了极限学习机隐藏层神经元的数目，

(5)使用历史数据对神经网络进行训练，训练输入数据是w_i,w,…,w_i-m+1，输出数据是w_i+1，运用EM-ELM算法进行训练神经网络；

(6)用自适应度量标准来进行欧氏空间距离度量，以方程为基础，将数据集w_i,w_i-1,…,w_i-m+1和时间序列的其他部分进行比较；

(7)运用k近邻方法，并在方程的基础上获得初始化神经网络的输入数据根据方程来实现，神经网络的输入数据为

(8)通过神经网络获得结果Output_v＝a_v，v＝1,2，…,k，然后再运用方程获得预测结果w_t+1，将同样的数据反复进行s次，之后得到预测序列并运用式计算得到的预测序列平均值作为最终预测数据；

(Ⅲ)采用风速-风功率转化曲线建立数学模型，结合风速预测值求得风电功率的预测值，数学模型如下：