CN105320995A - 一种基于频域分解的风力发电短期负荷预测方法及装置 - Google Patents

Abstract

本发明公开了一种基于频域分解的风力发电短期负荷预测方法及装置，本发明方法包括以下几个步骤：（1）原始数据的预处理，去掉错误数据；(2)根据频域分解算法，对预处理过的数据进行频域分解，得到日周期部分、周周期部分、月周期部分、低频部分和高频部分；(3)采用LWT-LSSVM的预测方法对日周期部分进行预测；(4)周周期和月周期部分无须预测；(5)运用线性分析方法对低频部分进行预测；(6)采用LWT-LSSVM的预测方法对高频分量进行预测；(7)将各部分的预测结果叠加作为最终的预测结果。本发明的方法在进行风力发电短期负荷预测时，能够找出风电负荷的潜在规律，预测精度较好，计算速度较快。

Description

一种基于频域分解的风力发电短期负荷预测方法及装置

本申请要求申请日为2014年8月19日、申请号为201410409322.1、名称为“一种基于频域分解的风力发电短期负荷预测方法及装置”的优先权。

技术领域

本发明涉及电力信息技术领域，特别涉及一种基于频域分解的风力发电短期负荷预测方法及装置。

背景技术

风能是理想的清洁能源,风能发电避免了火力发电对大气的污染、水力发电对生态环境的影响。随着风电技术的不断发展和风电场的规模不断增大，为了保证电力系统的稳定运行和供电可靠性，必须对风电系统进行有效的规划和调度。由于风电本身所特有的间歇性和不确定性，增加了电网调度的难度，为了解决风电场的发电量不确定问题，电网必须提供足够的旋转备用容量，而旋转备用容量的增加间接地增加了风力发电的整体运营成本，所以需要对风电场的输出功率进行预测，通过对风电场发电量进行准确的预测，可以大幅降低电网旋转备用容量，从而有效降低风力发电系统的运行成本，为电网调度运行提供可靠依据。一个准确度高的风电负荷预测方法是非常关键的。

负荷预测的核心问题是预测的技术方法，或者说是预测的数学模型。随着现代科学技术的快速发展，负荷预测技术的研究也在不断深化，各种各样的负荷预测方法不断涌现，从经典的单耗法，统计分析法，到目前的灰色预测法，专家系统发和模糊数学法，甚至到神经网络法，优选组合法和小波分析法，它们各自有各自的研究特点和使用条件，也都可以应用到风电的负荷预测中去，但是单独预测的效果不是很突出，预测的精度比较低。因此，如何根据风电的强随机性和不稳定特性，使用一种新的方法来提高对风电功率预测的精度，特别是提高在波峰波谷上的预测精度，是目前特需解决的问题。

发明内容

本发明的目的在于提供一种基于频域分解的风力发电短期负荷预测的方法及装置，以解决现有风电负荷预测方法预测不可靠、不准确，效果一般的问题。

本发明的第二目的在于提供一种基于频域分解的风力发电短期负荷预测的方法及装置，以解决现有风电负荷预测方法预测的精度差、计算速度缓慢的问题。

为实现上述目的，本发明提供了一种基于频域分解的风力发电短期负荷预测方法，包括以下步骤：

(1)获取若干天的风力发电负荷数据作为原始数据，对原始数据进行预处理；

(2)对预处理的数据进行频域分解，得到日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量；

(3)分别对日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量进行预测；

(4)将各部分的预测结果叠加，输出最终的预测结果。

其中，所述步骤(3)包括：采用LWT-LSSVM的预测方法分别对所述日周期部分和高频部分的数据分量进行预测，得到日周期部分及高频部分的预测结果；直接去除周周期和月周期部分分解后的数据分量；采用线性回归分析法预测低频部分的数据分量，得到低频部分的预测结果。

较佳地，所述步骤(1)中的预处理具体为：去除原始数据中错误的数据。

较佳地，所述步骤(2)具体包括：a、建立频域分解数学模型；b、对预处理的历史负荷数据进行频域分解，得到日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量。

较佳地，所述步骤a具体为：设历史负荷数据所在的时间域为D^-，P(t)是时间域D^-里的负荷时间序列，对其做傅立叶分解，具体如式(1)所示。

式中，N为历史负荷序列的数据量。负荷时间序列P(t)被分解成角频率为的分量，并组合获得式(2)：

P(t)＝a₀+D(t)+W(t)+M(t)+L(t)+H(t)(2)

式中，a₀+D(t)为日周期部分的负荷数据分量，W(t)为周周期部分的负荷数据分量，M(t)为月周期部分的负荷数据分量，L(t)为低频部分数据分量，H(t)为高频部分数据分量。

较佳地，所述步骤b具体为：若对电力负荷一天进行K次采样，则日周期分量a₀+D(t)的角频率集合为：周周期分量W(t)的角频率集合为：且月周期分量M(t)的角频率集合为：且

低频分量L(t)的角频率集合为高频分量H(t)的角频率集合为：

较佳地，所述LWT-LSSVM的预测方法具体为：首先对数据分量进行三层提升小波分解得到分解信号，然后对所述分解信号采用LSSVM模型进行训练和预测，得到预测结果。

