[发明专利]一种风电功率预测装置及预测方法

摘要

一种风电功率预测装置及预测方法，预测装置由风机数据测试设备、历史数值天气预报数据接口、数据采集设备、路由器、数据库、数据处理器和网络服务器组成；本发明通过经验模态分解将非平稳的风速时间序列分解为不同尺度的分量，然后针对不同分量分别建立对应的模型进行预测，并通过改进的加权预测将各个分量的预测结果组合起来，和现有技术风电功率建模预测比较，本发明能有效的提高预测准确度。

主权项

1.一种风电功率预测装置，其特征是，由风机数据测试设备、历史数值天气预报数据接口、数据采集设备、路由器、数据库、数据处理器和网络服务器组成；其中，所述风机数据测试设备、所述历史数值天气预报数据接口与所述数据采集设备相连；所述数据采集设备、所述路由器、所述数据库、所述数据处理器和所述网络服务器依次相连；采用以下步骤：S1：收集历史数值天气预报和风机实测数据：采集运行风机总台数、故障风机台数、总上网电量、24h负荷大小与平均风速，每台风机24h所受风的风速和风向、转子转速、有功功率、无功功率；为保证测量准确度，测量频率为1min，每天测试1440组数据；采集每天24h的历史数值天气预报信息，预报信息数据最少采集1年365天的预报数据；S2：剔除冗余数据；S3：经验模态分解；S3.1提取风速时间序列信号x(t)的所有极大值，极小值，分别对其做三次样条插值形成上包络线，下包络线；S3.2计算上下包络线均值m1(t)，将原始时间序列x(t)与m1(t)的差定义为h1(t)，如式(1)所示：h1(t)＝x(t)‑m1(t)    (1)S3.3将h1(t)视为新序列信号重复前2个步骤，经过k次之后满足IMF条件时停止；记c1(t)＝h1(t)，则c1(t)为第一个IMF分量，包含原始时间序列中最高频分量；S3.4c1(t)分解出来之后，从原始序列去掉c1(t)的差值为r1(t)，如式(2)所示：r1(t)＝x(t)‑c1(t)    (2)S3.5将差值r1(t)作为初始时间序列重复步骤S3.1至S3.4，得到n个IMF分量以及最终剩余量rn(t)；原始时间序列被分解为n个IMF分量以及剩余量rn(t)，如式(3)所示：采用终止条件为：rn(t)≤δ(t)，δ(t)为限定值；S4：建立预测模型根据上述经验模态分解的给定有限样本{(x1,y1),(x2,y2),…,(xt,yt)}，其中xi∈Rn，yi∈R，i＝1,2,…,t；y1,y2,...,yt”的取值范围为“R”,即“R”表示为“yi”的取值范围；设对应样本的回归函数为式(4)：F＝{f|f(x)＝wT·xi+b,w∈Rn}    (4)Rn表示为xi的取值范围，R表示为yi的取值范围；Rn和R表示样本集，是数列集；结构风险函数为其中||w||2描述函数模型F的复杂度，C为常数，使模型复杂度和经验风险平衡，保证预测模型的泛化性能；Remp表示经验风险函数；Rreg表示结构风险函数；问题等价为如下最优问题，如式(6)所示：式(6)中ξi,ξi*为模型引入的松弛变量，保证风速问题解的存在，第二项则是用于控制模型的回归误差；ε为估计精度；风速序列为非线性时间序列，求解的思想是利用非线性映射函数将训练样本数据映射到一个高维特征空间，转换为高维线性回归；若非线性映射为Φ，则为式(7)：则f(x)为式(8)：其中，ai和ai*表示Lagrange函数的对偶形式；采用上述方法对风速时间序列分解出来的不同尺度数据列进行建模，有利于提高对不同尺度数据建模的准确度；S5：计算权重向量对不同分量建模后，需要将不同分量加权得到最终预测结果，其将权重算子定义为：设有(v1,a1)，(v2,a2)，...，(vm,am)m个二维数组，如式(9)：式(9)中IOWA[(v1,a1),(v2,a2),…,(vm,am)]简称为权重算子，vi称为ai的诱导值；w＝(w1,w2,…,wm)T为加权向量，vindex(i)为v1,v2,…,vm按从大到小顺序排列后第i个数的下标；且满足式10：式(10)表明，权重算子对诱导值v1,v2,…,vm进行排序后对应的a1,a2,…,am中的数进行有序加权叠加，wi只与ai的诱导值的排序有关，而与其本身大小无关；设有m个分量预测模型对时间t的预测值为一m×N矩阵，如式(11)：式(11)矩阵i＝1,2,…,m，t＝1,2,…,N；xit表示第i个分量预测模型对时间t的预测值；设w＝(w1,w2,…,wm)T，令ait为第i个分量预测模型对时间t的预测精度，即式(12)：式(12)中xt为时间t的实际功率，ait∈[0,1]；若将ait看作预测值xit的诱导值，那么i个分量预测模型预测精度及其预测值形成了二维数组(a1t,x1t),(a2t,x2t),…(amt,xmt)；对a1t,a2t,…,amt从大到小排序，aindex(it)是时间为t时第i个预测精度的下标；根据式(9)权重算子的定义，得式(13)：S6：预测时刻t功率令于是所有时间N上总的预测误差平方和F为式(14)：即：S7：利用时刻分量预测值迭代计算；并输出t时刻预测值，最后发送至网络服务器式(15)可表示为式(16)：式(16)中，W表示变量是斜体；实际上是一个二次规划问题，可以通过牛顿法、共轭梯度法、内点法标准二次型优化技术来求解，也可利用K‑T条件将其转换成线性规划问题或直接使用MATLAB来求解；采用加权方法能够将不同分量的预测模型组合起来，形成最后预测结果；利用时刻分量预测值迭代计算；当预测时刻t大于原始时间序列n时，停止迭代，输出t时刻预测值，最后发送至网络服务器。