[发明专利]一种CEEMD和随机森林的短期风功率预测方法

说明书

技术领域

本发明涉及一种电力系统短期风功率预测方法，对电力系统风功率进行短期预测，属于电力系统技术领域。

背景技术

风能作为一种重要的清洁能源，由于储量丰富、发电成本低，在可持续能源发展战略中受到广泛关注。随着风能装机比例的逐年提升，急需解决风功率随机不确定性和波动性对电网安全稳定运行带来的不利影响。准确的风功率预测是保障电网供需平衡的重要手段，也是电网实时安全分析、自动发电控制、安排系统备用的重要参考。因此，提高短期风功率预测精度能够有效降低风能不确定性和间歇性对电网造成的不利影响。

现有的风功率预测主要有物理模型和统计分析两类方法。物理模型主要采用微观气象学等理论建立物理模型，通过综合考虑数值天气预报、地形等因素对风电场的风速和风能进行预测。统计分析方法通过发掘实测风功率数据间存在的内在规律性，采用线性或非线性数学方法表征待预测时刻风功率与历史时刻风功率间的映射关系，再根据已有数据进行外推预测。常用方法主要包括时间序列分析(time series analysis,TSA)、卡尔曼滤波(Kalman filter,KF)、人工神经网络(artificialneural networks,ANN)、支持向量机(support vector machines,SVM)、相关向量机(relevance vector machine,RVM)等。同时，为增强模型预测性能，相关学者采用智能优化方法，如遗传算法、粒子群算法、人工蜂群算法等对模型进行改进与优化，从而提高了预测精度。

由于风功率序列的随机性、波动性、复杂非线性特点，仅仅采用单一模型难以取得精确的预测结果。为进一步提高短期风功率预测水平，国内外学者提出了组合预测模型。组合预测模型主要有两种思路：1)将不同原理的预测模型通过权重进行集成，相对于单一的预测模型，集成学习可以发挥各个模型优势，达到优势互补的目的。2)采用数据预处理技术将原始风功率序列进行分解处理，对分解得到的序列分别建立预测模型。采用信号分解技术可以把握风功率局部变化规律，从而达到提高预测精度的目的。常用的数据预处理技术主要有经验模态分解(empirical mode decomposition,EMD)、集合经验模态分解(ensemble empirical mode decomposition,EEMD)等方法。EEMD方法利用高斯白噪声频率均匀分布这一统计特性，使得原始信号在加入高斯白噪声后，在不同尺度上都具有连续性，有效地解决了EMD方法存在的模态混叠问题，改善信号的分析效果。EEMD通过多次实验结果取平均值抵消白噪声对最终分解结果的影响，增加计算任务量，同时有限次平均导致了分解结果不具完备性。完备总体经验模态分解(complete ensemble empirical mode decomposition,CEEMD)通过添加幅值相同、相位相反的正负白噪声对到原始信号，然后进行EMD处理，通过求取平均值获得最终的分解结果。在避免模态混叠的同时，有效解决EEMD方法分解不完备问题。因此，本发明采用CEEMD对原始风功率序列进行分解处理。比较EEMD与CEEMD重构误差，可以发现EEMD重构误差较大，影响原始信号分解的完整性，同时也增大了风功率预测误差。

BP神经网络预测精度受模型结构与参数设置影响较大，在学习过程中易陷入局部最优解也限制了其广泛应用。SVM采用结构风险最小化原则代替传统神经网络的经验风险最小化原则，增强了模型泛化能力。但SVM在估计模型参数过程中，存在参数初值难以选取，运算效率低的缺点，难以满足高维、大样本数据的分析处理。随机森林(random forest,RF)作为一种非参数统计方法，通过集成多颗弱回归决策树，从而构建鲁棒性能更好的回归模型。同时，RF具有更好的噪声容忍度，且不容易出现过拟合问题。学习训练过程计算量也较少，并且适合处理高维数据场景，在分类、回归预测分析中获得了广泛应用。本发明采用RF进行风功率预测仿真，对比BP神经网络和SVM模型，验证了RF具有更好的预测性能。

综上所述，本发明结合CEEMD与RF算法的优点，建立了CEEMD-RF短期风功率预测模型。首先采用CEEMD方法将原始风功率序列分解为一系列特征互异的本征模态函数。为降低任务量，计算各本征模态函数近似熵并将近似熵值相近的模态函数合并为新的分量，对每一新分量分别建立RF预测模型。同时，采用偏自相关函数选取输入变量，并通过算例验证本文模型的有效性。

发明内容