CN111598313A - 一种风功率预测方法 - Google Patents

Abstract

本发明公开了一种风功率预测方法，包括：将历史风功率数据分解为多个不同波动特征的模态分量，并将多个分为高频模态分量和低频模态分量：分别建立影响每个模态分量的特征集合；将高频模态分量及对应的特征集合输入第一预测模型中进行预测，得到第一预测模态分量，将低频模态分量及对应的特征集合输入第二预测模型中进行预测，得到第二预测模态分量；对第一预测模态分量、第二预测模态分量进行集成，得到风功率预测值。对预测模态分量进行评价。能提高各分量的预测精度，进而提高整个风功率的预测精度。

Description

一种风功率预测方法

技术领域

本发明属于新能源技术领域，涉及一种风功率预测方法。

背景技术

21世纪以来，伴随着社会经济快速地发展，化石能源消耗的速度日益增加。然而化石能源的储存是有限的，因此，新能源的开发与利用受到广泛关注。在所有新能源中，风能的地位不容小觑，风电出力的精准预测对电力系统运行的稳定、安全和经济有着重大的影响。

目前传统的风电功率预测方法在预测过程中存在以下几个问题：一、风电功率数据具有很强的波动性、随机性和多频性，将风电数据直接用来预测忽略了风功率数据的这些特性；二、风电功率数据经一些分解方法分解后会出现模态混叠和虚假分量，污染了原始风电数据并加大了预测的工作量；三、风电功率被分解后会得到具有不同波动特征的模态分量，只使用一种方法预测分解得到的各个分量，无法充分利用各个分量的波动特性，无形中降低了各分量的预测精度，进而降低了整个风功率的预测精度；四、风电功率数据受到风速、风向和气压等气象因素的影响，一些模型在对风功率数据进行分解的时候忽略了这些影响因素对风功率数据的影响，使风功率数据在分解过程中丢失的信息无法得到弥补。

发明内容

本发明的目的是提供一种风功率预测方法，解决了现有技术中存在的风功率的预测精度低的问题。

本发明所采用的技术方案是，一种风功率预测方法，包括以下步骤：

步骤1、将历史风功率数据分解为多个不同波动特征的模态分量，并将多个分为高频模态分量和低频模态分量；

步骤2、分别建立影响每个模态分量的特征集合；

步骤3、将高频模态分量及对应的特征集合输入第一预测模型中进行预测，得到第一预测模态分量，将低频模态分量及对应的特征集合输入第二预测模型中进行预测，得到第二预测模态分量；

步骤4、对第一预测模态分量、第二预测模态分量进行集成，得到风功率预测值。

本发明的特点还在于：

还包括，步骤5、对预测模态分量进行评价。

采用变分模态分解法将历史风功率数据分解为多个模态分量。

步骤1具体包括：

步骤1.1、确定模态个数k和惩罚因子；

步骤1.2、先利用维纳滤波对历史风功率数据进行去噪，再设定有限带宽参数α、中心角频率ω，并对两者进行初始化，然后根据初始化后有限带宽参数α、中心角频率ω估算得到k个中心角频率ω_k，最后根据中心角频率ω_k获得k个模态函数u_k；

步骤1.3、使每个模态函数u_k的中心角频率ω_k、带宽在变分模型中不断地相互交替迭代更新，最后自适应地分解去燥后的历史风功率数据频带，得到k个窄带的模态分量。

步骤2具体包括：

步骤2.1、建立初始特征集合F_m；

步骤2.2、采用增量搜索法在初始特征集合F_m搜索特征建立候选特征集J；

假设从初始特征集合F_m中选取的n-1个特征共同构成特征集J_n-1,则根据增量搜索方法从集合{F_m-J_n-1}中选择第n个特征的表示公式为：

上式中，I(x_i,y)为特征x_i和对应模态分量y之间的互信息I(x_j,y)为特征x_j和对应模态分量y之间的互信息，I(x_j,x_i)为特征x_j和特征x_i之间的互信息；

步骤2.3、采用最大相关最小冗余法计算每个特征与目标分量的mRMR值，最大相关最小冗余法表示公式如下：

其中，最大相关性通过特征x_i和对应的模态分量y之间的互信息的平均值D表示为：

上式中，|J|为特征集J中的特征的数量；I(x_i,y)为特征x_i和对应模态分量y之间的互信息，其表达式如下：

上式中，p(x_i)、p(y)、p(x_i,y)分别为特征x_i、模态分量y的边缘概率密度函数及两者的联合概率密度函数；

最小冗余度的公式如下：

步骤2.3、将特征按照mRMR值降序排列依次输入误差函数中计算误差，将误差最小时的特征个数作为特征集合。

第一预测模型为BP神经网络，第二预测模型为最小二乘支持向量机。

步骤4中采用BP神经网络模型对第一预测模态分量、第二预测模态分量进行集成。

采用平均绝对误差、均方误差、均方根误差对分别风功率预测值进行评价。

本发明的有益效果是：

本发明一种风功率预测方法，采用VMD方法将历史风功率数据分解为模态分量，能改善风功率数据分解过程中出现的模态混叠和虚假分量；分析气象因素对每个模态分量的影响，弥补风功率数据分解过程中出现的信息缺失；使用不同的预测模型分别对高频、低频模态分量进行预测，能改善单一预测模型的局限性，能提高各分量的预测精度，进而提高整个风功率的预测精度。

