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,ck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RM在um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。