风电功率组合预测建模和预测方法与流程

专利2022-06-29  76


本发明涉及分布式电源功率预测的技术领域,特别是涉及一种风电功率组合预测建模方法和预测方法。



背景技术:

随着能源消耗的日益增加,能源供给也持续紧张,煤、石油、天然气等化石类资源都面临着在近几十到一百年内将耗尽的问题。不断增长的能源消费总量和越来越少的资源使得我国面临着很大的能源压力,同时化石燃料造成的环境问题也日益引起人们的关注。

近年来,以太阳能、风能等可再生能源为基础的分布式发电技术得到了广泛的应用。积极开发利用可再生新能源,改善能源结构是我国,同时也是世界能源的一个重要发展与研究方向。近年来,分布式发电作为一种新型发电技术,以发电灵活、供电可靠、节能环保等优点,得到了很大的发展。它有效弥补了传统发电方式的不足,对未来大电网提供了有力支撑,也成为了利用可再生能源的理想形式。因此发展分布式发电对于国民生产的能源供应和安全来说有着重要的战略意义。

然而,由于自然环境因素的影响,光伏发电和风力发电的输出功率具有很强的随机性,需要对分布式电源的输出功率进行有效预测,对电网调度计划的安排提供可靠依据。



技术实现要素:

基于此,有必要提供一种风电功率组合预测建模方法和预测方法,以提高风电功率预测准确率,保证电网的精确调度和光伏电站的稳定运行。

本发明提供了一种风电功率组合预测建模方法,包括:

获取多个历史风电出力时间序列样本;

对多个所述风电出力时间序列样本进行分组,得到多组风电出力时间序列数据,利用经验模态分解算法分别对每一组所述风电出力时间序列数据进行分解,以根据每一组所述风电出力时间序列数据得到多个本征模态函数和趋势项;

依据游程判别法对同一组内的多个所述本征模态函数按照波动程度分类,并分别将同一类别中的多个所述本征模态函数和所述趋势项进行重构,重构后得到高频分量、低频分量和趋势分量;

对所述高频分量、所述低频分量和所述趋势分量进行数据归一化处理,并将归一化处理后的所述高频分量、所述低频分量和所述趋势分量作为训练样本;

利用所述训练样本对预先建立的elman神经网络模型进行训练,得到风电功率组合预测模型。

在其中一个实施例中,在所述获取风电出力时间序列样本的历史数据之前,所述方法还包括:

等时间间隔获取所述风电场的出力数据,并持续预设时长,以获取多组所述风电场的出力数据;

根据每一组所述风电场的出力数据,生成一个所述风电出力时间序列样本。

在其中一个实施例中,所述风电场的出力数据的采样分辨率为1个数据点每小时。

在其中一个实施例中,所述利用经验模态分解算法分别对每一组所述风电出力时间序列数据进行分解,包括:

找出同一组中每一所述风电出力时间序列的极大点和极小点;

利用三次样条插值函数,根据确定出的所有所述极大点拟合形成原数据序列的上包络线,以及根据确定出的所有所述极小点拟合形成原数据序列的下包络线;

将所述风电出力时间序列减去所述上包络线和所述下包络线的均值,得到中间数据序列;

判断所述中间数据序列中是否存在新的极大值和新的极小值;

若所述中间数据序列中不存在所述新的极大值和所述新的极小值,则判定所述中间数据序列为所述风电出力时间序列的本征函数。

在其中一个实施例中,所述风电功率组合预测建模方法,还包括:

若所述中间数据序列中存在极大值和极小值,则利用三次样条插值函数对所述中间数据序列中的极大点拟合形成所述中间数据序列的上包络线,以及对所述中间数据序列中的极小点拟合形成所述中间数据序列的下包络线;

将所述中间数据序列减去所述中间数据序列的上包络线和下包络线的均值,得到新的所述中间数据序列;

判断新的所述中间数据序列中是否存在极大值和极小值;

若新的所述中间数据序列中不存在极大值和极小值,则判定新的所述中间数据序列为所述风电出力时间序列的本征函数;

否则,返回至利用三次样条插值函数对所述中间数据序列中的极大点拟合形成所述中间数据序列的上包络线,以及对所述中间数据序列中的极小点拟合形成所述中间数据序列的下包络线的步骤。

在其中一个实施例中,所述对所述高频分量、所述低频分量和所述趋势分量进行数据归一化处理,包括:

对原始数据的线性变换,使结果值映射到[0,1]之间,转换函数如下:

x*=(x-min)/(max-min)

