[发明专利]经验模式分解与Elman神经网络组合风电预测方法

摘要

本发明公开了一种经验模式分解与Elman神经网络组合风电预测方法，包括如下步骤：对预测风电场的样本进行筛选，选取波动月份内预测周期的风电出力进行预测；对风电场多组出力时间序列样本数据进行经验模式分解，根据分解终止条件每组将得到多个本征模态函数IMF和趋势分量Res；依据游程判别法对分解所得IMF进行波动程度分类，按照相似波动频率原则对本征模态函数进行重构，重构得到总高频分量、总低频分量；建立Elman神经网络模型，总高频分量、总低频分量、趋势分量进行数据归一化处理，作为神经网络的训练和测试数据；采用改进Elman的学习算法，进行72h的日前功率预测，得到目标风电出力72h的日前预测功率值。本发明减少了预测分量数，提高预测精度和预测速度。

主权项

一种经验模式分解与Elman神经网络组合风电预测方法，其特征在于：包括如下步骤：步骤S1：筛选预测风电场的样本数据，选取波动月份并确定预测周期，预测波动月份内预测周期的风电出力，得到风电出力时间序列样本；步骤S2：对步骤S1得到的风电场风电出力时间序列样本数据进行经验模式分解，根据经验模式分解终止条件得到多个本征模态函数IMF和趋势分量Res；步骤S3：依据游程判别法对步骤S2所得本征模态函数IMF进行波动程度分类，按照相似波动频率原则对本征模态函数IMF进行重构，重构得到总高频分量IMFhf、总低频分量IMFlf；步骤S4：建立Elman神经网络模型，对总高频分量IMFhf、总低频分量IMFlf、趋势分量Res进行数据归一化处理，作为Elman神经网络的训练和测试数据；步骤S5：分别对总高频分量IMFhf、总低频分量IMFlf和趋势分量Res建立Elman神经网络预测模型，采用改进Elman的学习算法，进行日前功率预测，最后将总高频分量IMFhf、总低频分量IMFlf和趋势分量Res的日前功率预测值自适应叠加，得到目标风电出力日前预测功率值。