本发明涉及风电技术领域，是一种基于风速分频和权值匹配的RBF超短期风电功率预测方法，其特点是：包括风速波动特征的提取、风速区间的划分、径向基神经网络的训练、分频最优权值的分配、仿真计算和误差分析等步骤，与现有的仅考虑历史风电功率数据时序，本发明能跟踪未来的功率趋势，物理意义清晰，并考虑风速的分频特性。具有预测精度高，预测结果有效，适用性和实用性强等优点。
1.一种基于风速分频和权值匹配的RBF超短期风电功率预测方法，其特征在于：它包括以下步骤：
数值天气预报信息中包含温度、动量通量、风向、各高度风速、湿度信息，其中由于轮毂高度处的风速信息与功率的联系最为紧密，因此对100米风速信息进行波动特征的提取，对于波动特征的提取是通过最小二乘滤波和经验模态分解(EMD)两种方法得到的，具体步骤如下：
①对四个高度的异常风速数据进行最小二乘滤波处理，最小二乘法是将输入的暂态信号与一预设的含有非周期分量、基波分量和某些整次谐波分量的函数依据最小二乘法原则进行拟合，其拟合函数为
式中XRn、XIn分别为n次谐波信号的实部和虚部,即XRn＝Xncosθn,XIn＝Xnsinθn；Xn为信号的幅值，θn为初相角；X0为衰减非周期分量的起始值，Td为时间常数；
②滤波以后得到趋势分量和残差分量,对于趋势分量进行经验模态分解(EMD)，经验模态分解(EMD)主要应用于非线性、非平稳性时间序列的处理与分析，经验模态分解(EMD)能够克服基函数无自适应性的问题，对于一段未知信号，不需要做预先分析和研究，就可以直接开始分解；经验模态分解(EMD)将时间序列x(t)分解成数个本征模函数IMF和残余项r(t)，r(t)通常代表时间序列的整体趋势，x(t)＝∑IMFs+r(t) (2)③对经验模态分解(EMD)得到的本征模函数IMF与最小二乘滤波得到的残差分量整合，通过计算各模态分量之间的欧氏距离对其进行层次聚类，式中Xi、Yi分别表示两种模态变量第i时刻的对应元素；
通过模态合并能够将数量有限个本征模函数IMF合并为两类，将频率最高，幅值最低的一类定义为高频分量；将剩余的一类定义为中频分量；将经验模态分解(EMD)得到的残余项r(t),定义为低频分量；
通过对历史的功率和轮毂高度处的实测风速进行处理，绘制风速‑功率散点图，并拟合出风速‑功率曲线，从而得到风机的切入风速与切除风速，将风速小于切入风速所对应功率数据置零，将风速大于切出风速所对应的功率数据按照最大输出功率进行替换；
对于处于切入风速与切出风速之间的数据按照风速大小进行三等分，其中，数值最小的风速段定义为低风速段；数值较小的风速段定义为中风速段；数值最大的风速段定义为高风速段；
3)径向基函数RBF神经网络的训练首先，将待预测时段前三个月中前两个月的数值天气预报100米风速信息与对应功率作为径向基函数RBF神经网络的训练集，将后一个月的信息作为径向基函数RBF神经网络的测试集；
将步骤1)中得到的100米风速高频分量与对应时刻为未分解的功率作为隐含层的输入进行径向基函数RBF网络的训练，进而通过最后一个月的100米风速高频分量对功率进行预测，同理，可以分别预测得到风速中频分量和低频分量对应的功率值；
通过不同的风速波动分量预测的功率需要根据不同波动分量对整体风速的贡献率进行加权求和，权值的选取步骤如下：①对预测时刻前一个月不同风速分量预测得到的功率值进行加权相加，得到预测值，以准确率最高为目标函数通过Matlab中Cplex优化程序对权值进行优化，目标函数：
式中，PM为加权相加后所得到的预测功率；λi表示通过不同风速预测功率所对应的权值，i＝1，2，3分别表示高频分量，中频分量，低频分量；Pi表示通过不同风速预测功率；PP表示实测功率；R表示预测的准确率；