本发明还提供了一种基于频域分解的风力发电短期负荷预测方法，包括以下步骤：

(1)获取若干天的风力发电负荷数据作为原始数据，对原始数据采用周对齐方法进行预处理，剔除其中的错误数据，填补缺失数据；

(2)对预处理的数据进行频域分解，得到日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量；

(3)分别对日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量进行预测；

(4)将各部分的预测结果叠加，输出最终的预测结果。

其中，所述步骤(3)包括：采用基于阀值去噪的LWT-LSSVM的预测方法分别对所述日周期部分和高频部分的数据分量进行预测，得到日周期部分及高频部分的预测结果；直接去除周周期和月周期部分分解后的数据分量；采用线性回归分析法预测低频部分的数据分量，得到低频部分的预测结果。

较佳地，所述周对齐方法具体包括以下步骤：

a、针对不同因素对数据的影响，建立相似度的计算法则，并在此基础上进行相似周选取；

b、比较两个相似周，绘制周负荷曲线，找到错误或异变的数据，并进行剔除；

c、根据相似度排列相似周，选取相似度大于80％的相似周的数据进行取平均值处理，得到的数据用于填补待处理周缺失的数据。

较佳地，所述步骤(2)具体包括：a、建立频域分解数学模型；b、对预处理的历史负荷数据进行频域分解，得到日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量；

所述步骤a具体为：设历史负荷数据所在的时间域为D^-，P(t)是时间域D^-里的负荷时间序列，对其做傅立叶分解，具体如式(1)所示。

式中，N为历史负荷序列的数据量。负荷时间序列P(t)被分解成角频率为的分量，并组合获得式(2)：

P(t)＝a₀+D(t)+W(t)+M(t)+L(t)+H(t)(2)

式中，a₀+D(t)为日周期部分的负荷数据分量，W(t)为周周期部分的负荷数据分量，M(t)为月周期部分的负荷数据分量，L(t)为低频部分数据分量，H(t)为高频部分数据分量；

所述步骤b具体为：若对电力负荷一天进行K次采样，则日周期分量a₀+D(t)的角频率集合为：周周期分量W(t)的角频率集合为：且月周期分量M(t)的角频率集合为：且

低频分量L(t)的角频率集合为高频分量H(t)的角频率集合为：

较佳地，所述基于阀值去噪法的LWT-LSSVM的预测方法具体为：首先选择db6小波对信号进行3层小波包分解得到分解信号；再将由软、硬阀值法得到的软、硬阈值通过加权平均处理，得到新的阀值函数，在新的阀值函数中对高频小波系数用阈值λ进行量化，得出估计小波系数然后，根据第3层低频系数和估计小波系数进行小波重构；最后对所述分解信号采用LSSVM模型进行训练和预测，得到预测结果；

其中，设加权因子为0.5，则构造新的阀值函数如下：

其中，λ为设定的阀值，w_j,k为小波系数。

本发明还提供了一种基于频域分解的风力发电短期负荷预测装置，包括预处理单元、频域分解单元、预测单元及结果输出单元；

所述预处理单元用于对原始数据进行预处理；所述频域分解单元用于对预处理的数据进行频域分解，得到日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量；所述预测单元用于分别对日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量进行预测；所述结果输出单元用于将各部分的预测结果叠加，并输出最终的预测结果；

其中，所述预测单元包括：日周期和高频预测子单元、周周期和月周期预测子单元以及低频预测子单元，所述日周期和高频预测子单元用于分别对所述日周期部分和高频部分的数据分量进行基于LWT-LSSVM预测方法的预测；周周期和月周期预测子单元用于去除周周期和月周期部分分解后的数据分量；低频预测子单元用于对低频部分的数据分量进行基于线性回归分析法的预测。

较佳地，所述频域分解单元包括建模单元及数据分解单元，其中，所述建模单元用于建立频域分解数学模型；所述数据分解单元用于对预处理的历史负荷数据进行频域分解，得到并输出日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量。

较佳地，所述建模单元包括：

数据建模单元，设历史负荷数据所在的时间域为D^-，P(t)是时间域D^-里的负荷时间序列，用于对P(t)做傅立叶分解：

式中，N为历史负荷序列的数据量。负荷时间序列P(t)被分解成角频率为的分量。

数据组合单元，用于组合以获得下式：

P(t)＝a₀+D(t)+W(t)+M(t)+L(t)+H(t)

其中，a₀+D(t)为日周期部分的负荷数据分量，W(t)为周周期部分的负荷数据分量，M(t)为月周期部分的负荷数据分量是按固定周期变化的负荷分量，L(t)为低频部分数据分量，H(t)为高频部分数据分量。

较佳地，所述数据分解单元：包括日周期分解子单元、周周期分解子单元、月周期分解子单元、低频分解子单元及高频分解子单元；若对电力负荷一天进行K次采样，则日周期分解子单元用于输出日周期分量a₀+D(t)，其角频率集合为：周周期分解子单元用于输出的周周期分量W(t)，其角频率集合为：且月周期分解子单元用于输出月周期分量M(t)，其角频率集合为：且

