CN105373856A - 一种考虑游程检测法重构的风电功率短时组合预测方法 - Google Patents
一种考虑游程检测法重构的风电功率短时组合预测方法 Download PDFInfo
- Publication number
- CN105373856A CN105373856A CN201510817091.2A CN201510817091A CN105373856A CN 105373856 A CN105373856 A CN 105373856A CN 201510817091 A CN201510817091 A CN 201510817091A CN 105373856 A CN105373856 A CN 105373856A
- Authority
- CN
- China
- Prior art keywords
- component
- emd
- elman
- data
- imf
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000001514 detection method Methods 0.000 title claims abstract 3
- 230000005611 electricity Effects 0.000 title abstract description 9
- 230000006870 function Effects 0.000 claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000010606 normalization Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 16
- 239000010410 layer Substances 0.000 claims description 48
- 230000009182 swimming Effects 0.000 claims description 21
- 238000001787 Wald–Wolfowitz test Methods 0.000 claims description 15
- 238000013277 forecasting method Methods 0.000 claims description 12
- 238000002405 diagnostic procedure Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000004804 winding Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000011229 interlayer Substances 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000006386 memory function Effects 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 230000003534 oscillatory effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims 1
- 230000003247 decreasing effect Effects 0.000 abstract 1
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000010354 integration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及的一种考虑游程检测法重构的风电功率短时组合预测方法,包括采用经验模态分解对风电场多组出力时间序列样本数据进行分解,得到多个本征模态函数IMF和趋势项Res;依据游程判别法对分解所得IMF和剩余分量进行波动程度分类,将具有相似波动频率的EMD分解项进行重构;对重构的分量进行数据归一化处理后作为神经网络的训练和测试数据,建立EMD-Elman预测模型直接多步法进行72h日前功率预测。本发明建立了较为准确的EMD-Elman神经网络短时多步组合预测模型,减少了预测分量建模数,提高预测精度和预测速度。
Description
技术领域
