《一种基于EMD历史数据预处理的短期风电功率预测方法.pdf》由会员分享，可在线阅读，更多相关《一种基于EMD历史数据预处理的短期风电功率预测方法.pdf（7页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 104102951 A (43)申请公布日 2014.10.15 CN 104102951 A (21)申请号 201410185596.7 (22)申请日 2014.05.05 G06Q 10/04(2012.01) G06Q 50/06(2012.01) (71)申请人 南方电网科学研究院有限责任公司 地址 510062 广东省广州市越秀区东风东路 水均岗 6、 8 号西塔 1320 楼 申请人 贵州电网公司 (72)发明人 许爱东 文贤馗 雷金勇 陈建国 林呈辉 徐梅梅 申展 黄焘 郭晓斌 (74)专利代理机构 广州市南锋专利事务所有限 公司 44228 代理人。
2、 李永庆 (54) 发明名称 一种基于 EMD 历史数据预处理的短期风电功 率预测方法 (57) 摘要 本发明公开了一种基于 EMD 历史数据预处理 的短期风电功率预测方法， 所述方法在输入数据 前将历史数值天气预报数据和历史风机观测功率 数据中的不符合条件的样本数据剔除、 并进行归 一化处理 ； 然后采用 EMD 分解算法得到训练样本， 根据训练样本得到 n 个功率时间序列分量预测模 型 ； 最后将待测时刻的实际数值天气预报数据作 为输入， 分别输入至 n 个功率时间序列分量预测 模型内， 并将输出得到的 n 个功率时间序列分量 预测值进行加权叠加， 获得预测结果。本发明在 在输入数据前对冗。
3、余数据进行剔除， 并通过将功 率时间序列的按不同波动尺度分别进行精细化考 虑， 提高了对波动尺度较大的变化量的预测精度。 (51)Int.Cl. 权利要求书 1 页 说明书 4 页 附图 1 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书1页 说明书4页 附图1页 (10)申请公布号 CN 104102951 A CN 104102951 A 1/1 页 2 1. 一种基于 EMD 历史数据预处理的短期风电功率预测方法， 其特征在于 ： 包括以下步 骤 ： 步骤一 ： 获得历史数值天气预报数据和历史风机观测功率数据， 根据分析风电场功 率的影响因素， 剔除历史数值天。
4、气预报数据和历史风机观测功率数据中的不符合条件的样 本数据， 并将剔除后的历史数值天气预报数据和历史风机观测功率数据进行归一化 ； 步骤二 ： 根据步骤一得出的历史数值天气预报数据作为输入， 采用 EMD 分解算法对步 骤一得出的历史风机观测功率数据的时间序列进行分解， 分解出 n 个独立的功率时间序列 分量作为输出， 得到训练样本 ； 步骤三 ： 利用步骤二所示的训练样本对预测模型进行训练， 得到 n 个功率时间序列分 量预测模型 ； 步骤四 ： 将待测时刻的实际数值天气预报数据作为输入， 分别输入至步骤三获得的 n 个功率时间序列分量预测模型内， 并将输出得到的 n 个功率时间序列分量预测。
5、值进行加权 叠加， 获得预测结果。 2. 根据权利要求1所述的基于EMD历史数据预处理的短期风电功率预测方法， 其特征 在于 ： 所述步骤一的不符合条件的样本数据为风电场接到限电指令、 或者停机维修造成的 不符合风速 - 出力特性的样本数据。 3. 根据权利要求1所述的基于EMD历史数据预处理的短期风电功率预测方法， 其特征 在于 ： 所述步骤二的采用 EMD 分解算法对步骤一得出的历史风机观测功率数据的时间序列 进行分解， 分解出 n 个独立的功率时间序列分量， 具体过程为 ： 首先寻找时间序列信号中包含的所有极大值及极小值， 对时间序列信号中 每一个极大值和极小值分别通过插值法拟合出上、 。
6、下包络线 ； 按顺序连接上、 下两条包络线的均值， 得到均值线； 将原始时间序列减去均值得到； 当满足功率时间序列分量的条件时， 令=进入步骤， 当并不满 足功率时间序列分量的条件时， 将作为原始信号， 重复上述步骤至迭代次， 在每 次迭代的过程中判断是否满足=的条件， 如果不满足， 则继续迭代， 满足则进入步 骤 ； 将原始时间序列减去， 得到差值； 将差值看作一组新的时间序列信号重复上述步骤至的 EMD 分解过程， 经过 多次重复运算可以得到全部差值， 当满足社顶条件使得或小于预定值， 或者差值称为单调函数， 终止 EMD 分解， 得到 n 个独立的功率时间序列分量。 4. 根据权利要求 。