其中,所述x归一化处理前的所述高频分量、所述低频分量或所述趋势分量,所述x*为对应的归一化处理后的所述高频分量、所述低频分量或所述趋势分量,所述max为所述风电出力时间序列数据中的最大值,min为所述风电出力时间序列数据中的最小值。

在其中一个实施例中,所述依据游程判别法对同一组内的多个所述本征模态函数按照波动程度分类,包括:

设所述本征模态函数对应时间序列为{x(t)}t=1,2,…,n),其中n是所述风电出力时间序列样本时间序列数量,其均值为

将比所述小的观测值记为“-”,比所述大的观测值记为“ ”,得到一个符号序列,并统计所述符号训练中的游程总数,其中,将每段连续相同符号序列定义为一个游程;

根据所述游程总数对所得到的所述本征模态函数进行分类。

在其中一个实施例中,所述elman神经网络模型包括输入层、隐含层、承接层和输出层。

基于同一发明构思,本发明还提供了一种风电功率组合预测方法,包括:

获取多个历史风电出力时间序列样本;

对多个所述风电出力时间序列样本进行分组,得到多组风电出力时间序列数据,利用经验模态分解算法分别对每一组所述风电出力时间序列数据进行分解,以根据每一组所述风电出力时间序列数据得到多个本征模态函数和趋势项;

依据游程判别法对同一组内的多个所述本征模态函数按照波动程度分类,并分别将同一类别中的多个所述本征模态函数和所述趋势项进行重构,重构后得到高频分量、低频分量和趋势分量;

对所述高频分量、所述低频分量和所述趋势分量进行数据归一化处理,并将归一化处理后的所述高频分量、所述低频分量和所述趋势分量作为训练样本;

利用所述训练样本对预先建立的elman神经网络模型进行训练,得到风电功率组合预测模型;

将日前风电场出力数据输入所述风电功率组合预测模型,得到与所述日前风电场出力数据对应的高频分量、低频分量和趋势分量;

将与所述日前风电场出力数据对应的高频分量、低频分量和趋势分量自适应叠加,得到并输出所述风电场出力预测值。

在其中一个实施例中,所述利用经验模态分解算法分别对每一组所述风电出力时间序列数据进行分解,包括:

找出同一组中每一所述风电出力时间序列的极大点和极小点;

利用三次样条插值函数,根据确定出的所有所述极大点拟合形成原数据序列的上包络线,以及根据确定出的所有所述极小点拟合形成原数据序列的下包络线;

将所述风电出力时间序列减去所述上包络线和所述下包络线的均值,得到中间数据序列;

判断所述中间数据序列中是否存在新的极大值和新的极小值;

若所述中间数据序列中不存在所述新的极大值和所述新的极小值,则判定所述中间数据序列为所述风电出力时间序列的本征函数。

在其中一个实施例中,所述风电功率组合预测模型采用多步法进行日前功率预测。

综上,本发明实施例提供了一种风电功率组合预测建模方法和预测方法。所述风电功率组合预测建模方法包括获取多个历史风电出力时间序列样本;对多个所述风电出力时间序列样本进行分组,得到多组风电出力时间序列数据,利用经验模态分解算法分别对每一组所述风电出力时间序列数据进行分解,以根据每一组所述风电出力时间序列数据得到多个本征模态函数和趋势项;依据游程判别法对同一组内的多个所述本征模态函数按照波动程度分类,并分别将同一类别中的多个所述本征模态函数和所述趋势项进行重构,重构后得到高频分量、低频分量和趋势分量;对所述高频分量、所述低频分量和所述趋势分量进行数据归一化处理,并将归一化处理后的所述高频分量、所述低频分量和所述趋势分量作为训练样本;利用所述训练样本对预先建立的elman神经网络模型进行训练,得到风电功率组合预测模型。可以理解,由于elman是一个具有局部记忆单元和局部反馈连接的回归神经网络,是一种典型动态神经元网络,拥有优异的动态形态辨识能力,因此本发明利用elman神经网络模型进行风电功率组合预测能够有效模拟新能源出力的动态特性,具有较高的预测精度。此外,本发明中利用经验模态分解算法分别对每一组所述风电出力时间序列数据进行分解,将复杂的风电出力时间序列数据简化成有限个本征模态函数,降低了不同特征信息之间的彼此影响和干涉,使得对于平稳分量的预测更加准确,同时降低各个分量的建模难度,从而降低风电功率组合预测建模方法的复杂度。

附图说明

图1为本发明实施例提供的一种风电功率组合预测建模方法的流程示意图;