本发明属于电力系统风电功率预测领域的方法,具体是一种考虑游程检测法重构的EMD-Elman风电功率短时组合预测方法。
背景技术
随着煤炭、石油等不可再生资源的日益枯竭以及污染排放的日趋严重,全世界都在积极寻求环保、清洁的可再生能源作为传统化石燃料的“可替代性能源”,而风能是一种未来最具有希望解决温室效应的无污染、绿色清洁可再生能源,全球能源可持续发展中具有重要的战略意义,因而引起各国高度重视,近十年也取得快速发展,尤其风能资源丰富的中国。
中国的风电事业正朝着规模化、集群化、基地化的方向快速发展,风电接入已由发展初期的分散式、小规模接入转变为集中式、大规模接入,风电远距离消纳需要“穿越”电网,而风电出力具有较强随机波动性、较差的功率调节能力、较低的年利用小时数等特点,受气象环境、风场布局等影响性较大,因此风电集群规模化接入对电力系统的安全性、可靠性和稳定性产生了重要影响,给电力系统的安全运行与调度规划带来巨大挑战。
此外中国风能资源分布不均,地域差异性显著,其主要分布于“三北”及东南沿海地区,大多远离负荷中心,而目前风电建设规划存在着“重发、轻供、不管用”,风电发展超前于相应区域电网规划,两者规划发展不协调,风电基地输送电网的外送能力不足,本地区消纳有限,电源结构单一灵活性电源不足等问题,这些使得我国风电存在着严重的弃风现象,深究导致风电并网困难产生弃风现象的主要原因是风电出力具有随机波动性。因此,当前有效减少弃风限电,减弱并网影响,实现全额安全并网关键是研究分析风电出力波动特性。为了能够满足我国风电集群规模化快速发展,提高电网风电接纳能力,风电出力的波动性和间歇性必须进行有效管理,因而对风电出力波动特性进行研究和对风电的功率进行短时预测具有重要实际应用意义。
发明内容
本发明根据现有发明中明显不足,用一种考虑游程检测法重构的EMD-Elman风电功率短时组合预测方法建立了较为准确的EMD-Elman神经网络短时多步组合预测模型对短时光伏进行预测,减少了预测分量建模数,提高预测精度和预测速度。
本发明的目的通过以下技术方案来实现:本发明提供了一种考虑游程检测法重构的风电功率短时组合预测方法,包括:
1)采用经验模态分解对风电场多组出力时间序列样本数据进行分解,得到多个本征模态函数IMF和趋势项Res;
2)依据游程判别法对分解所得IMF和剩余分量进行波动程度分类,将具有相似波动频率的EMD分解项进行重构;
3)对重构的分量进行数据归一化处理后作为神经网络的训练和测试数据,建立EMD-Elman预测模型直接多步法进行72h日前功率预测。
本发明的进一步改进在于:步骤1)中采用经验模态分解对风电场多组出力时间序列样本数据进行分解,具体步骤如下:
利用筛过程对时间序列信号进行振荡模态的自适应筛选,筛过程是第一次基于特征时间尺度进行的局部振荡模式的优选,每一次SP可以认为是提取出PMF,具体SP过程步骤如下:
给定一个时序数列X(t),令h(t)=X(t),i=0,k=1,停止阈值δ,典型值设在0.2-0.3之间,终止迭代的极值点个数n;
步骤1:筛选h(t)的局部极大值和局部极小值;
步骤2:由局部极大值三次样条插值得到上包络线emax(t);局部极小值三次样条插值得到下包络线emin(t);
步骤3:由上下包络线计算其局部平均,得到平均包络线:
m1(t)=(emax(t)+emin(t))/2(1)
然后得到数据余项:h1(t)=h(t)-m1(t),作为第二次SP初始数据;
步骤4:进行第二次SP,其中步骤1-3看作一次SP,得到平均包络线:
m11(t)=(e1max(t)+e1min(t))/2(2)
然后得到新余项:h11(t)=h1(t)-m11(t),作为第三次SP初始数据;将第二次SP写成通用表达式:即令i=i+1,h1i(t)=h1(i-1)(t)-m1i(t)(式中h10(t)为h1(t));
步骤5:计算终止条件SD
如果SD<δ,则令imfk(t)=h1i(t),进入下一步,否则循环步骤1至步骤4;
步骤6:令如果h(t)极值点个数大于n,k=k+1,i=0并且回到步骤1,否则,结束SP;如果h(t)是单调函数,同样结束SP;
筛过程得到了一系列本征模态函数和一个残差项
综上,对于任一个时间序列X(t),经过筛过程分解可以得到如下:
式中:Res(t)可以认为是时间序列的趋势项。
本发明的进一步改进在于:步骤2)中依据游程判别法对分解所得IMF和剩余分量进行波动程度分类,将具有相似波动频率的EMD分解项进行重构,包括如下步骤:
设本征模态函数对应时间序列为{X(t)}(t=1,2,...N),N是样本时间序列数量,样本均值为时序符号St定义如下:
时序符号St由一串彼此统计独立的随机排列0、1序列组成,将每段连续相同符号,符号为0或1,序列定义为一个游程,每个时序符号St游程总数的大小可以检测对应EMD分量的波动程度;进而,依据游程检测法设定高频和低频游程阀值,按照fine-to-coarse顺序对EMD分解所得到的多个本征模态函数和趋势项进行三分量重构,即将EMD分解得到的趋势项归为趋势分量,将各个本征模态函数重构成高频分量和低频分量;其中,将各个本征模态函数重构成高频分量和低频分量需要确定中间游程阀值;考虑到风电出力特性具有一定日变化规律,同时为了准确划分高频和低频分量,计算选取游程数为24作为中间阀值,大于阀值数的IMF合并为高频分量,低于阀值数的IMF合并为低频分量。
本发明的进一步改进在于:步骤3)中的对重构的分量进行数据归一化处理后作为Elman神经网络的训练和测试数据并建立EMD-Elman预测模型直接多步法进行72h日前功率预测,具体步骤为:
(1)对重构的分量进行数据归一化处理;
(2)构造Elman神经网络模型并对重构数据进行训练和测试;
(3)建立EMD-Elman预测模型直接多步法进行72h日前功率预测。
本发明的进一步改进在于:步骤(1)中对重构的分量进行数据归一化处理,具体如下:
在进行模型预测时,当输入或输出向量的各个分量量纲不同或大小相差很大时,应对不同的分量在其取值范围内分别进行归一化处理,考虑到本文所采用各分量的物理意义相同且为同一量纲,故采用先在整个数据范围内确定最大值和最小值再进行统一的归一化变换处理,进而将模型输入输出变换为[0,1]区间的值,具体归一化公式如下:
其中,xput为模型的输入或输出分量;为经过归一化处理后的输入或输出分量;xmax和xmin分别为模型输入或输出量的最大值和最小值。
本发明的进一步改进在于:步骤(2)中构造Elman神经网络模型并对重构数据进行训练和测试,具体如下:
(1)构造Elman回归神经网络的输入层、隐含层和输出层,并且加入一个承接层用于记忆隐含层前一时刻输出并返回给输入,实现层间或层内的反馈联结,相当于一个延时算子,因此Elman回归神经网络具备动态记忆功能;
(2)建立Elman神经网络数学模型:
xc(k)=a·xc(k-1)+x(k-1)(8)
x(k)=f(w1xc(k)+w2u(k-1))(9)
yk=g(w3x(k))(10)
其中:a表示自连接反馈增益因子;k表示时刻值;w1、w2和w3分别表示承接层至隐含层、输入层至隐含层和隐含层至输出层的权值矩阵;f(·)和g(·)分别表示隐含层和输出层的传递函数;xc、x、u和yk分别表示承接层m维输出向量、隐含层n维输出向量、r维输入向量和1维输出节点向量;
若系统第i个节点k时刻实际输出为yi(k),yd,i(k)表示其期望输出,则该时刻网络权值调整的误差函数E为:
由含动量因子η下降梯度法,推导出改进Elman的学习算法:
式中:
i=1,2,...,m;
j=1,2,...,n;
q=1,2,...,r;
l=1,2,...,n;
本发明的进一步改进在于:步骤(3)中建立EMD-Elman预测模型直接多步法进行72h日前功率预测,具体如下:
(1)对风电场多组出力时间序列样本数据进行EMD分解,每组将得到多个本征模态函数IMF和趋势项Res;
(2)依据游程判别法对分解所得IMF和剩余分量进行波动程度分类,将具有相似波动频率的EMD分解项进行重构,重构得到高频分量IMFhf、低频分量IMFlf和趋势分量Res;
(3)对三个分量进行数据归一化处理,作为神经网络的训练和测试数据,再然后分别应用Elman预测模型直接多步法进行72h的日前功率预测;
(4)将三个分量的日前预测值自适应叠加,得到目标风电出力72h的日前预测功率值。
本发明与现有技术相比具有以下优点:
(1)本发明能够适应于未来风电功率短时预测且具预测精度高、预测速度快;
(2)评价结果客观、合理;
(3)满足电网发展和工程实际投资的需求。
附图说明
图1为本发明实施的结构框图;
图2为本发明涉及的Elman神经网络结构;
图3为具体实施方式中EMD-Elman组合预测的流程图。
具体实施方式:
为使本发明实施例的目的、技术方案和优点更加清楚,下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。在本发明的一种实施方式中描述的元素和特征可以与一个或更多个其它实施方式中示出的元素和特征相结合。应当注意,为了清楚的目的,说明中省略了与本发明无关的、本领域普通技术人员已知的部件和处理的表示和描述。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了一种考虑游程检测法重构的EMD-Elman风电功率短时组合预测方法,包括:1)采用经验模态分解对风电场多组出力时间序列样本数据进行分解,得到多个本征模态函数IMF和趋势项Res;2)依据游程判别法对分解所得IMF和剩余分量进行波动程度分类,将具有相似波动频率的EMD分解项进行重构;3)对重构的分量进行数据归一化处理后作为神经网络的训练和测试数据,应用EMD-Elman预测模型直接多步法进行72h日前功率预测。
本发明方法所述的步骤1)中所述的采用经验模态分解对风电场多组出力时间序列样本数据进行分解,具体步骤如下:
利用筛过程(SP-SiftingProcess)对时间序列信号进行振荡模态的自适应筛选,筛过程是第一次基于特征时间尺度进行的局部振荡模式的优选,每一次SP可以认为是提取出PMF(Proto-modefunction),具体SP过程步骤如下:
给定一个时序数列X(t),令h(t)=X(t),i=0,k=1,停止阈值δ(典型值一般设在0.2-0.3之间),终止迭代的极值点个数n。
步骤1:筛选h(t)的局部极大值和局部极小值;
步骤2:由局部极大值三次样条插值得到上包络线emax(t);局部极小值三次样条插值得到下包络线emin(t);
步骤3:由上下包络线计算其局部平均,得到平均包络线:
m1(t)=(emax(t)+emin(t))/2(1)
然后得到数据余项:h1(t)=h(t)-m1(t),作为第二次SP初始数据;
步骤4:进行第二次SP(步骤1-3可以看作一次SP),得到平均包络线:
m11(t)=(e1max(t)+e1min(t))/2(2)
然后得到新余项:h11(t)=h1(t)-m11(t),作为第三次SP初始数据;将第二次SP写成通用表达式:即令i=i+1,h1i(t)=h1(i-1)(t)-m1i(t)(式中h10(t)为h1(t));
步骤5:计算终止条件SD
如果SD<δ,则令imfk(t)=h1i(t),进入下一步,否则循环步骤1至步骤4。
步骤6:令如果h(t)极值点个数大于n,k=k+1,i=0并且回到步骤1,否则,结束SP;如果h(t)是单调函数,同样结束SP。
筛过程得到了一系列本征模态函数和一个残差项
综上,对于任一个时间序列X(t),经过筛过程分解可以得到如下:
式中:Res(t)可以认为是时间序列的趋势项。
本发明方法所述的步骤2)中的依据游程判别法对分解所得IMF和剩余分量进行波动程度分类,将具有相似波动频率的EMD分解项进行重构,具体步骤如下:
设本征模态函数对应时间序列为{X(t)}(t=1,2,...N),N是样本时间序列数量,样本均值为时序符号St定义如下:
时序符号St由一串彼此统计独立的随机排列0、1序列组成,将每段连续相同符号(0或1)序列定义为一个游程,每个时序符号St游程总数的大小可以检测对应EMD分量的波动程度。进而,依据游程检测法设定高频和低频游程阀值,按照fine-to-coarse顺序对EMD分解所得到的多个本征模态函数和趋势项进行三分量重构,即将EMD分解得到的趋势项归为趋势分量,将各个本征模态函数重构成高频分量和低频分量。其中,将各个本征模态函数重构成高频分量和低频分量需要确定中间游程阀值。考虑到风电出力特性具有一定日变化规律,同时为了准确划分高频和低频分量,计算选取游程数为24作为中间阀值,大于阀值数的IMF合并为高频分量,低于阀值数的IMF合并为低频分量。
本发明方法所述的步骤3)中的对重构的分量进行数据归一化处理后作为神经网络的训练和测试数据并建立EMD-Elman预测模型直接多步法进行72h日前功率预测,包括如下步骤:
(1)对重构的分量进行数据归一化处理;
(2)构造Elman神经网络模型并对重构数据进行训练和测试
(3)建立EMD-Elman预测模型直接多步法进行72h日前功率预测
所述预测方法的步骤(1)中的对重构的分量进行数据归一化处理,具体如下:
在进行模型预测时,当输入或输出向量的各个分量量纲不同或大小相差很大时,应对不同的分量在其取值范围内分别进行归一化处理。考虑到本文所采用各分量的物理意义相同且为同一量纲,故采用先在整个数据范围内确定最大值和最小值再进行统一的归一化变换处理,进而将模型输入输出变换为[0,1]区间的值,具体归一化公式如下:
其中,xput为模型的输入或输出分量;为经过归一化处理后的输入或输出分量;xmax和xmin分别为模型输入或输出量的最大值和最小值。
