一种基于频域分解的风力发电短期负荷预测方法及装置的制造方法
【专利说明】
[0001] 本申请要求申请日为2014年8月19日、申请号为201410409322. 1、名称为"一种 基于频域分解的风力发电短期负荷预测方法及装置"的优先权。
技术领域
[0002] 本发明涉及电力信息技术领域，特别涉及一种基于频域分解的风力发电短期负荷 预测方法及装置。
【背景技术】
[0003] 风能是理想的清洁能源，风能发电避免了火力发电对大气的污染、水力发电对生 态环境的影响。随着风电技术的不断发展和风电场的规模不断增大，为了保证电力系统的 稳定运行和供电可靠性，必须对风电系统进行有效的规划和调度。由于风电本身所特有的 间歇性和不确定性，增加了电网调度的难度，为了解决风电场的发电量不确定问题，电网必 须提供足够的旋转备用容量，而旋转备用容量的增加间接地增加了风力发电的整体运营成 本，所以需要对风电场的输出功率进行预测，通过对风电场发电量进行准确的预测，可以大 幅降低电网旋转备用容量，从而有效降低风力发电系统的运行成本，为电网调度运行提供 可靠依据。一个准确度高的风电负荷预测方法是非常关键的。
[0004] 负荷预测的核心问题是预测的技术方法，或者说是预测的数学模型。随着现代科 学技术的快速发展，负荷预测技术的研究也在不断深化，各种各样的负荷预测方法不断涌 现，从经典的单耗法，统计分析法，到目前的灰色预测法，专家系统发和模糊数学法，甚至到 神经网络法，优选组合法和小波分析法，它们各自有各自的研究特点和使用条件，也都可以 应用到风电的负荷预测中去，但是单独预测的效果不是很突出，预测的精度比较低。因此， 如何根据风电的强随机性和不稳定特性，使用一种新的方法来提高对风电功率预测的精 度，特别是提高在波峰波谷上的预测精度，是目前特需解决的问题。
【发明内容】
[0005] 本发明的目的在于提供一种基于频域分解的风力发电短期负荷预测的方法及装 置，以解决现有风电负荷预测方法预测不可靠、不准确，效果一般的问题。
[0006] 本发明的第二目的在于提供一种基于频域分解的风力发电短期负荷预测的方法 及装置，以解决现有风电负荷预测方法预测的精度差、计算速度缓慢的问题。
[0007] 为实现上述目的，本发明提供了一种基于频域分解的风力发电短期负荷预测方 法，包括以下步骤：
[0008] (1)获取若干天的风力发电负荷数据作为原始数据，对原始数据进行预处理；
[0009] (2)对预处理的数据进行频域分解，得到日周期部分、周周期部分、月周期部分、低 频部分和高频部分的数据分量；
[0010] (3)分别对日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分 量进行预测；
[0011] (4)将各部分的预测结果叠加，输出最终的预测结果。
[0012] 其中，所述步骤（3)包括：采用LWT-LSSVM的预测方法分别对所述日周期部分和高 频部分的数据分量进行预测，得到日周期部分及高频部分的预测结果；直接去除周周期和 月周期部分分解后的数据分量；采用线性回归分析法预测低频部分的数据分量，得到低频 部分的预测结果。
[0013] 较佳地，所述步骤（1)中的预处理具体为：去除原始数据中错误的数据。
[0014] 较佳地，所述步骤（2)具体包括：a、建立频域分解数学模型；b、对预处理的历史负 荷数据进行频域分解，得到日周期部分、周周期部分、月周期部分、低频部分和高频部分的 数据分量。
[0015] 较佳地，所述步骤a具体为：设历史负荷数据所在的时间域为D，P(t)是时间域 D里的负荷时间序列，对其做傅立叶分解，具体如式（1)所示。
[0017] 式中，N为历史负荷序列的数据量。负荷时间序列P(t)被分解成角频率为
的分量，并组合获得式（2):
[0018] P(t) = a〇+D(t)+ff (t)+M(t)+L(t)+H(t) (2)
[0019] 式中，afDU)为日周期部分的负荷数据分量，W(t)为周周期部分的负荷数据分 量，M(t)为月周期部分的负荷数据分量，L(t)为低频部分数据分量，H(t)为高频部分数据 分量。
[0020] 较佳地，所述步骤b具体为：若对电力负荷一天进行K次采样，则日周期分量 a0+D(t)的角频率集合为：
周周期分量W(t)的角频率集 合为：
月周期分量M(t)的角频率集合 为：
；
[0021] 低频分量L(t)的角频率集合为
高 频分量H (t)的角频率集合为：
