[发明专利]一种基于集合经验模态分解和相关向量机的风电功率实时预测方法

摘要

本发明是一种基于集合经验模态分解和相关向量机的风电功率实时预测方法，其特点是包括数据获取及处理、建立多步滚动预测模式、建立集合经验模态分解和相关向量机的风电功率预测模型和预测评价指标等步骤，具有科学合理，能够降低风电功率的非线性、非平稳性带来的影响，满足预测精度要求，利于电力系统调度，保证电能质量，降低运行成本等优点。

主权项

一种基于集合经验模态分解和相关向量机的风电功率实时预测方法，其特征在于，它包括以下步骤：(1)数据获取及处理选取某风电场整场机组以15分钟为时间间隔的实际风电功率数据，将历史数据分为两部分，前一部分作为训练样本，后一部分作为预测样本；(2)建立多步滚动预测模式进行风电功率预测时，一般假设当前时刻记为i，采样间隔记为i^*，已知历史数据y(i‑ni^*),n＝0,1,2,...,N，预测的值为y(i+mi^*),m＝1,2,...,M，M为多步预测的步数，则滚动多步预测的预测值可以表示为：$\begin{array}{c}{y}_G(i+{\mathrm{mi}}^{*})=f\left(y(i-(N-m+1)i^{*}\right),\\ ...y\left(i\right),y_G(i+i^{*}),...,y_G(i+(m-1)i^{*}))\end{array}---\left(1\right)$(3)建立集合经验模态分解和相关向量机的风电功率预测模型①采用集合经验模态对原始序列分解集合经验模态分解(EEMD)是将多组不同的白噪声序列加入到原始序列之上，然后分别对其进行经验模态分解(EMD)，之后将相应的固有模态分量(IMF)的均值看作是真实分量，每个固有模态分量(IMF)需要同时满足信号的零点数和极值点数最多相差一个；任意时刻，由局部极小值点和极大值点定义的包络线的均值为零，即上下曲线关于坐标轴局部对称，具体内容是：a.向原始序列x(t)中加入白噪声序列，白噪声序列服从(0,(αε)²)的正态分布，得到复合序列X(t)，b.对复合序列X(t)进行经验模态分解(EMD)，得到各阶固有模态分量(IMF)，此时其中c_i(t)为各阶固有模态分量(IMF)，r_n(t)为剩余分量，代表原信号的平均趋势，c.重复步骤(a)、(b)r次，每次加入的白噪声幅值不同，d.利用高斯白噪声频谱的零均值原理，原始信号对应的固有模态分量(IMF)为$c_n\left(t\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{c}_{i,n}\left(t\right);$②建立相关向量机预测模型相关向量机(RVM)是一种稀疏概率模型，它在先验参数的结构基础上，把样本数据进行迭代，使得大部分参数的后验概率分布趋于零，将模型稀疏化，对集合经验模态分解(EEMD)得到的各分量建立相关向量机(RVM)预测模型；③叠加对各分量得到最终的预测结果；(4)预测评价指标根据中华人民共和国能源局的有关规定，采用均方根误差M、准确率zq和合格率r作为评价的指标，当均方根误差越小、准确率越大、合格率越大时，预测精度越高，各指标的计算式如下：全天预测的均方根误差M：$M=\sqrt{\frac{1}{96\×16}\underset{i=1}{\overset{96}{\Σ}}\underset{k=1}{\overset{16}{\Σ}}\left(\frac{{\left(p_{Mi}^k-p_{Li}^k\right)}^2}{p_{Cap}}\right)}\×100\%---\left(2\right)$式中，M为均方根误差，是第i次实测功率时第k时刻的预测值，是第i次实测功率时第k时刻功率的实际值，p_cap是风电总场的装机容量，日平均预测准确率zq表示为：${\mathrm{zq}}_i=\[1-{\sqrt{\frac{1}{16}\underset{k=1}{\overset{16}{\Σ}}\left(\frac{p_{Mi}^k-p_{Li}^k}{p_{Cap}}\right)}}^2\]\×100\%---\left(3\right)$$zq=\frac{1}{96}\underset{i=1}{\overset{96}{\Σ}}{\mathrm{zq}}_i---\left(4\right)$式中，zq_i为第i次预测的准确率，日平均预测合格率r为：$r_i=\frac{1}{16}\underset{k=1}{\overset{16}{\Σ}}{B}_i^k\×100\%$$(1-\frac{\left|p_{Mi}^k-p_{Li}^k\right|}{p_{Cap}})\×100\%\≥85\%,B_i^k=1$$(1-\frac{\left|p_{Mi}^k-p_{Li}^k\right|}{p_{Cap}})\×100\%\<85\%,B_i^k=0$$r=\frac{1}{96}\underset{i=1}{\overset{96}{\Σ}}{r}_i---\left(5\right)$式中，r_i为第i次预测的合格率。