低频分解子单元用于输出低频分量L(t)，其角频率集合为高频分解子单元用于输出高频分量H(t)，其角频率集合为：

本方法由于采取以上技术方案，其具有以下优点：

1.频域分解的方法能够找出风电负荷的潜在规律；

2.该方法中根据分解后各数据分量的不同规律分别进行不同的处理，处理过程简洁，对不必要的数据分量可直接去除，提高处理速度；

3.建立了提升小波、LSSVM和误差预测的数学模型。提升小波可以起到缩放窗口的作用，可以任意缩放波形并提取出需要的波成分，去除噪声的作用很好，可以提高预测方法在波峰波谷处的跟踪预测精度。

4.LSSVM简化了算法的复杂度，同时因为采用了最小二乘的算法，可以提高计算的速度和预测的精度；

5.周对齐的数据预处理方法有效的剔除了错误数据，并对缺失的数据进行填补，处理后的数据更符合负荷的实际变化趋势，排除了机械、人为的造成的统计误差；

6.建立新的阀值函数，在分解重构时利用起了舍弃的高频分量，从而更加充分的利用的原始数据中的细节信息，提高了预测的精度。

附图说明

图1是根据本发明实施例的一种基于频域分解的风力发电短期负荷预测装置的结构框图；

图2为根据的本发明实施例的一种基于频域分解的风力发电短期负荷预测方法的风力发电短期负荷预测方法的流程图；

图3为本发明实施例的基于频域分解的风力发电短期负荷预测方法整体过程示意图；

图4为本发明实施例的三层提升小波分解示意图。

具体实施方式

为更好地说明本发明，现结合附图及优选实施例对本发明进行说明，需注意的是本发明方法中各个组成部分在不冲突的前提下可以任意组合，而不以此处的实施例的组合为限制。

本发明实施例提供了一种基于频域分解的风力发电短期负荷预测装置，如图1，该方法包括预处理单元11、频域分解单元12、预测单元13及结果输出单元14；

预处理单元11用于对原始数据进行预处理，具体为用于去除原始数据中错误的数据，如数据中的负值。

频域分解单元12用于对预处理的数据进行频域分解，得到日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量。

预测单元13用于分别对日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量进行预测。

结果输出单元14用于将各部分的预测结果叠加，并输出最终的预测结果。

其中，预测单元13包括：日周期和高频预测子单元、周周期和月周期预测子单元以及低频预测子单元，日周期和高频预测子单元用于分别对日周期部分和高频部分的数据分量进行基于LWT-LSSVM预测方法的预测；周周期和月周期预测子单元用于去除周周期和月周期部分分解后的数据分量；低频预测子单元用于对低频部分的数据分量进行基于线性回归分析法的预测。

本实施例中，预处理单元11用于对原始数据进行预处理，具体为去除原始数据中错误的数据，如数据中的负值。优选地，频域分解单元12包括建模单元及数据分解单元。其中，建模单元用于建立频域分解数学模型。建模单元包括：

数据建模单元，设历史负荷数据所在的时间域为D^-，P(t)是时间域D^-里的负荷时间序列，用于对P(t)做傅立叶分解：

式中，N为历史负荷序列的数据量。负荷时间序列P(t)被分解成角频率为的分量。

数据组合单元，用于组合以获得下式：

P(t)＝a₀+D(t)+W(t)+M(t)+L(t)+H(t)

其中，a₀+D(t)为日周期部分的负荷数据分量，W(t)为周周期部分的负荷数据分量，M(t)为月周期部分的负荷数据分量是按固定周期变化的负荷分量，L(t)为低频部分数据分量，H(t)为高频部分数据分量。

数据分解单元13用于对预处理的历史负荷数据进行频域分解，得到并输出日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量。

数据分解单元包括日周期分解子单元、周周期分解子单元、月周期分解子单元、低频分解子单元及高频分解子单元。以电力负荷每10分钟一个采样点，一天进行144次采样，则日周期分解子单元用于输出日周期分量a₀+D(t)，其角频率集合为：周周期分解子单元用于输出的周周期分量W(t)，其角频率集合为：且月周期分解子单元用于输出月周期分量M(t)，其角频率集合为：且低频分解子单元用于输出低频分量，其角频率集合为高频分解子单元用于输出高频分量H(t)，其角频率集合为：

本发明还提供了基于频域分解的风力发电短期负荷预测方法，如图2、图3所示，包括以下步骤进行：

步骤S201：对原始数据进行预处理，获取若干天的风力发电负荷数据作为原始数据，如获取T天的风力发电负荷数据，去除原始数据中由于各种原因造成的错误的数据，如数据中负的数值。

步骤S202：对预处理的数据进行频域分解，得到日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量。

具体包括：a、建立频域分解的数学模型：

设历史负荷数据所在的时间域为D^-，P(t)是时间域D^-里的负荷时间序列，对其做傅立叶分解，具体如式(1)所示。

式中，N为历史负荷序列的数据量。负荷时间序列P(t)经傅立叶分解后得到的谐波信号两两正交，P(t)被分解成角频率为的分量。

根据负荷变化周期性的特点，将负荷序列P(t)经傅立叶变化之后分解出日周期的部分(即每天的规律)、周周期的部分(即每周的规律)、月周期的部分(即每月的规律)、低频部分(一些缓慢变化的分量)和高频部分(急促变化的分量)，组合获得下式：