图2为本发明实施例提供的另一种风电功率组合预测建模方法的流程示意图;

图3为本发明实施例提供石城风电场2011-2013年出力曲线;

图4为本发明实施例提供的将风电出力时间序列数据利用经验模态分解算法处理后的分解结果图;

图5为本发明实施例提供的一种elman神经网络结构示意图;

图6为本发明实施例提供的elman神经网络的预测流程示意图;

图7为本发明实施例提供的一种风电功率组合预测方法的流程示意图;

图8为本发明实施例提供的另一种风电功率组合预测方法的流程示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。

请参见图1,本发明实施例提供了一种风电功率组合预测建模方法,包括:

步骤s130,获取多个历史风电出力时间序列样本;

步骤s140,对多个所述风电出力时间序列样本进行分组,得到多组风电出力时间序列数据,利用emd(empiricalmodedecomposition,经验模态分解)算法分别对每一组所述风电出力时间序列数据进行分解,以根据每一组所述风电出力时间序列数据得到多个imf(intrinsicmodefunction,本征模态函数)和趋势项res;

步骤s150,依据游程判别法对同一组内的多个所述imf按照波动程度分类,并分别将同一类别中的多个所述本征模态函数imf和所述趋势项res进行重构,重构后得到高频分量imhf、低频分量imlf和趋势分量res;

步骤s160,对所述高频分量imhf、所述低频分量imlf和所述趋势分量res进行数据归一化处理,并将归一化处理后的所述高频分量imhf、所述低频分量imlf和所述趋势分量res作为训练样本;

步骤s170,利用所述训练样本对预先建立的elman神经网络模型进行训练,得到风电功率组合预测模型。

可以理解,由于elman是一个具有局部记忆单元和局部反馈连接的回归神经网络,是一种典型动态神经元网络,拥有记忆特性,通过存储内部状态使其具备映射动态特征的功能,拥有优异的动态形态辨识能力,在新能源出力预测方面elman神经网络预测模型完善性更好。因此本发明利用elman神经网络模型进行风电功率组合预测能够有效模拟新能源出力的动态特性,具有较高的预测精度。此外,本发明中利用emd算法分别对每一组所述风电出力时间序列数据进行分解,将复杂的风电出力时间序列数据转化成有限个本征模态函数,降低了不同特征信息之间的彼此影响和干涉,使得对于平稳分量的预测更加准确,同时降低各个分量的建模难度,从而降低风电功率组合预测建模方法的复杂度。

在其中给一个实施例中,在所述获取风电出力时间序列样本的历史数据之前,请参见图2,所述方法还包括:

步骤s110,等时间间隔获取所述风电场的出力数据,并持续预设时长,以获取多组所述风电场的出力数据;

步骤s120,根据每一组所述风电场的出力数据,生成一个所述风电出力时间序列样本。

在其中给一个实施例中,所述风电场的出力数据的采样分辨率为1个数据点每小时。

本实施例中,选取风电场连续30日的风电场的出力数据作为输入向量,后连续3日作为目标向量,采样分辨率为1个数据点/小时,每组输入向量为720个功率测量点。

如图3所示的石城风电场2011-2013年三个年度10-11月份风电小时出力时间序列数据。样本数据是2011-2013年10-11月份风电出力数据,其中前两年和2013年11月27日之前数据均作为样本训练和测试数据,2013年11月28-30日为目标预测数据。在预测过程中,每30日连续出力数据作为一组输入向量,接着后3日连续出力数据作为目标向量,例如:2011年10月28日-11月27日作为一组输入向量,接着11月28-30日作为一组目标向量,只是这组输入向量和目标向量比较特殊,这组数据还分别是预测测试样本和目标预测结果。

在其中给一个实施例中,所述利用emd算法分别对每一组所述风电出力时间序列数据进行分解,包括:

找出同一组中每一所述风电出力时间序列的极大点和极小点;

利用三次样条插值函数,根据确定出的所有所述极大点拟合形成原数据序列的上包络线,以及根据确定出的所有所述极小点拟合形成原数据序列的下包络线;

将所述风电出力时间序列减去所述上包络线和所述下包络线的均值,得到中间数据序列;

判断所述中间数据序列中是否存在新的极大值和新的极小值;

若所述中间数据序列中不存在所述新的极大值和所述新的极小值,则判定所述中间数据序列为所述风电出力时间序列的本征函数。

在其中一个实施例中,所述风电功功率组合预测建模方法还包括:

若所述中间数据序列中存在极大值和极小值,则利用三次样条插值函数对所述中间数据序列中的极大点拟合形成所述中间数据序列的上包络线,以及对所述中间数据序列中的极小点拟合形成所述中间数据序列的下包络线;

将所述中间数据序列减去所述中间数据序列的上包络线和下包络线的均值,得到新的所述中间数据序列;

判断新的所述中间数据序列中是否存在极大值和极小值;

若新的所述中间数据序列中不存在极大值和极小值,则判定新的所述中间数据序列为所述风电出力时间序列的本征函数;

否则,返回至利用三次样条插值函数对所述中间数据序列中的极大点拟合形成所述中间数据序列的上包络线,以及对所述中间数据序列中的极小点拟合形成所述中间数据序列的下包络线的步骤。

本实施例中,具体分解过程包括:在确定出所有的极大点和极小点后,利用三次样条插值函数,根据确定出的所有所述极大点拟合形成原数据序列的上包络线,以及根据确定出的所有所述极小点拟合形成原数据序列的下包络线。进一步的,将上包络线和下包络线的均值记作ml,将原数据序列x(t)减去该平均包络ml,得到一个新的数据序列hl:x(t)-ml=hl。若新的数据序列中还存在负的局部极大值和正的局部极小值,说明这还不是一个本征模函数,需要继续进行筛选,直至形成的新的数据序列中不存在所述新的极大值和所述新的极小值,即所述新的数据序列中的上包络线和下包络线的平均值为0。

例如,选取连续30日作为输入向量,后连续3日作为目标向量,采样分辨率为1个数据点/小时,每组输入向量为720个功率测量点,其中一组输入向量的经验分解结果如图4所示。该组样本输入向量经过emd分解得到7个本征模态函数imf和1个趋势项res,经验模式分解得到各个分量波动频率依次减小,相比原始样本小时出力时间序列逐渐表现出明显规律性。可见,通过经验模式的分解,非线性非平稳出力时间序列信号自适应的分解为具有不同时间特征尺度的平稳分量,降低了不同特征信息之间的彼此影响和干涉,使得对于平稳分量的预测更加准确。

在其中一个实施例中,所述依据游程判别法对同一组内的多个所述imf按照波动程度分类,包括:

设所述本征模态函数对应时间序列为{x(t)}t=1,2,…,n),其中n是所述风电出力时间序列样本时间序列数量,其均值为

将比所述小的观测值记为“-”,比所述大的观测值记为“ ”,得到一个符号序列,并统计所述符号训练中的游程总数,其中,将每段连续相同符号序列定义为一个游程;

根据所述游程总数对所得到的所述本征模态函数进行分类。

本实施例中,考虑到不同组输入向量emd分解所得imf数量差异性,以及对每个imf一一预测困难性,决定依据游程判别法将多个imf和趋势项重构为高频、低频和趋势三分量,然后分别应用elman神经网络进行风电三日前出力的直接多步预测,一方面相比直接对非线性非平稳风电出力时间序列预测增加了精度,另一方面避免了对emd分解的各个imf和res分别预测的复杂度,同时保留了预测准确度。

考虑到风电出力特性具有一定日变化规律,同时为了准确划分高频和低频分量,计算选取游程数为24作为阀值,大于阀值数的imf合并为高频分量,低于阀值数的imf合并为低频分量。基于该阀值确定的三分量重构原则如表1所示,由于输入向量和目标向量点数存在差异,输入向量数据点为720,目标向量数据点为72,因而游程选取不同,目标向量选择游程阀值为12。

表1基于游程判别法的三分量重构原则

在其中一个实施例中,所述对所述高频分量imhf、所述低频分量imlf和所述趋势分量res进行数据归一化处理,包括:

对原始数据的线性变换,使结果值映射到[0,1]之间,转换函数如下:

x*=(x-min)/(max-min)

其中,所述x归一化处理前的所述高频分量imhf、所述低频分量imlf或所述趋势分量res,所述x*为对应的归一化处理后的所述高频分量imhf、所述低频分量imlf或所述趋势分量res,所述max为所述风电出力时间序列数据中的最大值,min为所述风电出力时间序列数据中的最小值。