附图说明

图1是本发明一种风功率预测方法的流程图。

图2是本发明一种风功率预测方法中建立特征集合的流程图；

图3是本发明一种风功率预测方法中BP神经网络模型的结构示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

一种风功率预测方法，如图1所示，包括以下步骤：

步骤1、将历史风功率数据分解为多个不同波动特征的模态分量，并将多个分为高频模态分量和低频模态分量；

采用变分模态分解法(VMD)将历史风功率数据分解为多个模态分量；

步骤1.1、确定模态个数k和惩罚因子；

具体的，通过历史风功率数据的频谱图，估计模态个数的初始值k；当判断模态数为K时，确定每个模态中心频率是否互相重叠；若每个模态中心频率重叠，则减小K；若中心频率未重叠，则增加K，直至中心频率重叠，输出K-1，即为模态个数k。选用惩罚因子为2000是具有较强的适应性的。

步骤1.2、先利用维纳滤波对历史风功率数据进行去噪，再设定有限带宽参数α、中心角频率ω，并对两者进行初始化，然后根据初始化后有限带宽参数α、中心角频率ω估算得到k个中心角频率ω_k，最后根据中心角频率ω_k获得k个模态函数u_k；

步骤1.3、使每个模态函数u_k的中心角频率ω_k、带宽在变分模型中不断地相互交替迭代更新，最后自适应地分解去燥后历史风功率数据的频带，得到k个窄带的模态分量。

对限带的内禀模态函数(Band-Limited Intrinsic Mode Function,BIMF)和卡森原理下的BIMF带宽估计的定义如下：

限带的内禀模态函数(Band-Limited Intrinsic Mode Function,BIMF)：

上式中，

为实信号在复空间的瞬时相位，非单调递减；包络线A_k(t)≥0，其中A_k(t)及瞬时角频率的变化速度没有

的快。

卡森原理下的BIMF带宽估计：

BW_AM-FM＝2(Δf+f_FM+f_AM) (2)；

上式中，Δf为瞬时频率，f_FM为瞬时频率偏移率，f_AM为包络线A_k(t)的最高频率。

步骤2、分别建立影响每个模态分量的特征集合；

本发明采用最大相关最小冗余(mRMR)法进行特征选择，该方法是基于互信息(MI)的一种特征选择方法，其不仅考虑了特征与目标变量之间的相关性，还考虑了它们之间的冗余性。

如图2所示，步骤2.1、建立初始特征集合F，初始特征集合F中包括特征和特征的表示方法，如表1所示。风功率的大小会受到风速、温度和风向等特征因素的影响，因此，风功率经VMD分解后得到的各个模态分量也会受到不同特征的影响；

表1影响特征名称及表示方法

步骤2.2、采用增量搜索法在初始特征集合F搜索特征建立候选特征集J；

假设从初始特征集合F_m中选取的n-1个特征共同构成特征集J_n-1,则根据增量搜索方法从集合{F_m-J_n-1}中选择第n个特征的表示公式为：

上式中，I(x_i,y)为特征x_i和对应模态分量y之间的互信息I(x_j,y)为特征x_j和对应模态分量y之间的互信息，I(x_j,x_i)为特征x_j和特征x_i之间的互信息；

步骤2.3、采用最大相关最小冗余法计算每个特征与目标分量的mRMR值，最大相关性通过特征x_i和模态分量y之间的互信息的平均值D表示为：

上式中，|J|为特征集J中的特征的数量；I(x_i,y)为特征x_i和对应模态分量y之间的互信息，其表达式如下：

上式中，p(x_i)，p(y)，p(x_i,y)分别为特征x_i、模态分量y边缘概率密度函数及两者的联合概率密度函数；变量x_i和变量y相关性越大，互信息的值I(x_i,y)越大。

由于通过最大相关性标准选择的特征可能具有一定的冗余度，而冗余特征的输入不仅增加了输入特征的数量，而且还会降低预测模型的精度。因此在特征选择过程中，需计算特征间的冗余度，任意两个特征变量之间的重叠信息，即冗余信息。最小冗余度的公式如下：

