[发明专利]一种短期风电功率组合预测方法

说明书

技术领域

本发明涉及一种短期风电功率组合预测方法。

背景技术

近年来，随着风电装机容量的快速增长，风电在电网中的比例逐年增大。由于风能本身的波动性和随机性，当风电穿透功率超过一定值后，将会对电力系统的调度运行和电能质量带来严峻挑战，这严重限制了风电的发展。如果能有效的对风电功率进行预测，不仅可以减少电力系统的备用容量、降低系统运行成本，而且还可以减轻风电对电网造成的不利影响，有效提高电力系统中风电最大装机比例，提高风电竞力。

目前常用的短期风电功率预测模型一般基于统计预测方法，主要有持续法、卡尔曼滤波法、时间序列法、支持向量机回归法、人工神经网络法等。其中持续法是一种较为简单有效的直接预测方法，一般作为基准来衡量其它方法的有效性和先进性；其它几种预测方法的实质是直接拟合风电功率与其影响因素之间的“黑箱”模型，减少中间环节对预测结果的影响，虽然取得了一定的效果，但是由于风功率本身的特性没有得到深度挖掘，预测效果过度依赖于“黑箱”模型的性能，建立的模型往往具有对模型设定形式的敏感性和信息源的不广泛性等缺点。所以短期风功率预测应从深度挖掘风功率特性出发，基于风功率特点，针对性的选择多种算法，通过算法优势互补来建立组合预测模型。

风电功率的非线性和非平稳性特性是影响预测效果的主要原因，对风功率信号进行一定尺度或波动趋势的有效分解可降低信号的非平稳性。集合经验模态分解是对传统经验模态分解方法的巨大改进，有效解决了传统经验模态分解的模态混叠问题，使真实信号得到最大程度的保留。小波神经网络是小波理论和人工神经网络相结合的产物，综合了小波变换视频局域化的优点和神经网络的自学习能力。其基本思想是把小波基函数当作神经元的激励函数来建立起小波变换和神经网络之间的联系。由于小波神经网络继承了小波分解的性质特征，所以能以低分辨率在序列分布松散区域学习，以高分辨率在序列分布密集区域学习，这些特点有利于神经网络更易“捕捉”输入和输出数据之间的内在规律，因此小波神经网络比传统神经网络更智能、高效和灵活。

发明内容

本发明从研究风功率特性出发，提出了一种直接考虑相关历史数据与功率输出的关系、建模方法简单的短期风电功率组合预测方法。是一种基于集合经验模态分解和小波神经网络的新型风功率组合预测模型。首先使用集合经验模态分解降低风功率信号的非平稳性，其次采用相空间重构挖掘各子序列信号的混沌特性，然后运用小波神经网络对各子序列分别进行建模预测，最后将各子序列的预测结果叠加得到最终预测结果。本发明所提的组合预测模型具有较高的预测精度和较大的工程应用潜力。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种短期风电功率组合预测方法，包括以下步骤：

步骤1、从风电场SCADA系统中进行数据提取并记录，采集并保存风功率序列数据；

步骤2、对所提取的风功率序列进行集合经验模态分解，得到两个以上的子序列和一个余量；

步骤3、分别对各子序列和余量采用C-C法重构相空间；

步骤4、以重构后的相空间为学习样本，训练小波神经网络模型，采用训练好的预测模型进行预测，并将各子序列和余量的预测结果进行叠加，得到风功率预测结果；

步骤5、对风电功率预测结果进行误差分析。

所述步骤2中，对采集的风功率序列进行集合经验模态分解包括以下四个步骤，

步骤2.1、向风功率序列{x(t)}中加入白噪声序列；

步骤2.2、使用经验模态分解将加入白噪声后的风功率序列分解为两个以上的本征模态分量c_n(t)和一个剩余分量r_N(t)；

步骤2.3、重复步骤2.1和步骤2.2共r次，每次加入的白噪声序列的幅值不同；

步骤2.4、将r次分解得到的固有模态分量求整体平均，将其作为原信号的最终固有模态分量。

所述步骤5中，采用如下的三种风功率误差评价方法进行误差分析，

归一化均方根误差e_NRMSE、归一化绝对平均误差e_NMAE、最大绝对误差e_MAE，其定义如下：