P(t)＝a₀+D(t)+W(t)+M(t)+L(t)+H(t)(2)

式中，a₀+D(t)为日周期部分的负荷数据分量，W(t)为周周期部分的负荷数据分量，M(t)为月周期部分的负荷数据分量是按固定周期变化的负荷分量，L(t)为低频部分数据分量，H(t)为高频部分数据分量。

b、对预处理的历史负荷数据进行频域分解，得到日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量。

本实施例中引入取模运算，m除以n的余数表示为mod(m,n)。风力发电的电力负荷每十分钟采样一次，一天144点采样，则有：

D(t)的周期为144，以24h为周期变化，a₀+D(t)即为负荷的日周期分量。因此，日周期分量a₀+D(t)包括的角频率集合为：

W(t)的周期为7×144，是发电负荷的周周期分量。因此，周周期分量W(t)包括的角频率集合为：且

M(t)的周期是30×144，是负荷的月周期分量。因此，月周期分量M(t)包括的角频率集合为：且

去除a₀,D(t),W(t),M(t)之后，剩余分量分为L(t)和H(t)。L(t)表示角频率集合中的低频分量，它是一些影响负荷的因素中的一些缓慢变化因素；H(t)表示角频率集合中的高频分量，主要反映了某些突发因素对风电出力的影响。剩余低频分量L(t)和高频分量H(t)包括的角频率集合分别为：和

通过傅立叶分解可以得到分解后的系数a_i,b_i，根据傅立叶的变换关系可以得到系数a_i,b_i和频谱的关系。在负荷序列中，负荷点是离散的。因此，我们可以利用离散傅立叶变换(DFT)和离散傅立叶逆变换(IDFT)处理。具体的离散傅立叶变换如下所示：

离散傅立叶逆变换如下所示：

根据傅立叶正变换关系，傅立叶变换后得到的频谱X(ω_i)可以用傅立叶展开后的系数a_i,b_i表示：

X(ω_i)＝N(a_i-jb_i)(5)

因此，傅立叶展开后的系数a_i,b_i可以由原有的历史负荷数据序列进行离散傅立叶变换后求得。

为把a₀+D(t)、W(t)、M(t)、L(t)、H(t)等五个序列分离，求得系数a_i,b_i后，还要进行相应的离散傅立叶逆变换。

从欧拉公式e^jθ＝cosθ+jsinθ入手，通过傅立叶逆变换，可以得到最后的分解序列。在式中：

根据以上各式，重构出频域分解后的五个数据分量。

步骤S203:分别对日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量进行预测。

日周期部分的数据分量的预测：

首先，对日周期部分的数据分量进行三层提升小波(提升小波-LWT)分解。步骤(2)中得到的日周期部分规律明显，具有周期波动性，但是噪声比较多，会影响LSSVM预测的精度，因此需进行三层提升小波分解，分解过程如图4所示，其中A3为最终的高频信号，D1、D2和D3为得到的低频信号。小波分解具体过程如下：

1)分裂：分裂是将信号S₀[n]分割成相互关联的奇偶两部分，即即e_j-1(偶部分)和o_j-1(奇部分)：

Split(s_j)＝(e_j-1,o_j-1)

e_j-1＝{e_j-1,k＝s_j,2k}(7)

o_j-1＝{o_j-1,k＝s_j,2k+1}

2)预测：预测就是用e_j-1预测o_j-1，实际值o_j-1与预测值P(e_j-1)的差值d_j-1反应了两者之间的逼近程度，称为细节系数或小波系数，对应于元信号s_j的高频部分。预测过程如下：

d_j-1＝o_j-1-P(e_j-1)(8)

其中，预测算子P可用预测函数P_k来表示，函数P_k可取为e_j-1中的对应数

据本身：

P_k(e_j-1,k)＝e_j-1,k＝s_j,2k(9)

或e_j-1中的对应数据的相邻数据的平均值：

P_k(e_j-1,k)＝(e_j-1,k+e_j-1,k+1)/2＝(s_j,2k+s_j,2k+1)/2(10)

3)更新：经过分裂步骤产生子集的某些整体特征可能与原始数据并不一致，为了保持原始数据的这些整体特征，需要一个更新的过程。将更新过程用算子U来代替，其过程如下：

s_j-1＝e_j-1+U(d_j-1)(11)

其中，s_j-1为s_j的低频部分；与预测函数一样，更新算子也可以取不同函数，如：

U_k(d_k-1)＝d_j-1,k/2(12)

或

U_k(d_k-1)＝(d_j-1,k-1+d_j-1,k)/4+1/2(13)

P与U取不同的函数，可构造出不同的小波变换。

其次，建立LSSVM(LSSVM-最小二乘支持向量机)数学模型，并进行训练和预测。

设D＝{(x_k,y_k)|k＝1,2,…N}，其中x_k∈Rⁿ为输入数据，y_k∈R为输出数据。在权w空间中可以用数学方法解决最小二乘支持向量机的优化问题，具体如下：

