[发明专利]一种基于集成经验模态分解与深度信念网络的短期风功率预测方法

说明书

技术领域

本发明属于电力系统技术领域，具体涉及一种基于集成经验模态分解与深度信念网络的短期风功率预测方法，对电力系统风功率出力进行短期预测。

背景技术

随着清洁能源(如风能、太阳能等)的大力发展和推进，在一定程度上缓解了能源紧张、环境恶化的局面，但是其自身的波动性和随机性给电网安全稳定运行带来了极大的挑战。近年来，风能在电网中的渗透率逐年上升，2016年全国风电新增装机2337万千瓦，截至2016年底，全国风电累计装机1.69亿千瓦。准确预测未来一定时间内的风速，进而实现风力输出功率的短期预测对调度部门安排日前计划具有重要意义。

基于统计模型的短期风功率预测方法主要采用数学统计的思想，通过挖掘数据间存在的内在规律进行预测。此类方法主要有时间序列、神经网络、支持向量机、卡尔曼滤波等。由于风功率具有典型的非线性、强随机性、强波动性的特点，使得线性时间序列模型难以表征风功率的变化趋势。神经网络方法具有较好的预测精度，但过程基于“黑箱”原理，难于建立显性的数学表达。通过风功率时间序列分析可以建立风功率的线性数学模型，推导出物理意义明确的卡尔曼滤波状态方程和观测方程，由卡尔曼递推方程进行预测，取得了理想的预测精度。但卡尔曼滤波方法适用于线性数学模型，对于非线性过程处理能力弱。支持向量机模型采用结构风险最小化代替神经网络模型经验风险最小化，具有较强的泛化能力，因此可以有效的处理非线性、小样本回归问题。但由于支持向量机模型超参数训练求解过程计算效率低，因此在一定程度上影响了其广泛应用。

发明内容

针对现有电力系统短期风功率预测技术中存在的问题，如预测精度不高、模型参数选取困难等问题，提出一种基于集成经验模态分解与深度信念网络的短期风功率预测方法，采用深度信念网络建立短期风功率预测模型，相对于传统的神经网络预测方法，进一步提高了预测性能；为有效选取出对负荷具有较大贡献的输入变量集合，采用偏自相关函数度量两变量间的相关性，从而避免人工经验选取输入变量的不足，提高工程适应性；此外，为细致分析风功率局部内在变化规律，本发明采用集成经验模态分解技术将原始风功率序列分解为一系列特征互异的子序列，即模态函数，然后对每一模态函数进行建模分析，根据其变化特点采用偏自相关函数选取有效的输入变量，大大提高了预测精度。

实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种基于集成经验模态分解与深度信念网络的短期风功率预测方法，包括以下步骤：

步骤(1)：对原始风功率时间序列进行异常值检测与修正，采用集成经验模态分解将原始风功率序列分解为一系列特征互异的本征模态函数；

所述步骤(1)中采用集成经验模态分解将原始风功率序列分解为一系列特征互异的本征模态函数，具体过程为：

1.1在原始风功率序列f(t)中叠加随机高斯白噪声信号ω_j(t)，获得待分解信号F_j(t)，

F_j(t)＝f(t)+ω_j(t)

式中：j＝1,2,…,N，ω_j(t)为第j组高斯白噪声信号，N为高斯白噪声总组数，f(t)为原始风功率序列；

1.2对F_j(t)进行EMD分解，得到n个IMF分量和一个趋势分量，即：

c_j,i(t)＝h_j,k(t)

r_j,k(t)＝r_j,k-1(t)-c_j,i(t)

式中：h_j,k(t)为第j组第k次IMF过程分量筛选值，c_j,i(t)为第j组第i个IMF分量，r_j,k(t)为第j组第k次计算过程剩余分量，即对于第j组高斯白噪声信号，进行第k次迭代计算时获得的剩余分量，当迭代过程结束后，获得最终的第j组趋势分量r_j(t)；

1.3根据高斯零均值理论，采用集合平均的方法消除风功率序列中白噪声信号的波动，原始风功率序列对应的本征模态分量c_i′(t)与剩余分量r′(t)为：

式中：c_i'(t)为第i个原始风功率序列IMF分量，n为IMF分量总数，r′(t)为风功率序列剩余分量；r_j(t)为第j组趋势分量；