一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法
【技术领域】
[0001] 本发明一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预 测方法，属于风功率预测技术领域。
【背景技术】
[0002] 在能源问题日益突出的今天，风能作为一种分布广的可再生能源受到人们的广泛 关注。随着风力发电技术的日渐成熟，风电占电力系统发电总量的比例也逐渐增加。然而， 风能的随机性和间歇性等特点对电能质量和电网的安全、稳定运行造成了不良影响，而对 风功率进行有效地预测是降低上述影响和系统的运行成本，提高风电穿透功率极限的有效 手段，因此，研宄风电功率的短期预测方法具有重要的理论和实际意义。
[0003] 风功率的短期预测一般采用物理方法和统计方法。物理方法主要考虑天气数据以 及风电机组的技术参数，寻求风电机组轮毅高度处的风速最优估计值，最后根据风电场的 功率曲线计算得到风电场的输出功率，但是该方法过分依赖完善的数值天气预报信息，因 此工程实用性较低。统计方法不考虑风速变化的物理过程，而是根据大量实测数据对风电 场输出功率进行预测。目前常用的统计学预测方法有持续法、时间序列法、人工神经网络 法、支持向量机法等。此类统计方法对于提前几小时的风功率预测结果是可以满足精度要 求的，但对于提前更长时间的预测结果，精度是不够的。这些方法随着风电技术的深入暴露 了难以克服的缺陷，如预测精度差，收敛速度慢，有局限性等缺点。
【发明内容】
[0004] 针对现有技术的不足，本发明提供一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法，EEMD能将复杂的时间序列平稳化，得到几个本征模函数 (intrinicmodelfunction,IMF)分量，并且每个分量之间相互独立，同时，作为一种改进 的EMD方法，该方法将白噪声序列添加到原始序列中，然后对其进行多次EMD分解，将分 解得到的多组MF的均值作为其真实分量，从而避免了混沌重叠现象。
[0005] 本发明采取的技术方案为：
[0006] -种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法， 包括以下步骤：
[0007] 步骤1 :数据的获取和归一化处理。本发明采用前几个时刻的风速数据或数值天 气预报信息作为输入数据进行训练，用于预测下一时刻的风速。对得到的数据进行归一化 处理：
[0009] 式中是训练样本T中的某个数据归一化后的结果；1_和1^分别是训练样本 T中该组变量数据的最大值和最小值；
[0010] 步骤2 :总体平均经验模态分解。将白噪声序列添加到原始序列中，然后对其进 行多次EMD分解，将分解得到的多组MF的均值作为其真实分量，从而避免了混沌重叠现 象；
[0011] 步骤3 :Elman神经网络结构的确定；
[0012] Elman神经网络的非线性状态空间表达式为：
[0013] y(k) =g(w3x(k)+b2) (2)
[0014] x(k) =f(k) +w2(u(k~l)) +b:) (3)
[0015] xc(k) =x(k-l) (4)
[0016] 式中：k表示时亥I」，y，x，u，x。分别表示1维输出节点向量，m维隐含层节点单元向 量，n维输入向量和m维反馈状态向量，《3，《2，妒分别表示隐含层到输出层、输入层到隐含 层、承接层到隐含层的连接权值矩阵，Pi为隐含层神经元的传递函数，bJPb2分别为输入层 和隐含层的阈值；
[0017] 步骤4 :选取最优隐含层节点数进行预测；
[0018] 步骤5 :最后叠加各分量的预测结果得到最终预测数据。
[0019] 步骤2中，EEMD具体步骤如下：
[0020] 步骤2. 1 :初始化过程，初始化EMD执行次数M次，每次添加噪声的幅值为k;
[0021] 步骤2.2 :向风功率时间序列x(t)添加正态分布白噪声n(t)，执行第m次EMD过 程：
[0022] 1)、找出序列x(t)的所有极小值与极大值，利用三次样条函数差值拟合其上下包 络线；
[0023] 2)、计算上下包络线的平均值m(t)，h(t) =x(t)_m(t);