约束条件：

为了求得最优解，可以列出拉格朗日函数如下：

式中，拉格朗日乘子α_k∈R。为了得到最优解，分别对式(16)中的w，b，e_k，α_k求偏导数并使其等于0，得到下式：

进一步化简上式可得矩阵方程如下所示：

即：

式中，Y＝[y₁,y,₂,…,y_N],I＝[1,1,…,1]^T,e＝[e₁,e₂,…,e_N]^T,α＝[α₁,α₂,…,α_N]。

同时将Mercer条件代入到Ω＝ZZ^T,可得：

Ω_kl＝y_ky_lf(x_k)^Tf(x_l)＝y_ky_lΨ(x_k,x_l)(20)

因此，式(14)的最优化解可以通过对式(19)和式(20)求解获得。

最终可以推导出最小二乘支持向量机的分类决策函数为：

式中：Ψ(·,·)是核函数，主要用于从原始空间抽取特征，通过将原始空间中的样本映射为高维特征空间中的一个向量的方法解决原始空间中线性不可分问题。

在提升小波和最小二乘支持向量机的理论基础上，对波动较大的日周期部分先进行三层提升小波分解，然后对分解信号用LSSVM的模型进行训练和预测，重构之后得到日周期部分预测结果。

周周期和月周期部分的预测：

分析知，对风电信号而言，周周期和月周期部分是不存在的，都为零。因此直接去除周周期和月周期部分分解后的数据分量，无须预测。

低频部分的预测：

分解后得到的低频部分是反映负荷中变化缓慢的信号，其为光滑的曲线。本实施例中，采用线性回归分析法预测，其预测精度即可满足要求。具体做法为即根据已知两点的线性关系预测下一点的值，令x₁为第一已知点，x₂为第二已知点，y为需要预测的点，根据本实施例中采样数据的频域分解的结果对该部分进行拟合，可得具体公式为

y＝3x₂-x₁(22)

线性分析后得到低频部分的预测结果。

高频分量的预测：

由步骤(2)中得到的高频部分噪声多，相对原始序列较平缓，无明显规律，但是相对原始负荷序列变化平缓，峰谷差减小，降低了训练和预测的难度。利用提升小波去除数据序列中噪声的特性提高高频部分的预测精度。此外，分解后的高频部分和日周期部分具有相同的特征：波动性大，规律不明显，因此采用与日周期部分相同的预测方法，即进行三层提升小波分解，然后对分解信号采用LSSVM模型进行训练和预测，得到高频部分的预测结果，具体参见日周期部分的预测方法。

步骤S204：将各部分的预测结果叠加作为最终的预测结果。最终的预测结果可准确地预测出T/2天的风力发电负荷。

在另一优选实施例中，步骤S201中，是采用周对齐方法，剔除原数据中的错误数据，并填补缺失的数据。其中，周对齐方法具体包括：a、首先考虑气象因素、日期差距、星期类型等不同因素对数据的影响，建立相似度的计算法则，并在此基础上进行合理的相似周的选取；b、比较两个相似周，绘制周负荷曲线，找到错误或异变的数据，并进行剔除；c、根据相似度排列相似周，选取相似度大于80％的相似周的数据进行取平均值处理，得到的数据用于填补待处理周的缺失数据。

此外，在该优选实施例中，对日周期部分的数据分量进行三层基于阀值去噪的提升小波(提升小波-LWT)分解。该优选实施例中首先选择db6小波对信号进行3层小波包分解得到分解信号，基于阀值去噪的小波分解具体过程的分裂、预测和更新操作完成后，执行以下过程：

将由软、硬阀值法得到的软、硬阈值通过加权平均相结合的数据处理，得到新的阀值函数，并在该新的阈值函数中对高频的小波系数用一个适当的阈值λ进行量化，得出估计小波系数

其中，设加权因子为0.5，则可构造如下新的阀值函数：

其中，λ为所设阀值，w_j,k为小波系数。

取大于阀值的部分高频信号和低频信号分别进行预测，可更加充分的利用原始数据的细节信息；同时舍弃小于阀值的高频信号，即起到了去噪的作用，又提高了预测的速度。最后，建立LSSVM(LSSVM-最小二乘支持向量机)数学模型，并进行训练和预测。

执行上述操作后续的预测过程同上述实施例。

在频域分解的基础上建立的基于提升小波和最小二乘支持向量机的数学模型可以有效把握风电的变化特征，提高预测精度。提升小波可以使比较嘈杂的波形变得平缓，三层提升小波在风电负荷预测中的运用可以更好地提高预测方法在峰谷处的跟踪预测效果。通过阀值去噪，取大于阀值的部分高频信号和低频信号分别进行预测，可更加充分的利用原始数据的细节信息；同时舍弃小于阀值的高频信号，即起到了去噪的作用，又提高了预测的速度。最小二乘支持向量机方法是在传统支持向量机基础上的改进算法，采用了最小二乘线性系统作为损失函数，降低了计算的复杂度，加快了计算的速度。本发明方法不但提高了预测精度，而且提高了预测速度。