在其中一个实施例中,所述elman神经网络模型包括输入层、隐含层、承接层和输出层。

请参见图5和图6,elman神经网络建模包括模型拓扑结构、传递函数、数据输入和输出等,拓扑结构选择包括:网络层数、输入层节点数、隐层节点数、输出层节点数。前两年和2013年11月27日之前数据均作为样本训练和测试数据,2013年11月28-30日为目标预测数据,每30日连续出力数据作为输入向量,接着后3日连续出力数据作为目标向量,总计86组训练的输入向量和目标向量,所以输入层神经元节点数86,由于每组输入向量是720维(每日24个点,连续30日),训练量较大,经过训练量、训练精度和速度等综合比较,选取3层神经元,含有一个隐层。隐层的传递函数选取单极性sigmoid非线性转移函数(双曲正切函数tansig或logsig),输出层选择purelin线性函数输出。

进一步的,将elman神经网络模型根据测试数据计算得到的风电场出力预测值与作为目标向量的后3日连续出力数据进行比较,进行误差分析。若误差值在允许范围内,则说明已完成风电功率组合预测模型的建立;否则,还需要利用训练样本进一步优化所述风电功率组合预测模型,直至预测值与目标向量的误差落入允许范围。

基于同一发明构思,本发明实施例还提供了一种风电功率组合预测方法,请参见图7和图8,包括:

步骤s210,获取多个历史风电出力时间序列样本;

步骤s220,对多个所述风电出力时间序列样本进行分组,得到多组风电出力时间序列数据,利用emd算法分别对每一组所述风电出力时间序列数据进行分解,以根据每一组所述风电出力时间序列数据得到多个本征模态函数imf和趋势项res;

步骤s230,依据游程判别法对同一组内的多个所述imf按照波动程度分类,并分别将同一类别中的多个所述本征模态函数imf和所述趋势项res进行重构,重构后得到高频分量imhf、低频分量imlf和趋势分量res;

步骤s240,对所述高频分量imhf、所述低频分量imlf和所述趋势分量res进行数据归一化处理,并将归一化处理后的所述高频分量imhf、所述低频分量imlf和所述趋势分量res作为训练样本;

步骤s250,利用所述训练样本对预先建立的elman神经网络模型进行训练,得到风电功率组合预测模型;

步骤s260,将日前风电场出力数据输入所述风电功率组合预测模型,得到与所述日前风电场出力数据对应的高频分量imhf、低频分量imlf和趋势分量res;

步骤s270,将与所述日前风电场出力数据对应的高频分量imhf、低频分量imlf和趋势分量res自适应叠加,得到并输出所述风电场出力预测值。

本实施例中,用elman神经网络模型进行风电功率组合预测能够有效模拟新能源出力的动态特性,具有较高的预测精度。此外,本发明中利用emd算法分别对每一组所述风电出力时间序列数据进行分解,将复杂的风电出力时间序列数据转化成有限个本征模态函数,降低了不同特征信息之间的彼此影响和干涉,使得对于平稳分量的预测更加准确,同时降低各个分量的建模难度,从而降低风电功率组合预测建模方法的复杂度。

根据elman神经网络结构图,可知结构单元k时刻的输出值是的k-1时刻的输出值的a倍,即:

xc,l(k)=a·xc,l(k-1) xl(k-1)l=1,2,...,n(1)

其中,xc,l(k)和xl(k)表示第l个隐含层单元的输出,a为自连接反馈增益因子。当a固定为零时,此时网络为标准elman神经网络;当a不为零时,为改进的elman神经网络。

神经网络的数学模型为:

xc(k)=a·xc(k-1) x(k-1)(2)

x(k)=f(w1xc(k) w2u(k-1))(3)

yk=g(w3x(k))(4)

式中:f(x)多取为sigmoid函数,即:

g(x)多取为线性函数,即:yk=w3x(k)

定义k时刻网络权值调整的误差函数e:

将e对隐含层到输出层的连接权w3求偏导,得:

式中:i=1,2,…m,j=1,2,…n(7)

将e对输出层到隐含层的连接权w2求偏导,得:

同理,令则有

式中:j=1,2,…n,q=1,2,…r(9)

类似地,再将e对结构单元到隐含层的连接权w1求偏导,得:

式中:j=1,2,...,n,l=1,2,...,n(10)

注意到在上面的式子中:

不考虑xc(k)对连接权w1jl的依赖,则

fj′(*)xc,l(k)=fj′(*)xl(k-1) afj′(*)xc,l(k)(13)

代入上式,得:

可以导出改进elman的学习算法如下:

δw2jq=ηδjuq(k-1),j=1,2,...,n;q=1,2,...,r(16)

其中

在其中一个实施例中,所述利用emd算法分别对每一组所述风电出力时间序列数据进行分解,包括:

找出同一组中每一所述风电出力时间序列的极大点和极小点;