[0024] 3)、判断h(t)是否满足IMF的定义，满足则将h(t)作为第一个IMF，否则将h(t) 作为原始序列重复1)和2)直至满足MF的定义；
[0025] 4)、MF分量从原始信号中分离，r(t) =x(t)-h(t)，将r(t)作为新的序列重复上 述步骤，得到剩余的IMF分量和余量，余量为单调函数；
[0026] 步骤2. 3 :总体平均运算：对M次EMD分解得到的每个MF计算均值作为最终结果。
[0027] 步骤3中包括以下步骤：
[0028] 步骤3. 1 :风功率时间序列的相空间重构：
[0029] 对风功率时间序列{p(t)}，t= 1，2, 3…N，选择一个适当的嵌入维数m和延迟时 间t，可得到满足式（4)的新的状态空间，即重构的风功率时间序列相空间；
[0030] P(t) ={p(t),p(t+t),p(t+ (m-1)t)} (5)
[0031] 其中：t= 1，2, 3…M，M=N-(m-l)t;
[0032] 步骤3. 2 :运用C-C方法求取相空间重构的延迟时间t和嵌入维数m，选取相空间 重构中的饱和嵌入维数m作为神经网络的输入节点数；
[0033] 步骤3. 3 :由于Elman神经网络的隐含层节点数对Elman神经网络预测精度有较 大的影响，运用训练误差最小的方法来选取最优节点数。
[0034] 步骤3. 3具体步骤如下：
[0035] 1)、利用相空间重构法将风功率序列重构，获取输入数据及其输入节点数m;
[0036]2)、将待优化隐层节点个数的取值范围定为nG[2m-4, 2m+6];
[0037]3)、循环选取隐含层节点数对Elman神经网络进行训练，选取训练误差最小的节 点为最优节点。
[0038] 与现有方法相比，本发明一种基于总体平均经验模态分解与改进Elman神经网络 的风功率组合预测方法，具有以下优点和有益效果：
[0039](1)、针对风功率时间序列的非线性和非平稳性的特点，利用EEMD分解将复杂的 风功率序列分解得到一系列相对简单的子分量，可以有效提高预测精度。
[0040] (2)、Elman神经网络具有较强的非线性拟合能力，并根据相空间重构和训练误差 最小的方法获取模型结构的参数，可进一步提高预测精度。
[0041] (3)、从本发明模型的预测结果及与其他模型的对比分析可以看出，本发明的预测 建模思路具有一定的先进性，取得了较好的预测效果。
【附图说明】
[0042] 图1为本发明Elman神经网络结构；
[0043] 图2为本发明EEMD-改进Elman神经网络预测流程图；
[0044] 图3为本发明实施例中功率曲线图；
[0045] 图4为本发明实施例中EEMD-改进Elman神经网络预测结果图。
【具体实施方式】
[0046] 一种基于二次平均的低信噪比正弦信号高精度频率测量方法，包括以下步骤：
[0047] 步骤1:数据的获取和归一化处理：本发明采用前几个时刻的风速数据或数值天 气预报信息作为输入数据进行训练，用于预测下一时刻的风速。对得到的数据进行归一化 处理：
[0049] 式中是训练样本T中的某个数据归一化后的结果；1_和1_分别是训练样本 T中该组变量数据的最大值和最小值。
[0050] 步骤2 :总体平均经验模态分解。将白噪声序列添加到原始序列中，然后对其进 行多次EMD分解，将分解得到的多组MF的均值作为其真实分量，从而避免了混沌重叠现 象。
[0051] EEMD具体步骤如下：
[0052] 步骤2. 1 :初始化过程。初始化EMD执行次数M次，每次添加噪声的幅值为k。
[0053] 步骤2. 2 :向风功率时间序列x(t)添加正态分布白噪声n(t)，执行第m次EMD过 程：
[0054]1)、找出序列x(t)的所有极小值与极大值，利用三次样条函数差值拟合其上下包 络线。
[0055] 2)、计算上下包络线的平均值m(t)，h(t)=x(t)_m(t)。
[0056] 3)、判断h(t)是否满足IMF的定义，满足则将h(t)作为第一个IMF，否则将h(t) 作为原始序列重复1)和2)直至满足MF的定义。
[0057] 4)、MF分量从原始信号中分离，r(t) =x(t)_h(t)，将r(t)作为新的序列重复上 述步骤，得到剩余的IMF分量和余量，余量为单调函数。
[0058] 步骤2. 3 :总体平均运算：对M次EMD分解得到的每