本发明方法对应的步骤可以在计算机系统中进行执行，本发明的装置可通过通用计算装置实现，其实现形式可根据实际情况灵活选择，如可用可执行的程序代码实现。本发明不限制于任何特定的硬件和软件的结合。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何本领域的技术人员在本发明揭露的技术范围内，对本发明所做的变形或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述的权利要求的保护范围为准。

Claims (14)

1.一种基于频域分解的风力发电短期负荷预测方法，其特征在于，包括以下步骤：

(1)获取若干天的风力发电负荷数据作为原始数据，对原始数据进行预处理；

(2)对预处理的数据进行频域分解，得到日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量；

(3)分别对日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量进行预测；

(4)将各部分的预测结果叠加，输出最终的预测结果；

其中，所述步骤(3)包括：采用LWT-LSSVM的预测方法分别对所述日周期部分和高频部分的数据分量进行预测，得到日周期部分及高频部分的预测结果；直接去除周周期和月周期部分分解后的数据分量；采用线性回归分析法预测低频部分的数据分量，得到低频部分的预测结果。

2.根据权利要求1所述的基于频域分解的风力发电短期负荷预测方法，其特征在于，所述步骤(1)中的预处理具体为：去除原始数据中错误的数据。

3.根据权利要求1所述的基于频域分解的风力发电短期负荷预测方法，其特征在于，所述步骤(2)具体包括：a、建立频域分解数学模型；b、对预处理的历史负荷数据进行频域分解，得到日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量。

4.根据权利要求3所述的基于频域分解的风力发电短期负荷预测方法，其特征在于，所述步骤a具体为：设历史负荷数据所在的时间域为D_-，P(t)是时间域D_-里的负荷时间序列，对其做傅立叶分解，具体如式(1)所示：

$P\left(t\right)=a_0+\underset{i=1}{\overset{N-1}{\Σ}}(a_i{\mathrm{cos\ω}}_{i}t+b_i{\mathrm{sin\ω}}_{i}t)---\left(1\right)$

式中，N为历史负荷序列的数据量。负荷时间序列P(t)被分解成角频率为 ${\mathrm{\ω}}_i=\frac{i}{N}\×2\mathrm{\π},(i=1,2,...,N-1)$ 的分量，并组合获得式(2)：

P(t)＝a₀+D(t)+W(t)+M(t)+L(t)+H(t)(2)

式中，a₀+D(t)为日周期部分的负荷数据分量，W(t)为周周期部分的负荷数据分量，M(t)为月周期部分的负荷数据分量，L(t)为低频部分数据分量，H(t)为高频部分数据分量。

5.根据权利要求4所述的基于频域分解的风力发电短期负荷预测方法，其特征在于，所述步骤b具体为：若对电力负荷一天进行K次采样，则日周期分量a₀+D(t)的角频率集合为：周周期分量W(t)的角频率集合为： ${\mathrm{\Ω}}_{week}=\left\{{\mathrm{\ω}}_i\right|\mathrm{mod}(7\×K,\frac{2\mathrm{\π}}{{\mathrm{\ω}}_i})=0$ 且 $\mathrm{mod}(K,\frac{2\mathrm{\π}}{{\mathrm{\ω}}_i})\≠0\};$ 月周期分量M(t)的角频率集合为： ${\mathrm{\Ω}}_{month}=\left\{{\mathrm{\ω}}_i\right|\mathrm{mod}(30\×K,\frac{2\mathrm{\π}}{{\mathrm{\ω}}_i})=0$ 且 $\mathrm{mod}(K,\frac{2\mathrm{\π}}{{\mathrm{\ω}}_i})\≠0\};$

低频分量L(t)的角频率集合为 ${\mathrm{\&Omega;}}_{low}=\left\{{\mathrm{\&omega;}}_i\right|\frac{2\mathrm{\&pi;}}{{\mathrm{\&omega;}}_i}<K$ 且 ${\mathrm{\&omega;}}_i\&NotElement;{\mathrm{\&Omega;}}_{day}\&cup;{\mathrm{\&Omega;}}_{week}\&cup;{\mathrm{\&Omega;}}_{month}\};$ 高频分量H(t)的角频率集合为： ${\mathrm{\&Omega;}}_{high}=\left\{{\mathrm{\&omega;}}_i\right|\frac{2\mathrm{\&pi;}}{{\mathrm{\&omega;}}_i}\&GreaterEqual;K$ 且 ${\mathrm{\&omega;}}_i\&NotElement;{\mathrm{\&Omega;}}_{day}\&cup;{\mathrm{\&Omega;}}_{week}\&cup;{\mathrm{\&Omega;}}_{month}\}.$

6.根据权利要求1所述的基于频域分解的风力发电短期负荷预测方法，其特征在于，所述LWT-LSSVM的预测方法具体为：首先对数据分量进行三层提升小波分解得到分解信号，然后对所述分解信号采用LSSVM模型进行训练和预测，得到预测结果。

