[发明专利]一种基于VMD和BLS组合模型的风电功率预测方法

说明书

本发明涉及一种基于VMD和BLS组合模型的风电功率预测方法，该方法包括以下步骤：步骤1：收集风电功率数据，并进行训练样本和测试样本的选取；步骤2：对采集到的风电功率数据进行VMD变分模态分解，得到VMD分解风电功率序列；步骤3：将VMD分解风电功率序列中的各个模态分量输入至BLS模型中进行预测，得到各个模态分量对应的BLS模型输出量；步骤4：对所有模态分量对应的BLS模型输出量叠加求和，得到最终的组合模型预测的风电功率结果，并进行误差计算。与现有技术相比，本发明具有较单一预测模型能够优势互补，提高预测精度和增强模型的鲁棒性等优点。

技术领域

本发明涉及风电技术领域，尤其是涉及一种基于VMD和BLS组合模型的风电功率预测方法。

背景技术

目前来看，风电功率预测的方法有物理方法、时间序列法和人工智能方法。人工智能方法包括人工神经网络(ANN)和支持向量机(SVM)等。

目前大多数模型都是在支持向量机或神经网络的基础上结合其他算法进行组合预测得到预测功率。如经验模态分解(ELM)或小波变换与支持向量机的组合对风功率进行预测,预测效果不是很好。

上述方法中SVM和ANN对风电功率进行预测精度不高，小波变换中小波基的选取与分解尺度的确定比较困难，经验模态分解易使分解数据模态混叠、出现端点效应现象，影响预测的精度。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于VMD和BLS组合模型的风电功率预测方法，首先对原始风功率时间序列进行变分模态分解，然后通过对分解后的K个有限带宽本证模态分量(BIMF)分别BLS回归预测，最后将各分量预测结果进行线性叠加得到最终预测结果。

本发明的目的可以通过以下技术方案来实现：

一种基于VMD和BLS组合模型的风电功率预测方法，该方法包括以下步骤：

步骤1：收集风电功率数据，并进行训练样本和测试样本的选取；

步骤2：对采集到的风电功率数据进行VMD变分模态分解，得到VMD分解风电功率序列；

步骤3：将VMD分解风电功率序列中的各个模态分量输入至BLS模型中进行预测，得到各个模态分量对应的BLS模型输出量；

步骤4：对所有模态分量对应的BLS模型输出量叠加求和，得到最终的组合模型预测的风电功率结果，并进行误差计算；

进一步地，所述的步骤2包括以下分步骤：

步骤201：构造约束变分模型；

步骤202：对约束变分模型对应的约束问题中引入拉格朗日乘子和惩罚因子，将其转变为非约束的变分问题；

步骤203：利用交替方向乘子法求解非约束的变分问题对应式子中的鞍点，获得相应变量的更新公式；

步骤204：确定更新迭代的停止条件后，对采集到的风电功率数据进行VMD变分模态分解，得到VMD分解风电功率序列。

进一步地，所述的步骤201中的约束变分模型，其对应的数学描述公式为：

式中，δ(t)表示单位脉冲函数，*表示卷积，表示偏导，u_k(t)表示K个分量，{w_k}表示K个BIMF分量的中心频率，{u_k}表示K个BIMF分量，f(t)表示风电功率的时间数据，e^-jwkt表示单边际谱的指数信号。

进一步地，所述的步骤202中的非约束的变分问题，其对应的数学描述公式为：

式中，α表示惩罚因子，λ表示拉格朗日乘子。