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

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

一种考虑游程检测法重构的风电功率短时组合预测方法

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e_max(t)；局部极小值三次样条插值得到下包络线e_min(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)＝(e_max(t)+e_min(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)＝(e_1max(t)+e_1min(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，h_1i(t)＝h_1(i-1)(t)-m_1i(t)(式中h₁₀(t)为h₁(t))；

步骤5：计算终止条件SD

$SD=\underset{t=0}{\overset{T}{\Σ}}\[\frac{|h_{1(i-1)}\left(t\right)-h_{1i}\left(t\right){|}^2}{h_{1(i-1)}^2\left(t\right)}\]---\left(3\right)$

如果SD＜δ，则令imf_k(t)＝h_1i(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

$\mathrm{Re}s\left(t\right)=X\left(t\right)-\underset{k=1}{\overset{k}{\Σ}}{\mathrm{imf}}_k\left(t\right)---\left(4\right)$

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：

$X\left(t\right)=\underset{k=1}{\overset{k}{\Σ}}{\mathrm{imf}}_k\left(t\right)+\mathrm{Re}s\left(t\right)---\left(5\right)$

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S_t定义如下：

$S_t=X\left(t\right)-\stackrel{\‾}{X}=\{\begin{array}{cc}1& X\left(t\right)>\stackrel{\‾}{X}\\ 0& X\left(t\right)\≤\stackrel{\‾}{X}\end{array}---\left(6\right)$

时序符号S_t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S_t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：

${\tilde{x}}_{put}=\frac{x_{put}-x_{min}}{x_{\max }-x_{min}}---\left(7\right)$

其中，x_put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；x_max和x_min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：

x_c(k)＝a·x_c(k-1)+x(k-1)(8)

x(k)＝f(w₁x_c(k)+w₂u(k-1))(9)

y_k＝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y_k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y_i(k)，y_d,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：

$E\left(k\right)=\frac{1}{2}\underset{i}{\overset{m}{\Σ}}{\left(y_{d,i}\right(k)-y_i(k\left)\right)}^2---\left(11\right)$

由含动量因子η下降梯度法，推导出改进Elman的学习算法：

${\mathrm{\Δw}}_{3ij}={\mathrm{\η}}_3{\mathrm{\δ}}_i^0{x}_j\left(k\right)---\left(12\right)$

${\mathrm{\Δw}}_{2jq}={\mathrm{\η}}_2{\mathrm{\δ}}_j^h{u}_q(k-1)---\left(13\right)$

${\mathrm{\Δw}}_{1jl}={\mathrm{\η}}_1\underset{i=1}{\overset{m}{\Σ}}\left({\mathrm{\δ}}_i^0{w}_{3ij}\right)\frac{\∂x_j\left(k\right)}{\∂w_{1jl}}---\left(14\right)$

式中：

i＝1,2,...,m；

j＝1,2,...,n；

q＝1,2,...,r；

l＝1,2,...,n；

${\mathrm{\δ}}_i^0=\left(y_{d,i}\right(k)-y_i(k\left)\right)g_i^{\′}(\·);$

${\mathrm{\δ}}_j^h=\mathrm{\Σ}\left({\mathrm{\δ}}_i^0{w}_{3ij}\right)f_j^{\′}(\·);$

$\frac{\∂x_j\left(k\right)}{\∂w_{1jl}}=f_j^{\′}(\·)x_l(k-1)+a\frac{\∂x_j(k-1)}{\∂w_{1jl}}.$

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e_max(t)；局部极小值三次样条插值得到下包络线e_min(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)＝(e_max(t)+e_min(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)＝(e_1max(t)+e_1min(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，h_1i(t)＝h_1(i-1)(t)-m_1i(t)(式中h₁₀(t)为h₁(t))；

步骤5：计算终止条件SD

$SD=\underset{t=0}{\overset{T}{\Σ}}\[\frac{|h_{1(i-1)}\left(t\right)-h_{1i}\left(t\right){|}^2}{h_{1(i-1)}^2\left(t\right)}\]---\left(3\right)$

如果SD＜δ，则令imf_k(t)＝h_1i(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

$\mathrm{Re}s\left(t\right)=X\left(t\right)-\underset{k=1}{\overset{k}{\Σ}}{\mathrm{imf}}_k\left(t\right)---\left(4\right)$

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：

$X\left(t\right)=\underset{k=1}{\overset{k}{\Σ}}{\mathrm{imf}}_k\left(t\right)+\mathrm{Re}s\left(t\right)---\left(5\right)$

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S_t定义如下：

$S_t=X\left(t\right)-\stackrel{\‾}{X}=\left\{\begin{array}{cc}1& X\left(t\right)>\stackrel{\‾}{X}\\ 0& X\left(t\right)\≤\stackrel{\‾}{X}\end{array}\right.---\left(6\right)$

时序符号S_t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S_t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：

${\tilde{x}}_{put}=\frac{x_{put}-x_{min}}{x_{\max }-x_{min}}---\left(7\right)$

其中，x_put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；x_max和x_min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：

x_c(k)＝a·x_c(k-1)+x(k-1)(8)

x(k)＝f(w₁x_c(k)+w₂u(k-1))(9)

y_k＝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y_k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y_i(k)，y_d,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：

