CN104102951A - 一种基于emd历史数据预处理的短期风电功率预测方法 - Google Patents
一种基于emd历史数据预处理的短期风电功率预测方法 Download PDFInfo
- Publication number
- CN104102951A CN104102951A CN201410185596.7A CN201410185596A CN104102951A CN 104102951 A CN104102951 A CN 104102951A CN 201410185596 A CN201410185596 A CN 201410185596A CN 104102951 A CN104102951 A CN 104102951A
- Authority
- CN
- China
- Prior art keywords
- data
- power
- time series
- historical
- emd
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
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。
Description
技术领域
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
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。
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。
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—BP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BP神经网络对各频率分量进行预测,最后重构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
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。
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,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。
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。
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:①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;②按顺序连接上、下两条包络线的均值,得到均值线;③将原始时间序列减去均值得到;④当满足功率时间序列分量的条件时,令=进入步骤⑤,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①至③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⑤;⑤将原始时间序列减去,得到差值;⑥将差值看作一组新的时间序列信号重复上述步骤①至⑤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。
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。
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—BP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
图1为本发明的预测流程图。
具体实施方式
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;
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:
①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;
②按顺序连接上、下两条包络线的均值,得到均值线;
③将原始时间序列减去均值得到;
④当满足功率时间序列分量的条件时,令=进入步骤⑤,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①至③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⑤;
⑤将原始时间序列减去,得到差值;
⑥将差值看作一组新的时间序列信号重复上述步骤①至⑤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。
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值进行加权叠加,获得预测结果。
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。
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,只与的诱导值的排序有关,而与其本身大小无关。
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
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,。
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。
Claims (4)
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:
①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;
②按顺序连接上、下两条包络线的均值,得到均值线;
③将原始时间序列减去均值得到;
④当满足功率时间序列分量的条件时,令=进入步骤⑤,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①至③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⑤;
⑤将原始时间序列减去,得到差值;
⑥将差值看作一组新的时间序列信号重复上述步骤①至⑤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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410185596.7A CN104102951A (zh) | 2014-05-05 | 2014-05-05 | 一种基于emd历史数据预处理的短期风电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410185596.7A CN104102951A (zh) | 2014-05-05 | 2014-05-05 | 一种基于emd历史数据预处理的短期风电功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104102951A true CN104102951A (zh) | 2014-10-15 |
Family
ID=51671087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410185596.7A Pending CN104102951A (zh) | 2014-05-05 | 2014-05-05 | 一种基于emd历史数据预处理的短期风电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104102951A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205736A (zh) * | 2015-10-14 | 2015-12-30 | 国家电网公司 | 基于经验模态分解的电力负荷异常数据的快速检测方法 |
CN105680485A (zh) * | 2014-11-18 | 2016-06-15 | 国家电网公司 | 一种风电场平滑出力方法 |
