[发明专利]基于WD-LA-WRF模型的超短期风功率预测方法

说明书

本发明公开了属于超短期风功率预测技术领域的一种基于WD‑LA‑WRF模型的超短期风功率预测方法。本发明考虑风力发电的波动性和随机性，首先使用小波分解方法将风速序列和风功率序列分解为不同频率的子序列，然后使用狮子算法优化随机森林的参数，以提高预测模型的精度。最后使用构建的模型进行MATLAB仿真，对各子序列进行预测，将预测结果进行重构，得到最终预测结果。本发明提出的WD‑LA‑WRF模型通过对原始数据的分解与降噪，将原始数据的平稳信号与非平稳信号分离开，使数据更具分析价值。本发明通过狮子算法的改进，优化了模型的参数，提高了预测精度。该模型与其他单一模型对比，具有强大的泛化能力和鲁棒性。适用于超短期风电功率预测。

技术领域

本发明属于超短期风功率预测技术领域，具体涉及一种基于WD-LA-WRF模型的超短期 风功率预测方法。

背景技术

随着全球化石能源的枯竭以及能源消费的不断增长，大力开发新能源成为世界各国应对 “能源危机”的一个重要解决手段。风力发电作为一种潜力巨大的新能源发电方式，清洁无污染， 能够有效减缓气候变化、提高能源安全、促进低碳经济增长，极具商业化发展前景，目前各国 都在加大对风力发电及其相关技术的研究。但是，由于风的波动性及季节和昼夜的差异，风力 发电具有明显的间歇性和强劲的波动性，并网之后，严重影响电网电能质量。并且，随着风电 并网容量的迅速增加，电网调度计划编制和电网调度运行日益困难,风电受限矛盾更加突出， 风力发电对电网的威胁更加严重。提前对风电功率进行准确预测，可以缓解调峰电力系统的压 力，有效提高风电并网的能力。因此进行风电功率预测具有重要的意义。

按照研究方法划分，风电功率预测方法主要分为物理方法、统计方法和机器学习方法；因 为风电输出功率的主要样本数据来自于风速、风向、温度、湿度等物理因素，因此，物理方法 的基本思想是将数值天气预报得到的气象信息与其他物理信息作为自变量，构建风力发电功率 曲线拟合实际输出功率。该方法通过拟合曲线进行预测，适用于无历史数据的情形，如新建风 力发电场，但该方法要求收集较为全面的数据，并且对数据精度要求高，不适用于短期预测。

统计方法主要是从统计学的角度，根据历史测量值的变化规律建立函数模型，对未来风电 功率进行预测，如自回归移动平均(ARMA)、自回归求积移动平均(ARIMA)、粒子滤波法、 马尔可夫链、回归分析、持久性模型(PER)等。其中，较为常用的是时间序列模型和回归分 析，这两种模型对平稳数据均具有良好的预测效果，但由于风能具有明显的周期性和随机性， 呈现出强烈的非平稳特性。与物理方法相比，统计方法不需要考虑风速变化的具体过程，建模 方法相对简单，预测精度较高，但是统计方法需要通过选择合适的函数模型建立输入与输出之 间严格的函数关系，因此，统计模型有很大的局限性。

机器学习算法以大量的历史数据训练模型，提取输入与输出之间的关系，然后用模型对新 的样本数据进行预测。该类算法主要包括神经网络、支持向量机、灰色预测、深度学习等。此 类算法适应性较强，能够通过不断地自我修正提高模型性能，从而能更好地处理非线性、不可 微等复杂的优化问题.但该方法需要大量的数据,分析计算过程更为复杂，并且可能存在过度拟 合、鲁棒性差等缺点。

其中，神经网络是较为常用的一种算法，它具有较强的自学习能力和高速寻求优化解的能 力，主要包括前馈神经网络和反馈神经网络。

随着智能预测技术的发展，支持向量机因其泛化能力好、鲁棒性强等优点收到了更多学者 的青睐。目前使用较为广泛是是最小二乘法支持向量机。

针对风力发电波动性和随机性较强的特点，研究者们会使用集合经验模式分解(EEMD) 将原风力发电序列分解成多个子序列，然后对子序列进行预测，并将预测结果重构为实际结果， 以提高预测的精确性。但该方法仍然不能避免模态混叠频繁出现的缺点。

因此需要一种以MATLAB为工具，对将原风力发电序列分解并进行预测模型仿真的模型。

发明内容