所以，最大相关最小冗余法可由公式(5)和(6)表示如下：

步骤2.3、将特征按照mRMR值降序排列依次输入误差函数中计算误差，将误差最小时的特征个数作为特征集合。

步骤3、将高频模态分量及对应的特征集合输入第一预测模型中进行预测，得到第一预测模态分量，将低频模态分量及对应的特征集合输入第二预测模型中进行预测，得到第二预测模态分量；第一预测模型为BP神经网络模型，第二预测模型为最小二乘支持向量机；

步骤3.1、将高频模态分量及对应的特征集合输入BP神经网络模型中进行预测，得到第一预测模态分量；

本发明采用的BP神经网络模型拓扑结构包括3层：输入层、输出层和隐含层，其中隐含层大于等于1；含有n个输入层节点，m个隐含层节点，1个输出层节点，通过隐含层节点输出公式和输出层节点输出公式更新图3中各连接链的权值来描述该神经网络的训练过程。

隐含层节点输出公式为：

式中，net_j表示第j个节点的激励值，y_j表示隐含层任意节点的输出值，f_H表示隐含层节点的激励函数，一般使用logsid函数或者tansig函数，本发明采用tansig函数：

输出层节点的输出公式：

式中f₀为激励函数，通常为线性函数，所有权值都由随机数初始化，并根据学习样本由梯度搜索算法进行修改。

步骤3.1.1、首先确定节点数：

关于BP神经网络模型节点数的确定，输入层节点数等于输入向量的维数，输出层节点数等于输出向量的维数，隐含层节点数可以采用以下公式之一进行求解：

m＝log₂n (12)；

式中，m为隐含层节点数，n为输入层节点数，l为输出层节点书，α为1～10之间的常数。

其他参数的选择：

学习速率的经验选择：一般情况下倾向于选取较小的学习速率以保证系统的稳定性，学习速率的选取范围在0.01～0.8之间；

允许误差：一般取0.001～0.00001，当2次迭代结果的误差小于该值时，系统结束迭代计算，给出结果；

迭代次数：一般取1000次。由于神经网络计算并不能保证在各种参数配置下迭代结果收敛，当迭代结果不收敛时，允许最大的迭代次数；

步骤3.1.2、将高频模态分量及对应的特征集合共同作为输入，在上述BP神经网络模型中进行预测，得到第一预测模态分量。

步骤3.2、将低频模态分量及对应的特征集合输入最小二乘支持向量机(LSSVM)中进行预测，得到第二预测模态分量。

支持向量机是通过非线性映射，将输入样本从原空间映射到高维特征空间中，在此高维特征空间中构造最优决策函数y(x)＝ωφ(x)+b，利用结构风险最小化原则，将非线性问题转化为最小化：

式中，c是正则化参数，R_emp是误差控制函数，ω是超平面的法线方向。

最小二乘支持向量机选取误差e_k的二次项作为误差控制函数，利用等式约束条件代替支持向量机标准算法中的不等式条件，其问题可转化为如下优化问题：

上式中，c是正则化参数，ω^T为超平面的法线方向的转置向量，φ(x_k)是x_k映射后的特征向量。将拉格朗日法引入上述优化问题的求解，最小二乘支持向量机的优化问题就可以转化为下面的二次规划问题：

式中，a_k是拉格朗日乘子。根据KKT条件，将上式对ω,b,e_k,a_k分别求偏导，并令偏导为零，再消去推导式中的ω,e，得到以下方程：

定义核函数

K(x_i,x_j)满足mercer条件，本发明使用的核函数为径向基核函数(RBF)：

其中σ为核参数。则优化问题可转化为：

解上述矩阵方程，求得系数a与b，即可得到LSSVM模型：

x和x_k为核函数的两个参数；

将低频模态分量及对应的特征集合输入LSSVM模型中可得到第二预测模态分量。

步骤4、对第一预测模态分量、第二预测模态分量进行集成，得到风功率预测值。

采用BP神经网络模型对第一预测模态分量、第二预测模态分量进行集成；具体的，选择模态分量的样本数据，将样本数据作为输入，该样本数据对应的实际风功率样本值作为输出，对BP神经网络模型进行训练；再将第一预测模态分量、第二预测模态分量输入BP神经网络模型中，输出每个模态分量的预测值，即风功率预测值。

步骤5、对预测模态分量进行评价。

采用平均绝对误差(MAE)，均方误差(MSE)和均方根误差(RMSE)三个评价指标分别对风功率预测值进行评价：

通过以上方式，本发明一种风功率预测方法，采用VMD方法将历史风功率数据分解为模态分量，能改善风功率数据分解过程中出现的模态混叠和虚假分量；分析气象因素对每个模态分量的影响，弥补风功率数据分解过程中出现的信息缺失；使用不同的预测模型分别对高频、低频模态分量进行预测，能改善单一预测模型的局限性，能提高各分量的预测精度，进而提高整个风功率的预测精度。