7、1 至 3 任一所述的基于 EMD 历史数据预处理的短期风电功率预测方 法， 其特征在于 ： 步骤四所述加权叠加的权重系数根据功率预测时刻 t 的功率时间序列分 量预测值不断更新。 权 利 要 求 书 CN 104102951 A 2 1/4 页 3 一种基于 EMD 历史数据预处理的短期风电功率预测方法 技术领域 0001 本发明涉及一种短期风电功率预测方法， 尤其是基于 EMD 历史数据预处理的短期 风电功率预测方法。 背景技术 0002 随着能源和环境问题的日益突出， 风电作为一种清洁的可再生能源日益受到人们 的重视。但由于风电具有波动性和随机性， 给传统电力系统的安全稳定运行带来了巨大。
8、的 挑战， 而风电功率预测技术是帮助解决这一问题的重要手段。 0003 风电功率预测是以风电场的历史风机观测功率数据为基础， 以时间、 风速。 气象等 数据为影响因素建立的风电场输出功率的预测模型， 并以这些影响因素作为预测模型的输 入得到风电场未来的输出功率。 其中， 风电功率预测的准确性对于提高系统的安全性、 可靠 性、 经济性和可控性具有重要意义。 0004 经过对现有技术文献的检索发现， 针对原始风速及功率序列的特性不明显的缺 陷， 提出了一种基于小波神经网络的短期风电功率预测方法， 利用小波将风速与功 率序列在不同尺度上进行分解， 并使用多个神经网络对各频率分量进行预测， 最后重 构。
9、得到完整的预测结果。 采用这种预测方法， 在实际功率快速波动时， 由于实际输出功率受 到多种不同波动尺度的天气因素影响， BP神经网络对波动尺度较大的变化量预测失准 ； 且 在输入数据前没有对冗余数据进行剔除的有效方案。 因此， 如何解决上述的问题， 为亟待解 决的问题。 发明内容 0005 本发明的目的旨在提供一种能够提高对波动尺度较大的变化量预测精度的基于 EMD 历史数据预处理的短期风电功率预测方法。 0006 为实现上述的目的， 本发明采用以下技术方案 ： 一种基于 EMD 历史数据预处理的 短期风电功率预测方法， 其中包括以下步骤 ： 1） 为获得历史数值天气预报数据和历史风机 观测。
10、功率数据， 根据分析风电场功率的影响因素， 剔除历史数值天气预报数据和历史风机 观测功率数据中的不符合条件的样本数据， 并将剔除后的历史数值天气预报数据和历史风 机观测功率数据进行归一化 ； 2） 根据步骤一得出的历史数值天气预报数据作为输入， 采用 EMD 分解算法对步骤一得出的历史风机观测功率数据的时间序列进行分解， 分解出 n 个独 立的功率时间序列分量作为输出， 得到训练样本 ； 3） 利用步骤二所示的训练样本对预测模 型进行训练， 得到 n 个功率时间序列分量预测模型 ； 4） 将待测时刻的实际数值天气预报数 据作为输入， 分别输入至步骤三获得的 n 个功率时间序列分量预测模型内， 。
11、并将输出得到 的所有功率时间序列分量预测值进行加权叠加， 获得预测结果。 0007 所述步骤一的不符合条件的样本数据为风电场接到限电指令、 或者停机维修造成 的不符合风速 - 出力特性的样本数据。 0008 所述步骤二的采用 EMD 分解算法对步骤一得出的历史风机观测功率数据的时间 说 明 书 CN 104102951 A 3 2/4 页 4 序列进行分解， 分解出 n 个独立的功率时间序列分量， 具体过程为 ： 首先寻找时间序列 信号 中包含的所有极大值及极小值， 对时间序列信号中每一个极大值和极小值 分别通过插值法拟合出上、 下包络线 ； 按顺序连接上、 下两条包络线的均值， 得到均值线 。
12、； 将原始时间序列减去均值得到； 当满足功率时间序列分量 的条件时， 令=进入步骤， 当并不满足功率时间序列分量的条件时， 将 作为原始信号， 重复上述步骤至迭代次， 在每次迭代的过程中判断是否满足 =的条件， 如果不满足， 则继续迭代， 满足则进入步骤 ； 将原始时间序列减去 ， 得到差值； 将差值看作一组新的时间序列信号重复上述步骤至的 EMD 分解过程， 经过多次重复运算可以得到全部差值， 当满足社顶条件使得 或小于预定值， 或者差值称为单调函数， 终止 EMD 分解， 得到 n 个独立的功率时间 序列分量。 0009 步骤四所述加权叠加的权重系数根据功率预测时刻 t 的功率时间序列分量。
