CN105046383A - 一种基于集合经验模态分解和相关向量机的风电功率实时预测方法 - Google Patents

Abstract

本发明是一种基于集合经验模态分解和相关向量机的风电功率实时预测方法，其特点是包括数据获取及处理、建立多步滚动预测模式、建立集合经验模态分解和相关向量机的风电功率预测模型和预测评价指标等步骤，具有科学合理，能够降低风电功率的非线性、非平稳性带来的影响，满足预测精度要求，利于电力***调度，保证电能质量，降低运行成本等优点。

Description

一种基于集合经验模态分解和相关向量机的风电功率实时预测方法

技术领域

本发明涉及风电技术领域，是一种基于集合经验模态分解和相关向量机的风电功率实时预测方法。

背景技术

全球性的能源危机的变化使新能源的需求迅速增加，风能是目前最具大规模开发利用潜力的可再生能源，风力发电是大规模利用风能的有效途径，也是我国能源和电力可持续发展战略的最现实选择。然而近年来，随着风电装机容量的快速增长，风电在电网中的比例逐年增大。由于风能本身的波动性和随机性，当风电穿透功率超过一定值后，将会对电力***的调度运行和电能质量带来严峻挑战，这严重限制了风电的发展。如果能有效地对风电功率进行预测，不仅可以减少电力***的备用容量、降低***运行成本，而且还可以有效提高电力***中风电最大装机比例，提高风电竞争力。

风电功率实时预测是指自预测时刻起对未来15分钟至4小时的风电功率进行预测，采样间隔为15分钟，一次预测数据为16个，由此可知风电功率实时预测为超短期多步预测。

发明内容

本发明的目的是提供一种科学合理，能够降低风电功率的非线性、非平稳性带来的影响，满足预测精度要求，利于电力***调度，保证电能质量，降低运行成本的基于集合经验模态分解和相关向量机的风电功率实时预测方法。

本发明的目的是由以下技术方案来实现的：一种基于集合经验模态分解和相关向量机的风电功率实时预测方法，其特征在于，它包括以下步骤：

(1)数据获取及处理

选取某风电场整场机组以15分钟为时间间隔的实际风电功率数据，将历史数据分为两部分，前一部分作为训练样本，后一部分作为预测样本；

(2)建立多步滚动预测模式

进行风电功率预测时，一般假设当前时刻记为i，采样间隔记为i^*，已知历史数据y(i-ni^*),n＝0,1,2,…,N，预测的值为y(i+mi^*),m＝1,2,…,M，M为多步预测的步数，则滚动多步预测的预测值可以表示为：

y_G(i+mi^*)＝f(y(i-(N-m+1)i^*),

(1)

y(i)，y_G(i+i^*)，…，y_G(i+(m-1)i^*))

(3)建立集合经验模态分解和相关向量机的风电功率预测模型

①采用集合经验模态对原始序列分解

集合经验模态分解(EEMD)是将多组不同的白噪声序列加入到原始序列之上，然后分别对其进行经验模态分解(EMD)，之后将相应的固有模态分量(IMF)的均值看作是真实分量，每个固有模态分量(IMF)需要同时满足信号的零点数和极值点数最多相差一个；任意时刻，由局部极小值点和极大值点定义的包络线的均值为零，即上下曲线关于坐标轴局部对称，具体内容是：

a.向原始序列x(t)中加入白噪声序列，白噪声序列服从(0,(αε)²)的正态分布，得到复合序列X(t)，

b.对复合序列X(t)进行经验模态分解(EMD)，得到各阶固有模态分量(IMF)，此时其中c_i(t)为各阶固有模态分量(IMF)，r_n(t)为剩余分量，代表原信号的平均趋势，

c.重复步骤(a)、(b)r次，每次加入的白噪声幅值不同，

d.利用高斯白噪声频谱的零均值原理，原始信号对应的固有模态分量(IMF)为 $c_n\left(t\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{c}_{i,n}\left(t\right);$

②建立相关向量机预测模型

相关向量机(RVM)是一种稀疏概率模型，它在先验参数的结构基础上，把样本数据进行迭代，使得大部分参数的后验概率分布趋于零，将模型稀疏化，对集合经验模态分解(EEMD)得到的各分量建立相关向量机(RVM)预测模型；

③叠加对各分量得到最终的预测结果；

(4)预测评价指标

根据中华人民共和国能源局的有关规定，采用均方根误差M、准确率zq和合格率r作为评价的指标，当均方根误差越小、准确率越大、合格率越大时，预测精度越高，各指标的计算式如下：

全天预测的均方根误差M：

$M=\sqrt{\frac{1}{96\×16}\underset{i=1}{\overset{96}{\Σ}}\underset{k=1}{\overset{16}{\Σ}}\left(\frac{{(p_{Mi}^k-p_{Li}^k)}^2}{p_{Cap}}\right)}\×100\%---\left(2\right)$