所述预测方法的步骤(2)中的构造Elman神经网络模型并对重构数据进行训练和测试,具体如下:
a.构造Elman回归神经网络的输入层、隐含层和输出层,并且加入一个承接层用于记忆隐含层前一时刻输出并返回给输入,实现层间或层内的反馈联结,相当于一个延时算子,因此Elman回归神经网络具备动态记忆功能。
b.建立Elman神经网络数学模型:
xc(k)=a·xc(k-1)+x(k-1)(8)
x(k)=f(w1xc(k)+w2u(k-1))(9)
yk=g(w3x(k))(10)
其中:a表示自连接反馈增益因子;k表示时刻值;w1、w2和w3分别表示承接层至隐含层、输入层至隐含层和隐含层至输出层的权值矩阵;f(·)和g(·)分别表示隐含层和输出层的传递函数;xc、x、u和yk分别表示承接层m维输出向量、隐含层n维输出向量、r维输入向量和1维输出节点向量。
若系统第i个节点k时刻实际输出为yi(k),yd,i(k)表示其期望输出,则该时刻网络权值调整的误差函数E为:
由含动量因子η下降梯度法,推导出改进Elman的学习算法:
式中:
i=1,2,...,m;
j=1,2,...,n;
q=1,2,...,r;
l=1,2,...,n;
所述预测方法的步骤(3)中的建立EMD-Elman预测模型直接多步法进行72h日前功率预测,具体如下:
(1)对风电场多组出力时间序列样本数据进行EMD分解,每组将得到多个本征模态函数IMF和趋势项Res;
(2)依据游程判别法对分解所得IMF和剩余分量进行波动程度分类,将具有相似波动频率的EMD分解项进行重构,重构得到高频分量IMFhf、低频分量IMFlf和趋势分量Res;
(3)对三个分量进行数据归一化处理,作为神经网络的训练和测试数据,再然后分别应用Elman预测模型直接多步法进行72h的日前功率预测,
(4)将三个分量的日前预测值自适应叠加,得到目标风电出力72h的日前预测功率值。
Claims (7)
1.一种考虑游程检测法重构的风电功率短时组合预测方法,其特征在于:包括:
1)采用经验模态分解对风电场多组出力时间序列样本数据进行分解,得到多个本征模态函数IMF和趋势项Res;
2)依据游程判别法对分解所得IMF和剩余分量进行波动程度分类,将具有相似波动频率的EMD分解项进行重构;
3)对重构的分量进行数据归一化处理后作为神经网络的训练和测试数据,建立EMD-Elman预测模型直接多步法进行72h日前功率预测。
2.根据权利要求1所述的一种考虑游程检测法重构的风电功率短时组合预测方法,其特征在于:所述步骤1)中采用经验模态分解对风电场多组出力时间序列样本数据进行分解,具体步骤如下:
利用筛过程对时间序列信号进行振荡模态的自适应筛选,筛过程是第一次基于特征时间尺度进行的局部振荡模式的优选,每一次SP是提取出PMF,具体SP过程步骤如下:
给定一个时序数列X(t),令h(t)=X(t),i=0,k=1,停止阈值δ,典型值设在0.2-0.3之间,终止迭代的极值点个数n;
步骤1:筛选h(t)的局部极大值和局部极小值;
步骤2:由局部极大值三次样条插值得到上包络线emax(t);局部极小值三次样条插值得到下包络线emin(t);
步骤3:由上下包络线计算其局部平均,得到平均包络线:
m1(t)=(emax(t)+emin(t))/2(1)
然后得到数据余项:h1(t)=h(t)-m1(t),作为第二次SP初始数据;
步骤4:进行第二次SP,其中步骤1-3看作一次SP,得到平均包络线:
m11(t)=(e1max(t)+e1min(t))/2(2)
然后得到新余项:h11(t)=h1(t)-m11(t),作为第三次SP初始数据;将第二次SP写成通用表达式:即令i=i+1,h1i(t)=h1(i-1)(t)-m1i(t)(式中h10(t)为h1(t));
步骤5:计算终止条件SD:
如果SD<δ,则令imfk(t)=h1i(t),进入下一步,否则循环步骤1至步骤4;
步骤6:令如果h(t)极值点个数大于n,k=k+1,i=0并且回到步骤1,否则,结束SP;如果h(t)是单调函数,同样结束SP;
筛过程得到了一系列本征模态函数和一个残差项
综上,对于任一个时间序列X(t),经过筛过程分解可以得到如下:
式中:Res(t)可以认为是时间序列的趋势项。
3.根据权利要求1所述的一种考虑游程检测法重构的风电功率短时组合预测方法,其特征在于:所述步骤2)中依据游程判别法对分解所得IMF和剩余分量进行波动程度分类,将具有相似波动频率的EMD分解项进行重构,包括如下步骤:
设本征模态函数对应时间序列为{X(t)}(t=1,2,…N),N是样本时间序列数量,样本均值为时序符号St定义如下:
时序符号St由一串彼此统计独立的随机排列0、1序列组成,将每段连续相同符号,符号为0或1,序列定义为一个游程,每个时序符号St游程总数的大小检测对应EMD分量的波动程度;进而,依据游程检测法设定高频和低频游程阀值,按照fine-to-coarse顺序对EMD分解所得到的多个本征模态函数和趋势项进行三分量重构,即将EMD分解得到的趋势项归为趋势分量,将各个本征模态函数重构成高频分量和低频分量;其中,将各个本征模态函数重构成高频分量和低频分量需要确定中间游程阀值;考虑到风电出力特性具有一定日变化规律,同时为了准确划分高频和低频分量,计算选取游程数为24作为中间阀值,大于阀值数的IMF合并为高频分量,低于阀值数的IMF合并为低频分量。
4.根据权利要求1所述的一种考虑游程检测法重构的风电功率短时组合预测方法,其特征在于:所述步骤3)中的对重构的分量进行数据归一化处理后作为Elman神经网络的训练和测试数据并建立EMD-Elman预测模型直接多步法进行72h日前功率预测,具体步骤为:
(1)对重构的分量进行数据归一化处理;
(2)构造Elman神经网络模型并对重构数据进行训练和测试;
(3)建立EMD-Elman预测模型直接多步法进行72h日前功率预测。
5.根据权利要求4所述的一种考虑游程检测法重构的风电功率短时组合预测方法,其特征在于:所述步骤(1)中对重构的分量进行数据归一化处理,具体如下:
在进行模型预测时,当输入或输出向量的各个分量量纲不同或大小相差很大时,对不同的分量在其取值范围内分别进行归一化处理,采用先在整个数据范围内确定最大值和最小值再进行统一的归一化变换处理,进而将模型输入输出变换为[0,1]区间的值,具体归一化公式如下:
其中,xput为模型的输入或输出分量;为经过归一化处理后的输入或输出分量;xmax和xmin分别为模型输入或输出量的最大值和最小值。
6.根据权利要求4所述的一种考虑游程检测法重构的风电功率短时组合预测方法,其特征在于:所述步骤(2)中构造Elman神经网络模型并对重构数据进行训练和测试,具体如下:
(1)构造Elman回归神经网络的输入层、隐含层和输出层,并且加入一个承接层用于记忆隐含层前一时刻输出并返回给输入,实现层间或层内的反馈联结,相当于一个延时算子,因此Elman回归神经网络具备动态记忆功能;
(2)建立Elman神经网络数学模型:
xc(k)=a·xc(k-1)+x(k-1)(8)
x(k)=f(w1xc(k)+w2u(k-1))(9)
yk=g(w3x(k))(10)
其中:a表示自连接反馈增益因子;k表示时刻值;w1、w2和w3分别表示承接层至隐含层、输入层至隐含层和隐含层至输出层的权值矩阵;f(·)和g(·)分别表示隐含层和输出层的传递函数;xc、x、u和yk分别表示承接层m维输出向量、隐含层n维输出向量、r维输入向量和1维输出节点向量;
若系统第i个节点k时刻实际输出为yi(k),yd,i(k)表示其期望输出,则该时刻网络权值调整的误差函数E为:
由含动量因子η下降梯度法,推导出改进Elman的学习算法:
式中:
i=1,2,...,m;
j=1,2,...,n;
q=1,2,...,r;
l=1,2,...,n;
7.根据权利要求4所述的一种考虑游程检测法重构的风电功率短时组合预测方法,其特征在于:所述步骤(3)中建立EMD-Elman预测模型直接多步法进行72h日前功率预测,具体如下:
(1)对风电场多组出力时间序列样本数据进行EMD分解,每组将得到多个本征模态函数IMF和趋势项Res;
(2)依据游程判别法对分解所得IMF和剩余分量进行波动程度分类,将具有相似波动频率的EMD分解项进行重构,重构得到高频分量IMFhf、低频分量IMFlf和趋势分量Res;
(3)对三个分量进行数据归一化处理,作为神经网络的训练和测试数据,再然后分别应用Elman预测模型直接多步法进行72h的日前功率预测;
(4)将三个分量的日前预测值自适应叠加,得到目标风电出力72h的日前预测功率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510817091.2A CN105373856A (zh) | 2015-11-23 | 2015-11-23 | 一种考虑游程检测法重构的风电功率短时组合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510817091.2A CN105373856A (zh) | 2015-11-23 | 2015-11-23 | 一种考虑游程检测法重构的风电功率短时组合预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105373856A true CN105373856A (zh) | 2016-03-02 |