利用三次样条插值函数,根据确定出的所有所述极大点拟合形成原数据序列的上包络线,以及根据确定出的所有所述极小点拟合形成原数据序列的下包络线;

将所述风电出力时间序列减去所述上包络线和所述下包络线的均值,得到中间数据序列;

判断所述中间数据序列中是否存在新的极大值和新的极小值;

若所述中间数据序列中不存在所述新的极大值和所述新的极小值,则判定所述中间数据序列为所述风电出力时间序列的本征函数。

进一步的,若所述中间数据序列中存在极大值和极小值,则利用三次样条插值函数对所述中间数据序列中的极大点拟合形成所述中间数据序列的上包络线,以及对所述中间数据序列中的极小点拟合形成所述中间数据序列的下包络线;

将所述中间数据序列减去所述中间数据序列的上包络线和下包络线的均值,得到新的所述中间数据序列;

判断新的所述中间数据序列中是否存在极大值和极小值;

若新的所述中间数据序列中不存在极大值和极小值,则判定新的所述中间数据序列为所述风电出力时间序列的本征函数;

否则,返回至利用三次样条插值函数对所述中间数据序列中的极大点拟合形成所述中间数据序列的上包络线,以及对所述中间数据序列中的极小点拟合形成所述中间数据序列的下包络线的步骤。

本实施例中,具体分解过程包括:在确定出所有的极大点和极小点后,利用三次样条插值函数,根据确定出的所有所述极大点拟合形成原数据序列的上包络线,以及根据确定出的所有所述极小点拟合形成原数据序列的下包络线。进一步的,将上包络线和下包络线的均值记作ml,将原数据序列x(t)减去该平均包络ml,得到一个新的数据序列hl:x(t)-ml=hl。若新的数据序列中还存在负的局部极大值和正的局部极小值,说明这还不是一个本征模函数,需要继续进行筛选,直至形成的新的数据序列中不存在所述新的极大值和所述新的极小值,即所述新的数据序列中的上包络线和下包络线的平均值为0。

例如,选取连续30日作为输入向量,后连续3日作为目标向量,采样分辨率为1个数据点/小时,每组输入向量为720个功率测量点,其中一组输入向量的经验分解结果如图3所示。该组样本输入向量经过emd分解得到7个本征模态函数imf和1个趋势项res,经验模式分解得到各个分量波动频率依次减小,相比原始样本小时出力时间序列逐渐表现出明显规律性。可见,通过经验模式的分解,非线性非平稳出力时间序列信号自适应的分解为具有不同时间特征尺度的平稳分量,降低了不同特征信息之间的彼此影响和干涉,使得对于平稳分量的预测更加准确。

在其中一个实施例中,所述风电功率组合预测模型采用多步法进行日前功率预测。本实施例中,输入层和输出层节点数由预测样本输入和输出(提前预测步数)决定,预测时提前72步(每步为1h),输出为72个数据,输出层神经元确定为72。

为突显emd-elman组合预测模型的优越性,本实施例还利用elman单一预测模型进行了同步预测,并对预测输出结果进行了比较。具体的:

对重构的高频分量、低频分量和趋势分量分别运用elman神经网络进行直接多步预测,预测的输入向量均为86组720维训练学习样本,目标向量均为86组72维训练学习样本,同时均有一组720维模拟样本和一组72维对照测试结果,最后将三个分量预测结果自适应叠加得到组合预测值,具体两种不同预测模型的预测值曲线与实测值曲线,得到如图7所示的三日前72步预测曲线和实测曲线对比图。由该图可知:

1)elman单一预测模型和emd-elman组合预测模型均能较好预测三日前风电发电功率值,符合该测试风电出力变化规律,前24h出力预测准确度较高,预测具备较好的出力波动跟随特性;随着风电出力波动加剧以及预测时间尺度变长,预测精度下降,预测误差也逐渐增大。

2)对于风电出力时间序列较为平稳段,两种模型预测准确度均较高;相比elman单一预测模型,对于风电出力波动剧烈段以及较大幅值突变段,emd-elman组合预测模型均有较好跟随能力,预测准确度较高,总体预测精度emd-elman组合预测模型要优于elman单一神经网络预测模型。