13、预测 值不断更新。 0010 本发明由于采取以上方案， 与传统技术中直接利用原始观测数据直接获得预测模 型的预测方法不同， 将功率时间序列的按不同波动尺度分别进行精细化考虑， 能够预测较 为准确的输出功率 ； 而与现有技术中的基于小波神经网络的短期风电功率预测方法 不同， 对于波动尺度较大变化量的预测精度大幅提高， 而通过输入数据前对坏样本数据进 行剔除， 为预测精度准确性提供了保证 ； 本发明还提出一种针对风电功率预测的动态加权， 在目标预测时刻增长时， 根据功率时间序列分量预测值不断更新权重向量， 与传统的加权 方式相比， 加权策略下的 RMSE 误差可以减小至 222.4KW， RMSE。
14、 误差占风机容量的百分比为 14.8%， 有效的提高了预测精度。 附图说明 0011 图 1 为本发明的预测流程图。 具体实施方式 0012 如图 1 所示， 一种基于 EMD 历史数据预处理的短期风电功率预测方法， 其特征在 于 ： 包括以下步骤 ： 步骤一 ： 获得历史数值天气预报数据和历史风机观测功率数据， 根据分析风电场功 率的影响因素， 剔除历史数值天气预报数据和历史风机观测功率数据中的不符合条件的样 本数据， 并将剔除后的历史数值天气预报数据和历史风机观测功率数据进行归一化 ； 不符 合条件的样本数据为风电场接到限电指令、 或者停机维修造成的不符合风速 - 出力特性的 样本数据 ；。
15、 步骤二 ： 根据步骤一得出的历史数值天气预报数据作为输入， 采用 EMD 分解算法对步 骤一得出的历史风机观测功率数据的时间序列进行分解， 分解出 n 个独立的功率时间序列 分量作为输出， 得到训练样本 ； 采用 EMD 分解算法对步骤一得出的历史风机观测功率数据 说 明 书 CN 104102951 A 4 3/4 页 5 的时间序列进行分解， 分解出 n 个独立的功率时间序列分量， 具体过程为 ： 首先寻找时间序列信号中包含的所有极大值及极小值， 对时间序列信号中 每一个极大值和极小值分别通过插值法拟合出上、 下包络线 ； 按顺序连接上、 下两条包络线的均值， 得到均值线； 将原始时间序。
16、列减去均值得到； 当满足功率时间序列分量的条件时， 令=进入步骤， 当并不满 足功率时间序列分量的条件时， 将作为原始信号， 重复上述步骤至迭代次， 在每 次迭代的过程中判断是否满足=的条件， 如果不满足， 则继续迭代， 满足则进入步 骤 ； 将原始时间序列减去， 得到差值； 将差值看作一组新的时间序列信号重复上述步骤至的 EMD 分解过程， 经过 多次重复运算可以得到全部差值， 当满足社顶条件使得或小于预定值， 或者差值称为单调函数， 终止 EMD 分解， 得到 n 个独立的功率时间序列分量。 0013 步骤三 ： 利用步骤二所示的训练样本对预测模型进行训练， 得到 n 个功率时间序 列分量。
17、预测模型 ； 步骤四 ： 将待测时刻的实际数值天气预报数据作为输入， 分别输入至步骤三获得的 n 个功率时间序列分量预测模型内， 并将输出得到的 n 个功率时间序列分量预测值进行加权 叠加， 获得预测结果。 0014 对 n 个功率时间序列分量预测模型中的预测值进行加权， 而获得最终预测输出功 率的分析过程 ： 设为个二维数组， 令 （1） 式 （1）中简称为 IOWA 算子， 称为的诱导值。 为与 IOWA 有关的加权向量，为按从大到小顺序排 列后第 个数的下标 ； IOWA 为诱导有序加权算法。 0015 式 （1） 表明， IOWA 算子对诱导值进行排序后对应的中的 数进行有序加权叠加，。
18、 只与的诱导值的排序有关， 而与其本身大小无关。 0016 设有个功率时间序列分量预测模型对时间 t 的预测值为一矩阵 说 明 书 CN 104102951 A 5 4/4 页 6 该矩阵，。表示第 个功率时间序列分量预测模型对时间 的 预测值。设， 且其满足式 （1） 的要求。令为第 个功率时间序列分量 预测模型对时间 的预测精度， 即 （2） 式 （2） 中为时间 的实际功率，。 0017 若将看作预测值的诱导值， 那么 个功率时间序列分量预测模型预测精度 及其预测值形成了二维数组。对从大到小排 序，是时间为 时第 个预测精度的下标。根据 IOWA 的定义 ： （3） 令， 于是所有时间上总的预测误差平方和为 ： （4） 则 （5） 记 （6） 是一矩阵， 即阶诱导有序加权平均组合预测误差信息矩阵。 说 明 书 CN 104102951 A 6 1/1 页 7 图 1 说 明 书 附 图 CN 104102951 A 7 。