一种风电功率爬坡预测方法与流程

技术特征：

1.一种风电功率爬坡预测方法，其特征在于，包括以下步骤：

(1)将风电功率爬坡量进行稀疏分解；

(2)将分解后得到的原子分量进行自预测，将残差分量进行径向基神经网络预测；

(3)将各预测分量进行线性相加得到下一时刻的预测值。

2.根据权利要求1所述的一种风电功率爬坡预测方法，其特征在于，

步骤(1)中，将风电功率爬坡量的历史时间序列作为预测模型的输入，通过稀疏分解方法进行数据的稀疏分解：

将爬坡量时间序列表示成原子的稀疏线性组合，其一般表达式为

式中，c_k是稀疏系数，为原始信号的一个逼近信号，将信号f近似地表示为M个原子的线性组合，

构造过完备字典：

通过选定Gabor原子库，取生成函数g(t)为高斯函数

再通过对生成函数的平移、伸缩等离散化处理，生成原子，从而得到过完备字典集；

原子稀疏算法采用正交匹配追踪算法，对每步分解的全部原子进行正交化处理，步骤如下：

1)先从过完备原子库中选取最为匹配的一个原子，即满足

假设R₀＝f，信号f分解为如下形式：

其中，表示R₀对的投影，即为找出的原子库中第一个最为匹配信号的原子，R₁为第一次信号分解后得到的残差，与R₁是正交的，得到

选择近似最佳的原子使得

其中，0＜α≤1，

取α＝1，

接下来对残差R₁进行相同的步骤进行运算，得到

满足

对待分解信号依次进行分解后，经过这样的m+1次迭代后就能够得到

其中满足

假设最为匹配的原子为对其进行施密特正交化的处理：

残差R_M在u_m上投影，即：

从而，信号f的表示形式变为：

则对于待分解信号f完成了OMP算法的稀疏分解。

3.根据权利要求1所述的一种风电功率爬坡预测方法，其特征在于，步骤(2)的过程为：在已选出原子的基础上，将分解后的得到的n个原子分量，进行原子分量表达式的自预测，剩余的一个残差分量作为径向基网络的输入，进行模型的训练，从而预测出残差分量对应的下一时刻的预测值。

4.根据权利要求1所述的一种风电功率爬坡预测方法，其特征在于，步骤(3)的过程为：通过步骤(2)中预测的n+1个预测分量，将这些分量进行线性回归叠加和修正，即为预测的下一时刻的风电功率爬坡量的预测值。