表2elman预测和emd-elman预测误差指标对比分析

为了进一步研究两种预测模型的准确性和有效性,需要分析对比两种模型的预测误差,上述表2所示给出了elman预测和emd-elman预测方法的绝对平均误差emad、相对均方误差erse、归一化绝对平均误差enmae、归一化均方根误差enrmse典型四种预测误差指标,其中emad和enrmse主要表征预测误差的离散程度,erse表征预测误差相对实测值百分比,enmae主要表征预测误差的平均幅值,此外图8给出了elman预测和emd-elman预测误差曲线对比图。由表2误差评估指标发现,两种预测方法的短期预测精度均优于常规预测方法,其绝对平均误差均低于常规时间序列线性模型20%-30%预测误差,两者预测误差相对于实测值均较低,预测误差的平均幅值最大只有实测值10%左右,两种预测模型的归一化均方根误差均为4%,低于常规预测方法,同时表明两者预测误差的离散程度相似,预测过程均具有较好误差跟随能力,且emd-elman组合预测模型enrmse低于elman单一预测,进一步说明组合预测模型跟随特性优于单一预测模型。此外从绝对平均误差、相对均方误差、归一化绝对平均误差其他三个指标可以进一步表明emd-elman组合预测误差小于elman单一预测模型。

综上,本发明实施例提供了一种风电功率组合预测建模方法和预测方法。由于elman是一个具有局部记忆单元和局部反馈连接的回归神经网络,是一种典型动态神经元网络,拥有优异的动态形态辨识能力,因此本发明利用elman神经网络模型进行风电功率组合预测能够有效模拟新能源出力的动态特性,具有较高的预测精度。此外,本发明中利用emd算法分别对每一组所述风电出力时间序列数据进行分解,将复杂的风电出力时间序列数据简化成有限个本征模态函数,降低了不同特征信息之间的彼此影响和干涉,使得对于平稳分量的预测更加准确,同时降低各个分量的建模难度,从而降低风电功率组合预测建模方法的复杂度。

以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。


技术特征:

1.一种风电功率组合预测建模方法,其特征在于,包括:

获取多个历史风电出力时间序列样本;

对多个所述风电出力时间序列样本进行分组,得到多组风电出力时间序列数据,利用经验模态分解算法分别对每一组所述风电出力时间序列数据进行分解,以根据每一组所述风电出力时间序列数据得到多个本征模态函数和趋势项;

依据游程判别法对同一组内的多个所述本征模态函数按照波动程度分类,并分别将同一类别中的多个所述本征模态函数和所述趋势项进行重构,重构后得到高频分量、低频分量和趋势分量;

对所述高频分量、所述低频分量和所述趋势分量进行数据归一化处理,并将归一化处理后的所述高频分量、所述低频分量和所述趋势分量作为训练样本;

利用所述训练样本对预先建立的elman神经网络模型进行训练,得到风电功率组合预测模型。

2.如权利要求1所述的风电功率组合预测建模方法,其特征在于,在所述获取风电出力时间序列样本的历史数据之前,所述方法还包括:

等时间间隔获取所述风电场的出力数据,并持续预设时长,以获取多组所述风电场的出力数据;

根据每一组所述风电场的出力数据,生成一个所述风电出力时间序列样本。

3.如权利要求2所述的风电功率组合预测建模方法,其特征在于,所述风电场的出力数据的采样分辨率为1个数据点每小时。

4.如权利要求1所述的风电功率组合预测建模方法,其特征在于,所述利用经验模态分解算法分别对每一组所述风电出力时间序列数据进行分解,包括:

找出同一组中每一所述风电出力时间序列的极大点和极小点;

利用三次样条插值函数,根据确定出的所有所述极大点拟合形成原数据序列的上包络线,以及根据确定出的所有所述极小点拟合形成原数据序列的下包络线;

将所述风电出力时间序列减去所述上包络线和所述下包络线的均值,得到中间数据序列;

判断所述中间数据序列中是否存在新的极大值和新的极小值;

若所述中间数据序列中不存在所述新的极大值和所述新的极小值,则判定所述中间数据序列为所述风电出力时间序列的本征函数。

5.如权利要求4所述的风电功率组合预测建模方法,其特征在于,还包括:

若所述中间数据序列中存在极大值和极小值,则利用三次样条插值函数对所述中间数据序列中的极大点拟合形成所述中间数据序列的上包络线,以及对所述中间数据序列中的极小点拟合形成所述中间数据序列的下包络线;

将所述中间数据序列减去所述中间数据序列的上包络线和下包络线的均值,得到新的所述中间数据序列;

判断新的所述中间数据序列中是否存在极大值和极小值;

若新的所述中间数据序列中不存在极大值和极小值,则判定新的所述中间数据序列为所述风电出力时间序列的本征函数;

否则,返回至利用三次样条插值函数对所述中间数据序列中的极大点拟合形成所述中间数据序列的上包络线,以及对所述中间数据序列中的极小点拟合形成所述中间数据序列的下包络线的步骤。

