[发明专利]一种基于频域分解的风力发电短期负荷预测方法及装置

权利要求书

1.一种基于频域分解的风力发电短期负荷预测方法，其特征在于，包括以下步骤： 

(1)获取若干天的风力发电负荷数据作为原始数据，对原始数据进行预处理； 

(2)对预处理的数据进行频域分解，得到日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量； 

(3)分别对日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量进行预测； 

(4)将各部分的预测结果叠加，输出最终的预测结果。 

其中，所述步骤(3)包括：采用LWT-LSSVM的预测方法分别对所述日周期部分和高频部分的数据分量进行预测，得到日周期部分及高频部分的预测结果；直接去除周周期和月周期部分分解后的数据分量；采用线性回归分析法预测低频部分的数据分量，得到低频部分的预测结果。 

2.根据权利要求1所述的基于频域分解的风力发电短期负荷预测方法，其特征在于，所述步骤(1)中的预处理具体为：去除原始数据中错误的数据。 

3.根据权利要求1所述的基于频域分解的风力发电短期负荷预测方法，其特征在于，所述步骤(2)具体包括：a、建立频域分解数学模型；b、对预处理的历史负荷数据进行频域分解，得到日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量。 

4.根据权利要求3所述的基于频域分解的风力发电短期负荷预测方法，其特征在于，所述步骤a具体为：设历史负荷数据所在的时间域为D^-，P(t)是时间域D^-里的负荷时间序列，对其做傅立叶分解，具体如式(1)所示。 

式中，N为历史负荷序列的数据量。负荷时间序列P(t)被分解成角频率为 的分量，并组合获得式(2)： 

P(t)＝a₀+D(t)+W(t)+M(t)+L(t)+H(t)    (2) 

式中，a₀+D(t)为日周期部分的负荷数据分量，W(t)为周周期部分的负荷数据 分量，M(t)为月周期部分的负荷数据分量，L(t)为低频部分数据分量，H(t)为高频部分数据分量。 

5.根据权利要求4所述的基于频域分解的风力发电短期负荷预测方法，其特征在于，所述步骤b具体为：若对电力负荷一天进行K次采样，则日周期分量a₀+D(t)的角频率集合为：周周期分量W(t)的角频率集合为：月周期分量M(t)的角频率集合为： 

低频分量L(t)的角频率集合为高频分量H(t)的角频率集合为：

6.根据权利要求1所述的基于频域分解的风力发电短期负荷预测方法，其特征在于，所述LWT-LSSVM的预测方法具体为：首先对数据分量进行三层提升小波分解得到分解信号，然后对所述分解信号采用LSSVM模型进行训练和预测，得到预测结果。 

7.一种基于频域分解的风力发电短期负荷预测装置，其特征在于，包括预处理单元、频域分解单元、预测单元及结果输出单元； 

所述预处理单元用于对原始数据进行预处理； 

所述频域分解单元用于对预处理的数据进行频域分解，得到日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量； 

所述预测单元用于分别对日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量进行预测； 

所述结果输出单元用于将各部分的预测结果叠加，并输出最终的预测结果； 

其中，所述预测单元包括：日周期和高频预测子单元、周周期和月周期预测子单元以及低频预测子单元，所述日周期和高频预测子单元用于分别对所述 日周期部分和高频部分的数据分量进行基于LWT-LSSVM预测方法的预测；所述周周期和月周期预测子单元用于去除所述周周期和月周期部分分解后的数据分量；所述低频预测子单元用于对所述低频部分的数据分量进行基于线性回归分析法的预测。 

8.根据权利要求7所述的装置，其特征在于，所述频域分解单元包括建模单元及数据分解单元，其中，所述建模单元用于建立频域分解数学模型；所述数据分解单元用于对预处理的历史负荷数据进行频域分解，得到并输出日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量。