8] 较佳地，所述频域分解单元包括建模单元及数据分解单元，其中，所述建模单元用 于建立频域分解数学模型；所述数据分解单元用于对预处理的历史负荷数据进行频域分 解，得到并输出日周期部分、周周期部分、月周期部分、低频部分和高频部分的数据分量。
[0049] 较佳地，所述建模单元包括：
[0050] 数据建模单元，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，用于对p(t)做傅立叶分解：
[0052] 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。
[0053] 数据组合单元，用于组合以获得下式：
[0054] P (t) = a〇+D (t) +ff (t) +M (t) +L (t) +H (t)
[0055] 其中，％+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是按固定周期变化的负荷分量，L(t)为低频部分数 据分量，H(t)为高频部分数据分量。
[0056] 较佳地，所述数据分解单元：包括日周期分解子单元、周周期分解子单元、 月周期分解子单元、低频分解子单元及高频分解子单元；若对电力负荷一天进 行K次采样，则日周期分解子单元用于输出日周期分量 a(]+D(t)，其角频率集合为：
周周期分解子单元用于输出的周周期分量W(t)，其角频 率集合为：
月周期分解子单元用于输出 月周期分量M (t)，其角频率集合为：
[0057] 低频分解子单元用于输出低频分量L(t)，其角频率集合为
高频分解子单元用于输出高频分量H (t)，其 角频率集合为：
[0058] 本方法由于采取以上技术方案，其具有以下优点：
[0059] 1.频域分解的方法能够找出风电负荷的潜在规律；
[0060] 2.该方法中根据分解后各数据分量的不同规律分别进行不同的处理，处理过程简 洁，对不必要的数据分量可直接去除，提高处理速度；
[0061] 3.建立了提升小波、LSSVM和误差预测的数学模型。提升小波可以起到缩放窗口 的作用，可以任意缩放波形并提取出需要的波成分，去除噪声的作用很好，可以提高预测方 法在波峰波谷处的跟踪预测精度。
[0062] 4. LSSVM简化了算法的复杂度，同时因为采用了最小二乘的算法，可以提高计算的 速度和预测的精度；
[0063] 5.周对齐的数据预处理方法有效的剔除了错误数据，并对缺失的数据进行填补， 处理后的数据更符合负荷的实际变化趋势，排除了机械、人为的造成的统计误差；
[0064] 6.建立新的阀值函数，在分解重构时利用起了舍弃的高频分量，从而更加充分的 利用的原始数据中的细节信息，提高了预测的精度。
【附图说明】
[0065]图1是根据本发明实施例的一种基于频域分解的风力发电短期负荷预测装置的 结构框图；
[0066]图2为根据的本发明实施例的一种基于频域分解的风力发电短期负荷预测方法 的风力发电短期负荷预测方法的流程图；
[0067]图3为本发明实施例的基于频域分解的风力发电短期负荷预测方法整体过程示 意图；
[0068] 图4为本发明实施例的三层提升小波分解不意图。
【具体实施方式】
[0069] 为更好地说明本发明，现结合附图及优选实施例对本发明进行说明，需注意的是 本发明方法中各个组成部分在不冲突的前提下可以任意组合，而不以此处的实施例的组合 为限制。
[0070] 本发明实施例提供了一种基于频域分解的风力发电短期负荷预测装置，如图1，该 方法包括预处理单元11、频域分解单元12、预测单元13及结果输出单元14 ;
[0071] 预处理单元11用于对原始数据进行预处理，具体为用于去除原始数据中错误的 数据，如数据中的负值。
[0072] 频域分解单元12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。
[0073] 预测单元13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。
[0074] 结果输出单元14用于将各部分的预测结果叠加，并输出最终的预测结果。
[0075] 其中，预测单元13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，日周期和高频预测子单元用于分别对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。
[0076] 本实施例中，预处理单元11用于对原始数据进行预处理，具体为去除原始数据中 错误的数据，如数据中的负值。优选地，频域分解单元12包括建模单元及数据分解单元。其 中，建模单元用于建立频域分解数学模型。建模单元包括：
[0077] 数据建模单元，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，用于对p(t)做傅立叶分解：
[0079] 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。
[0080] 数据组合单元，用于组合以获得下式：
[0081] P (t) = a〇+D (t) +ff (t) +M (t) +L (t) +H (t)
[0082] 其中，％+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是按固定周期变化的负荷分量，L(t)为低频部分数 据分量，H(t)为高频部分数据分量。
[0083] 数据分解单元13用于对预处理的历史负荷数据进行频域分解，得到并输出日周 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。
[0084] 数据分解单元包括日周期分解子单元、周周期分解子单元、月周期分解子单 元、低频分解子单元及高频分解子单元。以电力负荷每10分钟一个采样点，一天进 行144次采样，则日周期分解子单元用于输出日周期分量a(]+D(t)，其角频率集合为：
周周期分解子单元用于输出的周周期分量W(t)， 其角频率集合为：
月周期分解 子单元用于输出月周期分量M(t)，其角频率集合为：
且
低频分解子单元用于输出低频分量，其角频率集合为
高频分解子单元用于输出高频分量 H (t)，其角频率集合为：
[0085] 本发明还提供了基于频域分解的风力发电短期负荷预测方法，如图2、图3所示， 包括以下步骤进行：
[0086] 步骤S201 :对原始数据进行预处理，获取若干天的风力发电负荷数据作为原始数 据，如获取T天的风力发电负荷数据，去除原始数据中由于各种原因造成的错误的数据，如 数据中负的数值。
[0087] 步骤S202 :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。
[0088] 具体包括：a、建立频域分解的数学模型：
[0089] 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。
[0091] 式中，N为历史负荷序列的数据量。负荷时间序列P(t)经傅立叶分解后得到的谐 波信号两两正交，P (t)被分解成角频率为
I的分量。
[0092] 根据负荷变化周期性的特点，将负荷序列P(t)经傅立叶变化之后分解出日周期 的部分（即每天的规律）、周周期的部分（即每周的规律）、月周期的部分（即每月的规律）、 低频部分（一些缓慢变化的分量）和高频部分（急促变化的分量），组合获得下式：
[0093] P (t) = a〇+D (t) +ff (t) +M (t) +L (t) +H (t) (2)
[0094] 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是按固定周期变化的负荷分量，L(t)为低频部分数 据分量，H(t)为高频部分数据分量。
[0095] 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。
[0096] 本实施例中引入取模运算，m除以η的余数表示为mod (m，η)。风力发电的电力负 荷每十分钟米样一次，一天144点米样，则有：
[0097] D(t)的周期为144,以24h为周期变化，aQ+D(t)即为负荷的日周期分量。因此，日 周期分量％+Da)包括的角频率集合为：
[0098] W(t)的周期为7X144,是发电负荷的周周期分量。因此，周周期分量W(t)包括的 角频率集合为：
[0099] M(t)的周期是30X144,是负荷的月周期分量。因此，月周期分量M(t)包括的角 频率集合为：
[0100] 去除a。，D⑴，W⑴，M⑴之后，剩余分量分为L⑴和H⑴。L⑴表示角频率集 合中的低频分量，它是一些影响负荷的因素中的一些缓慢变化因素；H(t)表示角频率集合 中的高频分量，主要反映了某