Family
ID=55376035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510817091.2A Pending CN105373856A (zh) | 2015-11-23 | 2015-11-23 | 一种考虑游程检测法重构的风电功率短时组合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105373856A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203723A (zh) * | 2016-07-19 | 2016-12-07 | 河海大学 | 基于rt重构eemd‑rvm组合模型的风功率短期区间预测方法 |
CN107909202A (zh) * | 2017-11-03 | 2018-04-13 | 渤海大学 | 一种基于时间序列的油井产液量集成预测方法 |
CN108038565A (zh) * | 2017-11-30 | 2018-05-15 | 常州大学 | 一种游程检测法重构eemd的养殖水质溶解氧预测方法 |
CN109359778A (zh) * | 2018-11-13 | 2019-02-19 | 中石化石油工程技术服务有限公司 | 基于优化经验模态分解的短期天然气负荷预测方法 |
CN110763830A (zh) * | 2019-12-04 | 2020-02-07 | 济南大学 | 一种水泥熟料游离氧化钙含量预测方法 |
CN110909931A (zh) * | 2019-11-20 | 2020-03-24 | 成都理工大学 | 基于模态分解重构及深度lstm-rnn模型的测井曲线预测方法 |
CN110956312A (zh) * | 2019-11-15 | 2020-04-03 | 国网浙江省电力有限公司电力科学研究院 | 基于emd-cnn深度神经网络的光伏配电网电压预测方法 |
CN111242353A (zh) * | 2020-01-03 | 2020-06-05 | 深圳供电局有限公司 | 风电功率组合预测建模和预测方法 |
CN111276983A (zh) * | 2019-12-27 | 2020-06-12 | 西华大学 | 一种基于模糊自适应完备经验模态分解算法的光伏平抑方法及其系统 |
-
2015
- 2015-11-23 CN CN201510817091.2A patent/CN105373856A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203723A (zh) * | 2016-07-19 | 2016-12-07 | 河海大学 | 基于rt重构eemd‑rvm组合模型的风功率短期区间预测方法 |
CN107909202A (zh) * | 2017-11-03 | 2018-04-13 | 渤海大学 | 一种基于时间序列的油井产液量集成预测方法 |
CN107909202B (zh) * | 2017-11-03 | 2021-12-21 | 渤海大学 | 一种基于时间序列的油井产液量集成预测方法 |
CN108038565A (zh) * | 2017-11-30 | 2018-05-15 | 常州大学 | 一种游程检测法重构eemd的养殖水质溶解氧预测方法 |
CN109359778A (zh) * | 2018-11-13 | 2019-02-19 | 中石化石油工程技术服务有限公司 | 基于优化经验模态分解的短期天然气负荷预测方法 |
CN110956312A (zh) * | 2019-11-15 | 2020-04-03 | 国网浙江省电力有限公司电力科学研究院 | 基于emd-cnn深度神经网络的光伏配电网电压预测方法 |
CN110956312B (zh) * | 2019-11-15 | 2022-11-15 | 国网浙江省电力有限公司电力科学研究院 | 基于emd-cnn深度神经网络的光伏配电网电压预测方法 |
