[发明专利]基于EWT‑ESN的短期风电功率预测方法

说明书

技术领域

本发明涉及风电输出功率预测技术领域，是一种基于EWT-ESN的短期风电功率预测方法。

背景技术

目前，风力发电技术的快速发展使得风机装机容量在地区电力系统中所占的比例逐渐增长，然而风电输出功率受风力间歇性、波动性的影响极不稳定，大规模风电并网给电力系统调度部门以及电能供应的可靠性带来了挑战，因此，准确而可靠地风电输出功率预测具有重要的意义。

风能的随机性和间歇性特点导致风电输出功率表现为波动强烈的非线性时间序列，目前，包括神经网络和SVM在内很多计算智能预测方法，能从风电功率的历史时间序列中描述出输入与输出的非线性关系，已经在风电功率预测方面得到了广泛的应用；然而，这些采用智能化算法直接建模的单一预测方法由于缺乏对风电功率本身变化规律的把握，很难从本质上取得较高的预测精度，往往会在风电功率变化剧烈的预测点产生较大的误差。近年来经验模态分解(Empirical Mode Decomposition,EMD)和小波分析结合神经网络和SVM的各种组合预测方法在风电功率预测方面取得了成功的应用，实验结果证明与单一预测方法相比，组合预测方法可以有效的提高预测精度。

EMD是近年来由Norden E.Huang在处理非线性，非平稳性信号方面得到了广泛的应用，然而，EMD缺乏严格的理论支撑，且其过包络和欠包络等问题易导致模态混叠现象，进而会导致分解得到较多的虚假模态分量，不仅影响分解结果的有效性，同时增加了组合预测的计算规模。在EMD的基础上，通过构造合适的正交小波滤波器组对信号的傅里叶谱进行自适应划分，以提取具有紧支撑傅里叶频谱的AM-FM成分。EWT是以小波分析为理论框架建立的，其计算速度优于EMD方法且具有较强的鲁棒性。回声状态网络(echo state networks,ESN)作为一种新的递归神经网络，在稳定性和网络训练复杂程度方面都优于传统神经网络，已经成为时间序列预测领域的研究热点。在EWT-ESN的基础上，提出一种基于EWT与ESN相结合的组合预测方法。

发明内容

本发明提供了一种基于EWT-ESN的短期风电功率预测方法，克服了上述现有技术之不足，其能有效解决现有的风电输出功率预测方法中存在预测精度低且在风电功率变化剧烈的预测点易产生误差的问题。

本发明的技术方案是通过以下措施来实现的：基于EWT-ESN的短期风电功率预测方法包括以下步骤：

第一步，将具有强非线性和非平稳性的原始风电功率采用EWT算法进行分解，得到N个模态分量，其中F₀表示经验尺度分量，F₁至F_N表示经验小波分量；EWT的计算是将原信号f(t)分解成为N+1个固有模态函数f_k(t)，一个f_k(t)定义为一组调幅-调频信号，即AM-FM信号：

第二步，结合各分解分量F₀至F_N的特点按照时间序列建立各分量的ESN预测模型，公式如下：

其中，η表示预测样本点的个数，x_t为由历史风电功率值(y_t-1,y_t-2,...,y_t-Δ)构成的多维输入向量，Δ为嵌入维数，f(·)用ESN预测模型的方法进行构建；

第三步，叠加各分量预测结果即得到最终的预测结果；

第四步，对预测结果进行误差分析，确定预测评价指标为平均绝对值百分比误差、均方根误差、最大绝对值误差，即：

平均绝对值百分比误差公式为：

均方根误差公式为：

最大绝对值误差为：

根据误差评价指标平均绝对值百分比误差、均方根误差、最大绝对值误差进行预测结果误差分析，其中，y_i表示实际功率值，表示功率预测值，η表示预测样本点数。

下面是对上述发明技术方案的进一步优化或/和改进：

上述在第一步中，EWT的算法实现包括以下步骤：

Step1:根据原始信号的频谱特性对傅里叶轴进行自适应的分割，分割为N个连续的部分，确定各个分割片段Λ_n；

Step2:在每一个Λ_n上根据Meyer小波确定经验尺度函数和经验小波函数分别如公式(6)和公式(7)所示：