$E\left(k\right)=\frac{1}{2}\underset{i}{\overset{m}{\Σ}}{\left(y_{d,i}\right(k)-y_i(k\left)\right)}^2---\left(11\right)$

由含动量因子η下降梯度法，推导出改进Elman的学习算法：

${\mathrm{\Δw}}_{3ij}={\mathrm{\η}}_3{\mathrm{\δ}}_i^0{x}_j\left(k\right)---\left(12\right)$

${\mathrm{\Δw}}_{2jq}={\mathrm{\η}}_2{\mathrm{\δ}}_j^h{u}_q(k-1)---\left(13\right)$

${\mathrm{\Δw}}_{1jl}={\mathrm{\η}}_1\underset{i=1}{\overset{m}{\Σ}}\left({\mathrm{\δ}}_i^0{w}_{3ij}\right)\frac{\∂x_j\left(k\right)}{\∂w_{1jl}}---\left(14\right)$

式中：

i＝1,2,...,m；

j＝1,2,...,n；

q＝1,2,...,r；

l＝1,2,...,n；

${\mathrm{\δ}}_i^0=\left(y_{d,i}\right(k)-y_i(k\left)\right)g_i^{\′}(\·);$

${\mathrm{\δ}}_j^h=\mathrm{\Σ}\left({\mathrm{\δ}}_i^0{w}_{3ij}\right)f_j^{\′}(\·);$

$\frac{\∂x_j\left(k\right)}{\∂w_{1jl}}=f_j^{\′}(\·)x_l(k-1)+a\frac{\∂x_j(k-1)}{\∂w_{1jl}}.$

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e_max(t)；局部极小值三次样条插值得到下包络线e_min(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)＝(e_max(t)+e_min(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)＝(e_1max(t)+e_1min(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，h_1i(t)＝h_1(i-1)(t)-m_1i(t)(式中h₁₀(t)为h₁(t))；

步骤5：计算终止条件SD：

$SD=\underset{t=0}{\overset{T}{\Σ}}\[\frac{|h_{1(i-1)}\left(t\right)-h_{1i}\left(t\right){|}^2}{h_{1\left(i-1\right)}^2\left(t\right)}\]---\left(3\right)$

如果SD＜δ，则令imf_k(t)＝h_1i(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

$\mathrm{Re}s\left(t\right)=X\left(t\right)-\underset{k=1}{\overset{k}{\Σ}}{\mathrm{imf}}_k\left(t\right)---\left(4\right)$

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：

$X\left(t\right)=\underset{k=1}{\overset{k}{\Σ}}{\mathrm{imf}}_k\left(t\right)+\mathrm{Re}s\left(t\right)---\left(5\right)$

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S_t定义如下：

$S_t=X\left(t\right)-\stackrel{\‾}{X}=\left\{\begin{array}{cc}1& X\left(t\right)>\stackrel{\‾}{X}\\ 0& X\left(t\right)\≤\stackrel{\‾}{X}\end{array}\right.---\left(6\right)$

时序符号S_t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S_t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：

${\tilde{x}}_{put}=\frac{x_{put}-x_{min}}{x_{\max }-x_{min}}---\left(7\right)$

其中，x_put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；x_max和x_min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：

x_c(k)＝a·x_c(k-1)+x(k-1)(8)

x(k)＝f(w₁x_c(k)+w₂u(k-1))(9)

y_k＝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y_k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y_i(k)，y_d,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：

$E\left(k\right)=\frac{1}{2}\underset{i}{\overset{m}{\Σ}}{\left(y_{d,i}\right(k)-y_i(k\left)\right)}^2---\left(11\right)$

由含动量因子η下降梯度法，推导出改进Elman的学习算法：

${\mathrm{\Δw}}_{3ij}={\mathrm{\η}}_3{\mathrm{\δ}}_i^0{x}_j\left(k\right)---\left(12\right)$

${\mathrm{\Δw}}_{2jq}={\mathrm{\η}}_2{\mathrm{\δ}}_j^h{u}_q(k-1)---\left(13\right)$

${\mathrm{\Δw}}_{1jl}={\mathrm{\η}}_1\underset{i=1}{\overset{m}{\Σ}}\left({\mathrm{\δ}}_i^0{w}_{3ij}\right)\frac{\∂x_j\left(k\right)}{\∂w_{1jl}}---\left(14\right)$

式中：

i＝1,2,...,m；

j＝1,2,...,n；

q＝1,2,...,r；

l＝1,2,...,n；

${\mathrm{\δ}}_i^0=\left(y_{d,i}\right(k)-y_i(k\left)\right)g_i^{\′}(\·);$

${\mathrm{\δ}}_j^h=\mathrm{\Σ}\left({\mathrm{\δ}}_i^0{w}_{3ij}\right)f_j^{\′}(\·);$

$\frac{\∂x_j\left(k\right)}{\∂w_{1jl}}=f_j^{\′}(\·)x_l(k-1)+a\frac{\∂x_j(k-1)}{\∂w_{1jl}}.$

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。