式中，M为均方根误差，是第i次实测功率时第k时刻的预测值，是第i次实测功率时第k时刻功率的实际值，p_cap是风电总场的装机容量，

日平均预测准确率zq表示为：

${\mathrm{zq}}_i=\[1-{\sqrt{\frac{1}{16}\underset{k=1}{\overset{16}{\Σ}}\left(\frac{p_{Mi}^k-p_{Li}^k}{p_{Cap}}\right)}}^2\]\×100\%---\left(3\right)$

$zq=\frac{1}{96}\underset{i=1}{\overset{96}{\Σ}}{\mathrm{zq}}_i---\left(4\right)$

式中，zq_i为第i次预测的准确率，

日平均预测合格率r为：

$r_i=\frac{1}{16}\underset{k=1}{\overset{16}{\Σ}}{B}_i^k\×100\%$

$(1-\frac{|p_{Mi}^k-p_{Li}^k|}{p_{Cap}})\×100\%\≥85\%,B_i^k=1$

$(1-\frac{|p_{Mi}^k-p_{Li}^k|}{p_{Cap}})\&times;100\%<85\%,B_i^k=0$

$r=\frac{1}{96}\underset{i=1}{\overset{96}{\&Sigma;}}{r}_i---\left(5\right)$

式中，r_i为第i次预测的合格率。

本发明的基于集合经验模态分解和相关向量机的风电功率实时预测方法的优点体现在：

1.集合经验模态分解很好地解决了经验模态分解算法在分解过程中出现的端点效应和模态混叠等现象，能够有效降低信号的非平稳特性；

2.相关向量机是一种稀疏概率模型，具有很好的非线性拟合能力；

3.预测精度高；

4.适用于风电功率的实时预测，将有助于电力***调度部门根据风电功率的变化及时作出调整计划，保证电能质量，降低运行成本，对实现风电规范化并网至关重要，其科学合理，实用价值高。

附图说明

图1为集合经验模态分解流程图；

图2为在本发明的预测方法下，向阳风电场风电功率超短期预测曲线与实际功率曲线的对比示意图。

具体实施方式

下面结合附图和具体实施例，对本发明的基于集合经验模态分解和相关向量机的风电功率实时预测方法作进一步说明。

本发明的基于集合经验模态分解和相关向量机的风电功率实时预测方法，包括以下步骤：

(1)数据获取及处理

本发明以吉林省向阳风电场2012年7月份的实测数据为例进行分析。该风电场装机容量为400.5MW，风机数量为267台，单台风机的额定容量为1500kW，数据采样间隔为15分钟；

(2)建立多步滚动预测模式

进行风电功率预测时，一般假设当前时刻记为i，采样间隔记为i^*，已知历史数据y(i-ni^*),n＝0,1,2,…,N，预测的值为y(i+mi^*),m＝1,2,…,M，M为多步预测的步数，则滚动多步预测的预测值可以表示为：

y_G(i+mi^*)＝f(y(i-(N-m+1)i^*),

(1)

y(i)，y_G(i+i^*)，…，y_G(i+(m-1)i^*))

(3)建立集合经验模态分解(EEMD)和相关向量机(RVM)的风电功率预测模型

①采用集合经验模态对原始序列分解

集合经验模态分解(EEMD)是对传统经验模态分解的模态混叠等现象进行改进的一种自适应筛选方法，可以降低信号的非平稳特性。为了得到数据的实际信号，就需将多组不同的白噪声序列加入到原始序列之上，然后分别对其进行EMD分解，之后将相应的固有模态分量(IMF)的均值看作是真实分量。每个固有模态分量(IMF)需要同时满足信号的零点数和极值点数最多相差一个；任意时刻，由局部极小值点和极大值点定义的包络线的均值为零，即上下曲线关于坐标轴局部对称。集合经验模态分解(EEMD)流程图如图1，具体内容是：

a.向原始序列x(t)中加入白噪声序列，白噪声序列服从(0,(αε)²)的正态分布，得到复合序列X(t)，

b.对复合序列X(t)进行EMD分解，得到各阶固有模态分量(IMF)，此时其中c_i(t)为各阶固有模态分量(IMF)，r_n(t)为剩余分量，代表原信号的平均趋势，

c.重复步骤(a)、(b)r次，每次加入的白噪声幅值不同，

d.利用高斯白噪声频谱的零均值原理，原始信号对应的IMF分量为

②建立相关向量机(RVM)预测模型

相关向量机(RVM)是一种稀疏概率模型，它在先验参数的结构基础上，把样本数据进行迭代，使得大部分参数的后验概率分布趋于零，将模型稀疏化，具有很好的非线性拟合能力，对集合经验模态分解(EEMD)得到的各分量建立相关向量机(RVM)预测模型；

③叠加对各分量得到最终的预测结果；

(4)预测评价指标

根据可中华人民共和国能源局对风电功率实时预测的管理规定提出的评价指标对误差进行分析。

表1和表2以7月10日为例，分别对87号风机和整场267台机组风电功率在各预测方法下进行的预测精度评价指标。

表187号机组风电功率预测结果评价指标

根据中华人民共和国能源局发布的《风电场功率预测预报管理暂行办法》中对全天预测的均方根误差应该小于20％，由表1和表2可以看出，无论是单台机组还是整场机组，eemd-rvm预测方法都满足要求，不仅均方根误差小于20％，准确率和合格率也都很高，说明了eemd-rvm模型的有效性。