7.一种基于频域分解的风力发电短期负荷预测方法，其特征在于，包括以下步骤：

(1)获取若干天的风力发电负荷数据作为原始数据，对原始数据采用周对齐方法进行预处理，剔除其中的错误数据，填补缺失数据；

(2)对预处理的数据进行频域分解，得到日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量；

(3)分别对日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量进行预测；

(4)将各部分的预测结果叠加，输出最终的预测结果。

其中，所述步骤(3)包括：采用基于阀值去噪的LWT-LSSVM的预测方法分别对所述日周期部分和高频部分的数据分量进行预测，得到日周期部分及高频部分的预测结果；直接去除周周期和月周期部分分解后的数据分量；采用线性回归分析法预测低频部分的数据分量，得到低频部分的预测结果。

8.根据权利要求7所述的基于频域分解的风力发电短期负荷预测方法，其特征在于，所述周对齐方法具体包括以下步骤：

a、针对不同因素对数据的影响，建立相似度的计算法则，并在此基础上进行相似周选取；

b、比较两个相似周，绘制周负荷曲线，找到错误或异变的数据，并进行剔除；

c、根据相似度排列相似周，选取相似度大于80％的相似周的数据进行取平均值处理，得到的数据用于填补待处理周缺失的数据。

9.根据权利要求7所述的基于频域分解的风力发电短期负荷预测方法，其特征在于，所述步骤(2)具体包括：a、建立频域分解数学模型；b、对预处理的历史负荷数据进行频域分解，得到日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量；

所述步骤a具体为：设历史负荷数据所在的时间域为D^-，P(t)是时间域D^-里的负荷时间序列，对其做傅立叶分解，具体如式(1)所示。

$P\left(t\right)=a_0+\underset{i=1}{\overset{N-1}{\&Sigma;}}(a_i{\mathrm{cos\&omega;}}_{i}t+b_i{\mathrm{sin\&omega;}}_{i}t)---\left(1\right)$

式中，N为历史负荷序列的数据量。负荷时间序列P(t)被分解成角频率为 ${\mathrm{\&omega;}}_i=\frac{i}{N}\&times;2\mathrm{\&pi;},(i=1,2,...,N-1)$ 的分量，并组合获得式(2)：

P(t)＝a₀+D(t)+W(t)+M(t)+L(t)+H(t)(2)

式中，a₀+D(t)为日周期部分的负荷数据分量，W(t)为周周期部分的负荷数据分量，M(t)为月周期部分的负荷数据分量，L(t)为低频部分数据分量，H(t)为高频部分数据分量；

所述步骤b具体为：若对电力负荷一天进行K次采样，则日周期分量a₀+D(t)的角频率集合为：周周期分量W(t)的角频率集合为： ${\mathrm{\&Omega;}}_{week}=\left\{{\mathrm{\&omega;}}_i\right|\mathrm{mod}(7\&times;K,\frac{2\mathrm{\&pi;}}{{\mathrm{\&omega;}}_i})=0$ 且 $\mathrm{mod}(K,\frac{2\mathrm{\&pi;}}{{\mathrm{\&omega;}}_i})\&NotEqual;0\};$ 月周期分量M(t)的角频率集合为： ${\mathrm{\&Omega;}}_{month}=\left\{{\mathrm{\&omega;}}_i\right|\mathrm{mod}(30\&times;K,\frac{2\mathrm{\&pi;}}{{\mathrm{\&omega;}}_i})=0$ 且 $\mathrm{mod}(K,\frac{2\mathrm{\&pi;}}{{\mathrm{\&omega;}}_i})\&NotEqual;0\};$

低频分量L(t)的角频率集合为 ${\mathrm{\&Omega;}}_{low}=\left\{{\mathrm{\&omega;}}_i\right|\frac{2\mathrm{\&pi;}}{{\mathrm{\&omega;}}_i}<K$ 且 ${\mathrm{\&omega;}}_i\&NotElement;{\mathrm{\&Omega;}}_{day}\&cup;{\mathrm{\&Omega;}}_{week}\&cup;{\mathrm{\&Omega;}}_{month}\};$ 高频分量H(t)的角频率集合为： ${\mathrm{\&Omega;}}_{high}=\left\{{\mathrm{\&omega;}}_i\right|\frac{2\mathrm{\&pi;}}{{\mathrm{\&omega;}}_i}\&GreaterEqual;K$ 且 ${\mathrm{\&omega;}}_i\&NotElement;{\mathrm{\&Omega;}}_{day}\&cup;{\mathrm{\&Omega;}}_{week}\&cup;{\mathrm{\&Omega;}}_{month}\}.$

10.根据权利要求7所述的基于频域分解的风力发电短期负荷预测方法，其特征在于，所述基于阀值去噪法的LWT-LSSVM的预测方法具体为：首先选择db6小波对信号进行3层小波包分解得到分解信号；再将由软、硬阀值法得到的软、硬阈值通过加权平均处理，得到新的阀值函数，在新的阀值函数中对高频小波系数用阈值λ进行量化，得出估计小波系数然后，根据第3层低频系数和估计小波系数进行小波重构；最后对所述分解信号采用LSSVM模型进行训练和预测，得到预测结果；

