史数据 y(i-n;〇，n = 0, 1，2, "·，Ν，预测的值为 y(i+m;〇，m = 1，2, "·，Μ，M 为多步预测的步数，则 滚动多步预测的预测值可以表示为：
[0051] yG(i+mi*) = f (y (i-(N-m+1) i*),
[0052] (I)
[0053] y ⑴，yG(i+i*)，…，yG(i+(m-l) i*))
[0054] (3)建立集合经验模态分解（EEMD)和相关向量机（RVM)的风电功率预测模型
[0055] ①采用集合经验模态对原始序列分解
[0056] 集合经验模态分解（EEMD)是对传统经验模态分解的模态混叠等现象进行改进的 一种自适应筛选方法，可以降低信号的非平稳特性。为了得到数据的实际信号，就需将多组 不同的白噪声序列加入到原始序列之上，然后分别对其进行EMD分解，之后将相应的固有 模态分量（MF)的均值看作是真实分量。每个固有模态分量（MF)需要同时满足信号的零 点数和极值点数最多相差一个；任意时刻，由局部极小值点和极大值点定义的包络线的均 值为零，即上下曲线关于坐标轴局部对称。集合经验模态分解（EEMD)流程图如图1，具体内 容是：
[0057] a.向原始序列X⑴中加入白噪声序列，白噪声序列服从（0,（α ε )2)的正态分 布，得到复合序列X (t)，
[0058] b.对复合序列X (t)进行EMD分解，得到各阶固有模态分量aMF)，此时
其中Cl(t)为各阶固有模态分量（DIF)，r n(t)为剩余分量，代表原信号的 平均趋势，
[0059] c.重复步骤（a)、（b)r次，每次加入的白噪声幅值不同，
[0060] d.利用高斯白噪声频谱的零均值原理，原始信号对应的頂F分量为
[0061] ②建立相关向量机（RVM)预测模型
[0062] 相关向量机（RVM)是一种稀疏概率模型，它在先验参数的结构基础上，把样本数 据进行迭代，使得大部分参数的后验概率分布趋于零，将模型稀疏化，具有很好的非线性拟 合能力，对集合经验模态分解（EEMD)得到的各分量建立相关向量机（RVM)预测模型；
[0063] ③叠加对各分量得到最终的预测结果；
[0064] (4)预测评价指标
[0065] 根据可中华人民共和国能源局对风电功率实时预测的管理规定提出的评价指标 对误差进行分析。
[0066] 表1和表2以7月10日为例，分别对87号风机和整场267台机组风电功率在各 预测方法下进行的预测精度评价指标。
[0067] 表1 87号机组风电功率预测结果评价指标
[0069] 根据中华人民共和国能源局发布的《风电场功率预测预报管理暂行办法》中对全 天预测的均方根误差应该小于20%，由表1和表2可以看出，无论是单台机组还是整场机 组，eemd-rvm预测方法都满足要求，不仅均方根误差小于20%，准确率和合格率也都很高， 说明了 eemd-rvm模型的有效性。
[0070] 87号机组在7月10日的第10次预测的预测值和真实值对比图如图2所示。可以 发现，预测值和真实值接近，说明eemd-rvm模型的适用性。
[0071] 本发明的特定实施例已对本发明的内容作出了详尽的说明，但不局限本实施例， 本领域技术人员根据本发明的启示所做的任何显而易见的改动，都属于本发明权利保护的 范围。
【主权项】
1. 一种基于集合经验模态分解和相关向量机的风电功率实时预测方法，其特征在于， 它包括以下步骤： (1) 数据获取及处理 选取某风电场整场机组以15分钟为时间间隔的实际风电功率数据，将历史数据分为 两部分，前一部分作为训练样本，后一部分作为预测样本； (2) 建立多步滚动预测模式 进行风电功率预测时，一般假设当前时刻记为i，采样间隔记为i%已知历史数据y(i-n;〇，n= 0, 1，2,? ? ?，N，预测的值为y(i+m;〇，m= 1，2,? ? ?，M，M为多步预测的步数，贝Ij 滚动多步预测的预测值可以表示为： (i+mi) =f\y{i-(N~m+1)/"), ? ? v(〇.3g(* + )?'? -l)t)) (3) 建立集合经验模态分解和相关向量机的风电功率预测模型 ① 采用集合经验模态对原始序列分解 集合经验模态分解（EEMD)是将多组不同的白噪声序列加入到原始序列之上，然后分 别对其进行经验模态分解（EMD)，之后将相应的固有模态分量（MF)的均值看作是真实分 量，每个固有模态分量（MF)需要同时满足信号的零点数和极值点数最多相差一个；任意 时刻，由局部极小值点和极大值点定义的包络线的均值为零，即上下曲线关于坐标轴局部 对称，具体内容是： a. 向原始序列x(t)中加入白噪声序列，白噪声序列服从（0,（ae)2)的正态分布，得 到复合序列X(t)， b. 对复合序列X(t)进行经验模态分解（EMD)，得到各阶固有模态分量aMF)，此时的平均趋势， c. 重复步骤（a)、（b)r次，每次加入的白噪声幅值不同， d. 利用高斯白噪声频谱的零均值原理，原始信号对应的固有模态分量（MF)为② 建立相关向量机预测模型 相关向量机（RVM)是一种稀疏概率模型，它在先验参数的结构基础上，把样本数据 进行迭代，使得大部分参数的后验概率分布趋于零，将模型稀疏化，对集合经验模态分解 (EEMD)得到的各分量建立相关向量机（RVM)预测模型； ③ 叠加对各分量得到最终的预测结果； (4) 预测评价指标 根据中华人民共和国能源局的有关规定，采用均方根误差M、准确率zq和合格率r作为 评价的指标，当均方根误差越小、准确率越大、合格率越大时，预测精度越高，各指标的计算 式如下： 全天预测的均方根误差M:
【专利摘要】本发明是一种基于集合经验模态分解和相关向量机的风电功率实时预测方法，其特点是包括数据获取及处理、建立多步滚动预测模式、建立集合经验模态分解和相关向量机的风电功率预测模型和预测评价指标等步骤，具有科学合理，能够降低风电功率的非线性、非平稳性带来的影响，满足预测精度要求，利于电力系统调度，保证电能质量，降低运行成本等优点。
【IPC分类】G06Q10/04, G06Q50/06
【公开号】CN105046383
【申请号】CN201510599478
【发明人】杨茂, 张强
【申请人】东北电力大学
【公开日】2015年11月11日
【申请日】2015年9月19日