一种超短期风电功率滑动预测方法

摘要

本发明涉及一种超短期风电功率滑动预测方法，采用一种具有很强的非平稳信号跟踪、预测能力的原子稀疏分解法，作为神经网络的前置分解方法。将风电功率时间序列分解为原子分量和残差分量，对原子分量进行自预测，残差分量进行神经网络预测，再通过追加最新的风电功率实时数据来更新原子分解的结果，进而滑动预测下一个时刻的风电功率。以实际风场数据进行验证，证明了该模型可以有效地处理风电功率非平稳性，产生更为稀疏的分解效果，能显著地降低绝对平均误差、均方根误差计算值的统计区间。因此，本发明具有如下优点：能够有效地处理风电功率非平稳性，产生更为稀疏的分解效果，能显著地降低绝对平均误差、均方根误差计算值的统计区间。

主权项

1.一种超短期风电功率滑动预测方法，其特征在于：包括以下步骤，步骤1，采用对风电功率原始信号进行数据预处理，即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，将模型输入输出变换为零到一的区间值；具体归一化公式如下：$\bar{x}=\frac{x-x_{\min }}{x_{\max }-x_{\min }}$式中：x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；步骤2，基于步骤1所得处理后的数据样本，采用原子稀疏分解法，将风电功率时间序列分解为原子分量和残差分量，对原子分量进行自预测，残差分量进行神经网络预测，再通过追加最新的风电功率实时数据来更新原子分解的结果，进而滑动预测下一个时刻的风电功率；再采用线性回归方法进行校正，得到下一个时刻的风电功率，重复执行本步骤直至达到用户设定的预测总时间，即得到用户设定的预测总时间的风电功率最终预测值；步骤3，基于步骤1所得处理后的数据样本和步骤2所得风电功率最终值，以归一化绝对平均误差和归一化均方根误差为依据，采用统计学常用的正态分布拟合方法对预测效果进行定量评价。