其中，设加权因子为0.5，则构造新的阀值函数如下：

${\hat{w}}_{j,k}=\left\{\begin{array}{cc}0.5w_{j,k}+0.5\mathrm{sgn}\left(w_{j,k}\right)\left(\right|w_{j,k}|-\mathrm{\&lambda;})& \left|w_{j,k}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0& \left|w_{j,k}\right|<\mathrm{\&lambda;}\end{array}\right.---\left(3\right)$

其中，λ为设定的阀值，w_j,k为小波系数。

11.一种基于频域分解的风力发电短期负荷预测装置，其特征在于，包括预处理单元、频域分解单元、预测单元及结果输出单元；

所述预处理单元用于对原始数据进行预处理；

所述频域分解单元用于对预处理的数据进行频域分解，得到日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量；

所述预测单元用于分别对日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量进行预测；

所述结果输出单元用于将各部分的预测结果叠加，并输出最终的预测结果；

其中，所述预测单元包括：日周期和高频预测子单元、周周期和月周期预测子单元以及低频预测子单元，所述日周期和高频预测子单元用于分别对所述日周期部分和高频部分的数据分量进行基于LWT-LSSVM预测方法的预测；所述周周期和月周期预测子单元用于去除所述周周期和月周期部分分解后的数据分量；所述低频预测子单元用于对所述低频部分的数据分量进行基于线性回归分析法的预测。

12.根据权利要求11所述的装置，其特征在于，所述频域分解单元包括建模单元及数据分解单元，其中，所述建模单元用于建立频域分解数学模型；所述数据分解单元用于对预处理的历史负荷数据进行频域分解，得到并输出日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量。

13.根据权利要求12所述的装置，其特征在于，所述建模单元包括：

数据建模单元，设历史负荷数据所在的时间域为D_-，P(t)是时间域D_-里的负荷时间序列，用于对P(t)做傅立叶分解：

$P\left(t\right)=a_0+\underset{i=1}{\overset{N-1}{\&Sigma;}}(a_i{\mathrm{cos\&omega;}}_{i}t+b_i{\mathrm{sin\&omega;}}_{i}t)$

式中，N为历史负荷序列的数据量。负荷时间序列P(t)被分解成角频率为 ${\mathrm{\&omega;}}_i=\frac{i}{N}\&times;2\mathrm{\&pi;},(i=1,2,...,N-1)$ 的分量。

数据组合单元，用于组合以获得下式：

P(t)＝a₀+D(t)+W(t)+M(t)+L(t)+H(t)

其中，a₀+D(t)为日周期部分的负荷数据分量，W(t)为周周期部分的负荷数据分量，M(t)为月周期部分的负荷数据分量是按固定周期变化的负荷分量，L(t)为低频部分数据分量，H(t)为高频部分数据分量。

14.根据权利要求13所述的装置，其特征在于，所述数据分解单元：包括日周期分解子单元、周周期分解子单元、月周期分解子单元、低频分解子单元及高频分解子单元；若对电力负荷一天进行K次采样，则日周期分解子单元用于输出日周期分量a₀+D(t)，其角频率集合为：周周期分解子单元用于输出的周周期分量W(t)，其角频率集合为： ${\mathrm{\&Omega;}}_{week}=\left\{{\mathrm{\&omega;}}_i\right|\mathrm{mod}(7\&times;K,\frac{2\mathrm{\&pi;}}{{\mathrm{\&omega;}}_i})=0$ 且 $\mathrm{mod}(K,\frac{2\mathrm{\&pi;}}{{\mathrm{\&omega;}}_i})\&NotEqual;0\};$ 月周期分解子单元用于输出月周期分量M(t)，其角频率集合为： ${\mathrm{\&Omega;}}_{month}=\left\{{\mathrm{\&omega;}}_i\right|\mathrm{mod}(30\&times;K,\frac{2\mathrm{\&pi;}}{{\mathrm{\&omega;}}_i})=0$ 且 $\mathrm{mod}(K,\frac{2\mathrm{\&pi;}}{{\mathrm{\&omega;}}_i})\&NotEqual;0\};$ 低频分解子单元用于输出低频分量L(t)，其角频率集合为 ${\mathrm{\&Omega;}}_{low}=\left\{{\mathrm{\&omega;}}_i\right|\frac{2\mathrm{\&pi;}}{{\mathrm{\&omega;}}_i}<K$ 且 ${\mathrm{\&omega;}}_i\&NotElement;{\mathrm{\&Omega;}}_{day}\&cup;{\mathrm{\&Omega;}}_{week}\&cup;{\mathrm{\&Omega;}}_{month}\};$ 高频分解子单元用于输出高频分量H(t)，其角频率集合为： ${\mathrm{\&Omega;}}_{high}=\left\{{\mathrm{\&omega;}}_i\right|\frac{2\mathrm{\&pi;}}{{\mathrm{\&omega;}}_i}\&GreaterEqual;K$ 且 ${\mathrm{\&omega;}}_i\&NotElement;{\mathrm{\&Omega;}}_{day}\&cup;{\mathrm{\&Omega;}}_{week}\&cup;{\mathrm{\&Omega;}}_{month}\}.$