实施例

以陕北某风电场2009年8月的数据进行分析。本发明用风电场1日到28日共4032个数据点进行建模，将29日到31日共432个数据点用建立好的预测模型进行预测测试。并将预测结果与最小二乘支持向量机(LS-SVM)、BP神经网络(BPNN)、长短期记忆法(LSTM)、深度神经网络(DBN)、EMD组合预测模型、EEMD组合预测模型、VMD组合预测模型和使用互信息(MI)考虑影响因素的VMD组合预测模型进行对比，对比结果表2所示；

表2陕北风电场各模型预测性能指标

通过观察表2可以看出，组合预测模型的预测精度比单一预测模型高；对于组合预测模型，在EMD基础上改进的EEMD组合预测模型精度比EMD高，改善了“端点效应”的VMD组合预测模型精度比前者高，且考虑了影响因素的VMD组合预测模型精度更高，使用在MI基础上考虑冗余性的mRMR考虑影响因素的VMD组合预测模型精度比使用MI考虑影响因素的VMD组合预测模型高。

Claims (8)

1.一种风功率预测方法，其特征在于，包括以下步骤：

步骤1、将历史风功率数据分解为多个不同波动特征的模态分量，并将多个所述分为高频模态分量和低频模态分量；

步骤2、分别建立所述影响每个模态分量的特征集合；

步骤3、将所述高频模态分量及对应的特征集合输入第一预测模型中进行预测，得到第一预测模态分量，将所述低频模态分量及对应的特征集合输入第二预测模型中进行预测，得到第二预测模态分量；

步骤4、对所述第一预测模态分量、第二预测模态分量进行集成，得到风功率预测值。

2.根据权利要求1所述的一种风功率预测方法，其特征在于，还包括，

步骤5、对所述预测模态分量进行评价。

3.根据权利要求1所述的一种风功率预测方法，其特征在于，采用变分模态分解法将历史风功率数据分解为多个模态分量。

4.根据权利要求3所述的一种风功率预测方法，其特征在于，所述步骤1具体包括：

步骤1.1、确定模态个数k和惩罚因子；

步骤1.2、先利用维纳滤波对历史风功率数据进行去噪，再设定有限带宽参数α、中心角频率ω，并对两者进行初始化，然后根据初始化后有限带宽参数α、中心角频率ω估算得到k个中心角频率ω_k，最后根据中心角频率ω_k获得k个模态函数u_k；

步骤1.3、使每个模态函数u_k的中心角频率ω_k、带宽在变分模型中不断地相互交替迭代更新，最后自适应地分解去燥后的历史风功率数据频带，得到k个窄带的模态分量。

5.根据权利要求1所述的一种风功率预测方法，其特征在于，所述步骤2具体包括：

步骤2.1、建立初始特征集合F_m；

步骤2.2、采用增量搜索法在初始特征集合F_m搜索特征建立候选特征集J；

假设从初始特征集合F_m中选取的n-1个特征共同构成特征集J_n-1,则根据增量搜索方法从集合{F_m-J_n-1}中选择第n个特征的表示公式为：

上式中，I(x_i,y)为特征x_i和对应模态分量y之间的互信息I(x_j,y)为特征x_j和对应模态分量y之间的互信息，I(x_j,x_i)为特征x_j和特征x_i之间的互信息；

步骤2.3、采用最大相关最小冗余法计算每个所述特征与目标分量的mRMR值，所述最大相关最小冗余法表示公式如下：

其中，最大相关性通过特征x_i和对应的模态分量y之间的互信息的平均值D表示为：

上式中，|J|为特征集J中的特征的数量；I(x_i,y)为特征x_i和对应模态分量y之间的互信息，其表达式如下：

上式中，p(x_i)、p(y)、p(x_i,y)分别为特征x_i、模态分量y的边缘概率密度函数及两者的联合概率密度函数；

所述最小冗余度的公式如下：

步骤2.3、将所述特征按照mRMR值降序排列依次输入误差函数中计算误差，将误差最小时的特征个数作为特征集合。

6.根据权利要求1所述的一种风功率预测方法，其特征在于，所述第一预测模型为BP神经网络，所述第二预测模型为最小二乘支持向量机。

7.根据权利要求1所述的一种风功率预测方法，其特征在于，所述步骤4中采用BP神经网络模型对第一预测模态分量、第二预测模态分量进行集成。

8.根据权利要求2所述的一种风功率预测方法，其特征在于，采用平均绝对误差、均方误差、均方根误差对分别所述风功率预测值进行评价。

Images