CN109146131A (zh) * | 2018-07-11 | 2019-01-04 | 国网河北省电力有限公司 | 一种日前风力发电预测方法 |
CN111160621A (zh) * | 2019-12-06 | 2020-05-15 | 江苏方天电力技术有限公司 | 一种融合多源信息的短期风电功率预测方法 |
CN112200346A (zh) * | 2020-09-07 | 2021-01-08 | 中国农业大学 | 一种天气波动过程划分与匹配的短期风电功率预测方法 |
CN113111592A (zh) * | 2021-05-06 | 2021-07-13 | 云南电力技术有限责任公司 | 一种基于emd-lstm的短期风电功率预测方法 |
CN113723752A (zh) * | 2021-07-26 | 2021-11-30 | 国网江苏省电力有限公司江阴市供电分公司 | 一种组合风电功率预测模型中分解算法性能评估方法 |
CN113937763A (zh) * | 2021-10-14 | 2022-01-14 | 远景智能国际私人投资有限公司 | 风电功率预测方法、装置、设备及存储介质 |
-
2014
- 2014-05-05 CN CN201410185596.7A patent/CN104102951A/zh active Pending
Non-Patent Citations (5)
Title |
---|
T.G.BARBOUNIS: "Locally recurrent neural networks for wind speed prediction using spatial correlation", 《INFORMATION SCIENCES》 * |
常鹏 等: "基于EEMD与时间序列法的短期风电场功率预测", 《电力科学与工程》 * |
王建成: "短期风电功率预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技辑》 * |
王鹏 等: "改进的EMD及其在风电功率预测中的应用", 《控制工程》 * |
肖燕彩 等: "基于EMD与SVM的风电功率短期预测", 《北京交通大学学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105680485A (zh) * | 2014-11-18 | 2016-06-15 | 国家电网公司 | 一种风电场平滑出力方法 |
CN105680485B (zh) * | 2014-11-18 | 2017-10-13 | 国家电网公司 | 一种风电场平滑出力方法 |
CN105205736A (zh) * | 2015-10-14 | 2015-12-30 | 国家电网公司 | 基于经验模态分解的电力负荷异常数据的快速检测方法 |
CN109146131A (zh) * | 2018-07-11 | 2019-01-04 | 国网河北省电力有限公司 | 一种日前风力发电预测方法 |
CN111160621A (zh) * | 2019-12-06 | 2020-05-15 | 江苏方天电力技术有限公司 | 一种融合多源信息的短期风电功率预测方法 |
CN111160621B (zh) * | 2019-12-06 | 2022-06-14 | 江苏方天电力技术有限公司 | 一种融合多源信息的短期风电功率预测方法 |
CN112200346A (zh) * | 2020-09-07 | 2021-01-08 | 中国农业大学 | 一种天气波动过程划分与匹配的短期风电功率预测方法 |
CN112200346B (zh) * | 2020-09-07 | 2024-03-26 | 中国农业大学 | 一种天气波动过程划分与匹配的短期风电功率预测方法 |
CN113111592A (zh) * | 2021-05-06 | 2021-07-13 | 云南电力技术有限责任公司 | 一种基于emd-lstm的短期风电功率预测方法 |
CN113723752A (zh) * | 2021-07-26 | 2021-11-30 | 国网江苏省电力有限公司江阴市供电分公司 | 一种组合风电功率预测模型中分解算法性能评估方法 |
CN113937763A (zh) * | 2021-10-14 | 2022-01-14 | 远景智能国际私人投资有限公司 | 风电功率预测方法、装置、设备及存储介质 |
CN113937763B (zh) * | 2021-10-14 | 2023-09-26 | 远景智能国际私人投资有限公司 | 风电功率预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104102951A (zh) | 一种基于emd历史数据预处理的短期风电功率预测方法 | |
Liu et al. | Forecasting power output of photovoltaic system using a BP network method | |
Kardakos et al. | Application of time series and artificial neural network models in short-term forecasting of PV power generation | |
CN102102626B (zh) | 风电场短期功率预测方法 | |
Zeng et al. | Short-term wind power prediction using a wavelet support vector machine | |
Wang et al. | Decision tree based online stability assessment scheme for power systems with renewable generations | |
CN106447098B (zh) | 一种光伏超短期功率预测方法及装置 | |
Kou et al. | Photovoltaic power forecasting based on artificial neural network and meteorological data | |
CN105426956A (zh) | 一种超短期光伏预测方法 | |
CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
CN104573879A (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
CN105787594B (zh) | 基于多元时间序列及回归分析的辐照预测方法 | |
CN102938093A (zh) | 一种风电功率预测的方法 | |
CN104077632A (zh) | 一种基于深度神经网络的风电场功率预测方法 | |
CN103971175B (zh) | 一种多级变电站的短期负荷预测方法 | |
CN105512808A (zh) | 一种面向大数据的电力系统暂态稳定评估方法 | |
Shi et al. | Genetic algorithm-piecewise support vector machine model for short term wind power prediction | |
WO2024051524A1 (zh) | 一种水风光发电功率联合预测方法、装置 | |
CN106611243A (zh) | 一种基于garch模型的风速预测残差修正方法 | |
Ronay Aka et al. | A genetic algorithm and neural network technique for predicting wind power under uncertainty | |
CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
CN115660232A (zh) | 风电功率的超短期预测方法、装置及系统 | |
CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20141015 |
|
WD01 | Invention patent application deemed withdrawn after publication |