CN110909931A (zh) * | 2019-11-20 | 2020-03-24 | 成都理工大学 | 基于模态分解重构及深度lstm-rnn模型的测井曲线预测方法 |
CN110763830A (zh) * | 2019-12-04 | 2020-02-07 | 济南大学 | 一种水泥熟料游离氧化钙含量预测方法 |
CN110763830B (zh) * | 2019-12-04 | 2022-04-05 | 济南大学 | 一种水泥熟料游离氧化钙含量预测方法 |
CN111276983A (zh) * | 2019-12-27 | 2020-06-12 | 西华大学 | 一种基于模糊自适应完备经验模态分解算法的光伏平抑方法及其系统 |
CN111242353A (zh) * | 2020-01-03 | 2020-06-05 | 深圳供电局有限公司 | 风电功率组合预测建模和预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105373856A (zh) | 一种考虑游程检测法重构的风电功率短时组合预测方法 | |
CN110070226A (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及系统 | |
CN103258142B (zh) | 基于天气模式的风电场短期风速预测方法 | |
CN106875041A (zh) | 一种短期风速预测方法 | |
CN103413174B (zh) | 基于深度学习方法的短期风速多步预测方法 | |
CN106295899B (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
CN106874630A (zh) | 基于电量消纳的区域电网新能源开发潜力评估方法 | |
CN101793907A (zh) | 一种风电场短期风速预测方法 | |
Zhang et al. | Improved Wind Speed Prediction Using Empirical Mode Decomposition. | |
CN103218674A (zh) | 基于bp神经网络模型的光伏发电系统输出功率预测方法 | |
CN103400204B (zh) | 基于svm‑马尔科夫组合法的太阳能光伏发电量预测方法 | |
CN102479339A (zh) | 基于混合神经网络的风电场短期风速预测方法和系统 | |
CN110909911B (zh) | 考虑时空相关性的多维时序数据的聚合方法 | |
CN102542133A (zh) | 风电场短时风速预测方法及系统 | |
Chang | Comparison of three short term wind power forecasting methods | |
CN106611243A (zh) | 一种基于garch模型的风速预测残差修正方法 | |
CN109255728A (zh) | 混沌相空间优化重构的光伏发电功率神经网络预测法 | |
CN106126890A (zh) | 一种基于随机响应面法的概率最优潮流计算方法 | |
CN106058863A (zh) | 一种基于随机响应面法的随机最优潮流计算方法 | |
Du et al. | Deep power forecasting model for building attached photovoltaic system | |
CN105244890A (zh) | 新能源并网的无功优化方法 | |
CN104978605A (zh) | 基于深度学习网络的大规模风电功率预测系统及方法 | |
CN110084430A (zh) | 一种考虑时空特性设计分布式光伏出力预测模型的方法 | |
Zhang et al. | Ultra-short-term wind power forecasting model based on time-section fusion and pattern classification | |
CN105528517B (zh) | 基于神经网络、小波分解光伏电站功率预测方法、系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160302 |
|
RJ01 | Rejection of invention patent application after publication |