6.如权利要求1所述的风电功功率组合预测建模方法,其特征在于,所述对所述高频分量、所述低频分量和所述趋势分量进行数据归一化处理,包括:

对原始数据的线性变换,使结果值映射到[0,1]之间,转换函数如下:

x*=(x-min)/(max-min)

其中,所述x归一化处理前的所述高频分量、所述低频分量或所述趋势分量,所述x*为对应的归一化处理后的所述高频分量、所述低频分量或所述趋势分量,所述max为所述风电出力时间序列数据中的最大值,min为所述风电出力时间序列数据中的最小值。

7.如权利要求1所述的风电功功率组合预测建模方法,其特征在于,所述依据游程判别法对同一组内的多个所述本征模态函数按照波动程度分类,包括:

设所述本征模态函数对应时间序列为{x(t)}t=1,2,…,n),其中n是所述风电出力时间序列样本时间序列数量,其均值为

将比所述小的观测值记为“-”,比所述大的观测值记为“ ”,得到一个符号序列,并统计所述符号训练中的游程总数,其中,将每段连续相同符号序列定义为一个游程;

根据所述游程总数对所得到的所述本征模态函数进行分类。

8.如权利要求1所述的风电功功率组合预测建模方法,其特征在于,所述elman神经网络模型包括输入层、隐含层、承接层和输出层。

9.一种风电功率组合预测方法,其特征在于,包括:

获取多个历史风电出力时间序列样本;

对多个所述风电出力时间序列样本进行分组,得到多组风电出力时间序列数据,利用经验模态分解算法分别对每一组所述风电出力时间序列数据进行分解,以根据每一组所述风电出力时间序列数据得到多个本征模态函数和趋势项;

依据游程判别法对同一组内的多个所述本征模态函数按照波动程度分类,并分别将同一类别中的多个所述本征模态函数和所述趋势项进行重构,重构后得到高频分量、低频分量和趋势分量;

对所述高频分量、所述低频分量和所述趋势分量进行数据归一化处理,并将归一化处理后的所述高频分量、所述低频分量和所述趋势分量作为训练样本;

利用所述训练样本对预先建立的elman神经网络模型进行训练,得到风电功率组合预测模型;

将日前风电场出力数据输入所述风电功率组合预测模型,得到与所述日前风电场出力数据对应的高频分量、低频分量和趋势分量;

将与所述日前风电场出力数据对应的高频分量、低频分量和趋势分量自适应叠加,得到并输出所述风电场出力预测值。

10.如权利要求9所述的风电功率组合预测方法,其特征在于,所述利用经验模态分解算法分别对每一组所述风电出力时间序列数据进行分解,包括:

找出同一组中每一所述风电出力时间序列的极大点和极小点;

利用三次样条插值函数,根据确定出的所有所述极大点拟合形成原数据序列的上包络线,以及根据确定出的所有所述极小点拟合形成原数据序列的下包络线;

将所述风电出力时间序列减去所述上包络线和所述下包络线的均值,得到中间数据序列;

判断所述中间数据序列中是否存在新的极大值和新的极小值;

若所述中间数据序列中不存在所述新的极大值和所述新的极小值,则判定所述中间数据序列为所述风电出力时间序列的本征函数。

11.如权利要求9所述的风电功率组合预测方法,其特征在于,所述风电功率组合预测模型采用多步法进行日前功率预测。

技术总结
本发明涉及一种风电功率组合预测建模方法和预测方法。风电功率组合预测建模方法包括对获取的多个风电出力时间序列样本进行分组,得到多组风电出力时间序列数据,利用经验模态分解算法分别对每一组风电出力时间序列数据进行分解,以根据每一组风电出力时间序列数据得到多个本征模态函数和趋势项;依据游程判别法对同一组内的多个本征模态函数按照波动程度分类,并分别将同一类别中的多个本征模态函数和趋势项进行重构得到高频分量、低频分量和趋势分量;对高频分量、低频分量和趋势分量进行数据归一化处理,并将归一化处理后的各个分量作为训练样本;利用训练样本对预先建立的Elman神经网络模型进行训练,得到风电功率组合预测模型。

技术研发人员:胡子珩;张华赢;汪清;徐青山;丁逸行;陶思钰
受保护的技术使用者:深圳供电局有限公司
技术研发日:2020.01.03
技术公布日:2020.06.05

转载请注明原文地址: https://bbs.8miu.com/read-52213.html

最新回复(0)