87号机组在7月10日的第10次预测的预测值和真实值对比图如图2所示。可以发现，预测值和真实值接近，说明eemd-rvm模型的适用性。

本发明的特定实施例已对本发明的内容作出了详尽的说明，但不局限本实施例，本领域技术人员根据本发明的启示所做的任何显而易见的改动，都属于本发明权利保护的范围。

Claims (1)

1.一种基于集合经验模态分解和相关向量机的风电功率实时预测方法，其特征在于，它包括以下步骤：

(1)数据获取及处理

选取某风电场整场机组以15分钟为时间间隔的实际风电功率数据，将历史数据分为两部分，前一部分作为训练样本，后一部分作为预测样本；

(2)建立多步滚动预测模式

进行风电功率预测时，一般假设当前时刻记为i，采样间隔记为i^*，已知历史数据y(i-ni^*),n＝0,1,2,...,N，预测的值为y(i+mi^*),m＝1,2,...,M，M为多步预测的步数，则滚动多步预测的预测值可以表示为：

$\begin{array}{c}{y}_G(i+{\mathrm{mi}}^{*})=f\left(y(i-(N-m+1)i^{*}\right),\\ ...y\left(i\right),y_G(i+i^{*}),...,y_G(i+(m-1)i^{*}))\end{array}---\left(1\right)$

(3)建立集合经验模态分解和相关向量机的风电功率预测模型

①采用集合经验模态对原始序列分解

集合经验模态分解(EEMD)是将多组不同的白噪声序列加入到原始序列之上，然后分别对其进行经验模态分解(EMD)，之后将相应的固有模态分量(IMF)的均值看作是真实分量，每个固有模态分量(IMF)需要同时满足信号的零点数和极值点数最多相差一个；任意时刻，由局部极小值点和极大值点定义的包络线的均值为零，即上下曲线关于坐标轴局部对称，具体内容是：

a.向原始序列x(t)中加入白噪声序列，白噪声序列服从(0,(αε)²)的正态分布，得到复合序列X(t)，

b.对复合序列X(t)进行经验模态分解(EMD)，得到各阶固有模态分量(IMF)，此时其中c_i(t)为各阶固有模态分量(IMF)，r_n(t)为剩余分量，代表原信号的平均趋势，

c.重复步骤(a)、(b)r次，每次加入的白噪声幅值不同，

d.利用高斯白噪声频谱的零均值原理，原始信号对应的固有模态分量(IMF)为 $c_n\left(t\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{c}_{i,n}\left(t\right);$

②建立相关向量机预测模型

相关向量机(RVM)是一种稀疏概率模型，它在先验参数的结构基础上，把样本数据进行迭代，使得大部分参数的后验概率分布趋于零，将模型稀疏化，对集合经验模态分解(EEMD)得到的各分量建立相关向量机(RVM)预测模型；

③叠加对各分量得到最终的预测结果；

(4)预测评价指标

根据中华人民共和国能源局的有关规定，采用均方根误差M、准确率zq和合格率r作为评价的指标，当均方根误差越小、准确率越大、合格率越大时，预测精度越高，各指标的计算式如下：

全天预测的均方根误差M：

$M=\sqrt{\frac{1}{96\&times;16}\underset{i=1}{\overset{96}{\&Sigma;}}\underset{k=1}{\overset{16}{\&Sigma;}}\left(\frac{{\left(p_{Mi}^k-p_{Li}^k\right)}^2}{p_{Cap}}\right)}\&times;100\%---\left(2\right)$

式中，M为均方根误差，是第i次实测功率时第k时刻的预测值，是第i次实测功率时第k时刻功率的实际值，p_cap是风电总场的装机容量，

日平均预测准确率zq表示为：

${\mathrm{zq}}_i=\&lsqb;1-{\sqrt{\frac{1}{16}\underset{k=1}{\overset{16}{\&Sigma;}}\left(\frac{p_{Mi}^k-p_{Li}^k}{p_{Cap}}\right)}}^2\&rsqb;\&times;100\%---\left(3\right)$

$zq=\frac{1}{96}\underset{i=1}{\overset{96}{\&Sigma;}}{\mathrm{zq}}_i---\left(4\right)$

式中，zq_i为第i次预测的准确率，

日平均预测合格率r为：

$r_i=\frac{1}{16}\underset{k=1}{\overset{16}{\&Sigma;}}{B}_i^k\&times;100\%$

$(1-\frac{\left|p_{Mi}^k-p_{Li}^k\right|}{p_{Cap}})\&times;100\%\&GreaterEqual;85\%,B_i^k=1$

$(1-\frac{\left|p_{Mi}^k-p_{Li}^k\right|}{p_{Cap}})\&times;100\%<85\%,B_i^k=0$

$r=\frac{1}{96}\underset{i=1}{\overset{96}{\&Sigma;}}{r}_i---\left(5\right)$

式中，r_i为第i次预测的合格率。