[0022] 较佳地，所述LWT-LSSVM的预测方法具体为：首先对数据分量进行三层提升小波 分解得到分解信号，然后对所述分解信号采用LSSVM模型进行训练和预测，得到预测结果。
[0023] 本发明还提供了一种基于频域分解的风力发电短期负荷预测方法，包括以下步 骤：
[0024] (1)获取若干天的风力发电负荷数据作为原始数据，对原始数据采用周对齐方法 进行预处理，剔除其中的错误数据，填补缺失数据；
[0025] (2)对预处理的数据进行频域分解，得到日周期部分、周周期部分、月周期部分、低 频部分和高频部分的数据分量；
[0026] (3)分别对日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分 量进行预测；
[0027] (4)将各部分的预测结果叠加，输出最终的预测结果。
[0028] 其中，所述步骤（3)包括：采用基于阀值去噪的LWT-LSSVM的预测方法分别对所述 日周期部分和高频部分的数据分量进行预测，得到日周期部分及高频部分的预测结果；直 接去除周周期和月周期部分分解后的数据分量；采用线性回归分析法预测低频部分的数据 分量，得到低频部分的预测结果。
[0029] 较佳地，所述周对齐方法具体包括以下步骤：
[0030] a、针对不同因素对数据的影响，建立相似度的计算法则，并在此基础上进行相似 周选取；
[0031] b、比较两个相似周，绘制周负荷曲线，找到错误或异变的数据，并进行剔除；
[0032] c、根据相似度排列相似周，选取相似度大于80 %的相似周的数据进行取平均值处 理，得到的数据用于填补待处理周缺失的数据。
[0033] 较佳地，所述步骤（2)具体包括：a、建立频域分解数学模型；b、对预处理的历史负 荷数据进行频域分解，得到日周期部分、周周期部分、月周期部分、低频部分和高频部分的 数据分量；
[0034] 所述步骤a具体为：设历史负荷数据所在的时间域为D，P⑴是时间域D里的负 荷时间序列，对其做傅立叶分解，具体如式（1)所示。
[0036] 式中，N为历史负荷序列的数据量。负荷时间序列P(t)被分解成角频率为
的分量，并组合获得式（2):
[0037] P (t) = a〇+D (t)+ff (t)+M (t)+L (t)+H (t) (2)
[0038] 式中，％+Da)为日周期部分的负荷数据分量，W(t)为周周期部分的负荷数据分 量，M(t)为月周期部分的负荷数据分量，L(t)为低频部分数据分量，H(t)为高频部分数据 分量；
[0039] 所述步骤b具体为：若对电力负荷一天进行K次采样，则日周期分量aQ+D(t)的 角频率集合为：
；周周期分量W(t)的角频率集合为：
月周期分量M(t)的角频率集合为：
[0040] 低频分量L(t)的角频率集合为
>高 频分量H (t)的角频率集合为：
[0041] 较佳地，所述基于阀值去噪法的LWT-LSSVM的预测方法具体为：首先选择db6小波 对信号进行3层小波包分解得到分解信号；再将由软、硬阀值法得到的软、硬阈值通过加权 平均处理，得到新的阀值函数，在新的阀值函数中对高频小波系数用阈值λ进行量化，得 出估计小波系数^然后，根据第3层低频系数和估计小波系数^进行小波重构；最 后对所述分解信号采用LSSVM模型进行训练和预测，得到预测结果；
[0042] 其中，设加权因子为0. 5,则构造新的阀值函数如下：
[0044] 其中，λ为设定的阀值，Wjik为小波系数。
[0045] 本发明还提供了一种基于频域分解的风力发电短期负荷预测装置，包括预处理 单元、频域分解单元、预测单元及结果输出单元；
[0046] 所述预处理单元用于对原始数据进行预处理；所述频域分解单元用于对预处理的 数据进行频域分解，得到日周期部分、周周期部分、月周期部分、低频部分和高频部分的数 据分量；所述预测单元用于分别对日周期部分、周周期部分、月周期部分、低频部分和高频 部分的数据分量进行预测；所述结果输出单元用于将各部分的预测结果叠加，并输出最终 的预测结果；
[0047] 其中，所述预测单元包括：日周期和高频预测子单元、周周期和月周期预测子单元 以及低频预测子单元，所述日周期和高频预测子单元用于分别对所述日周期部分和高频部 分的数据分量进行基于LWT-LSSVM预测方法的预测；周周期和月周期预测子单元用于去除 周周期和月周期部分分解后的数据分量；低频预测子单元用于对低频部分的数据分量进行 基于线性回归分析法的预测。
[004