通过式(4)‑式(5)的计算得到一个月各个时刻的对于高频，中频，低频分量的最优权值；
②对于前一个月各个时刻的最优权值按照其对应时刻风速大小按照步骤2)进行分组，从而能够得到高、中、低不同风速段所对应的权值序列，分别对不同风速段的高、中、低频分量所对应的权值求取平均值就能够得到高、中、低频分量在不同风速段下的权值，式中，λj表示不同风速段所对应的权重值，λij表示不同风速段各个风速点所对应的权重值，N表示该风速段下风速点的数量；
仿真输入量：对电场的实测数据进行分析，确定电场的总装机容量；输入历史数据：待遇测预测时刻所在月前三个月的功率、温度、30m风向、170m风速、100m风速，输入预测当天NWP数据：温度、30m风向、170m风速、100m风速；数据采样间隔为15min，根据步骤1)至步骤
4)，得到该日预测时段的不同波动频率下的三组预测值，之后根据待遇测时刻NWP的100m风速值对三组预测值进行加权相加，从而得到最终的功率超短期预测结果；
设PMk为k时段的实际平均功率，PPk为k时段的预测平均功率，Cap为风电场开机容量，那么，第四小时预测准确率定义为式(7)：第四小时预测合格率定义为式(8)：其中若 则Bk＝1，若 则Bk＝0全天预测结果第四小时均方根误差为式(7)：按步骤5)，输入仿真输入量，将模型计算的预测功率同实测功率经过步骤6)中的误差评价标准式(7)、式(8)、式(9)进行误差计算，求得预测准确率。
一种基于风速分频和权值匹配的RBF超短期风电功率预测
方法
技术领域
[0001] 本发明涉及风电技术领域，是一种基于风速分频和权值匹配的RBF超短期风电功率预测方法。
背景技术
[0002] 风电是最具规模化开发条件的新能源，其出力特征不同于火电、核电，是典型的间歇性电源，主要由风速、风向等气象因素决定，具有显著的反调峰特性和不确定性，大规模
风电并网给电力系统运行带来严峻的挑战。如能准确的风电功率预测为电力系统安全运
行、电力调度带来积极的影响，从而获得更好的经济和环保效益。
[0003] 风电功率超短期预测是指自预测时刻起未来15分钟至4小时的预测预报，时间分辨率为15分钟。超短期预测的意义在于滚动修正计划曲线，及时调整有功出力。
[0004] 现有的超短期预测一般建立了历史输入数据与未来功率输出的映射关系，可以直接根据历史数据预测未来的功率值，从而获得较高的预测精度。对于人工智能法，对于处理
非线性时间序列有很大优势，但无法反映系统的动态特性。总体来说，现有的预测无法跟踪
未来的功率趋势。
发明内容
[0005] 本发明的目的是，克服现有技术的不足，提供一种物理意义清晰、考虑风速分频特性、科学合理、实用价值更高、精度更高、能够满足在线使用要求的基于风速分频和权值匹
配的RBF超短期风电功率功率预测方法。
[0006] 实现本发明目的采用的技术方案是：一种基于风速分频和权值匹配的RBF 超短期风电功率预测方法，其特征在于：它包括以下步骤：
[0007] 1)不同频率风速特征的提取
[0008] 数值天气预报信息中包含温度、动量通量、风向、各高度风速、湿度等信息，其中由于轮毂高度处的风速信息与功率的联系最为紧密，因此对100米风速信息进行波动特征的
提取，对于波动特征的提取是通过最小二乘滤波和经验模态分解 (EMD)两种方法得到的，
具体步骤如下：
[0009] ①对四个高度的异常风速数据进行最小二乘滤波处理，最小二乘法是将输入的暂态信号与一预设的含有非周期分量、基波分量和某些整次谐波分量的函数依据最小二乘法
原则进行拟合，其拟合函数为
[0010]
[0011] 式中XRn、XIn分别为n次谐波信号的实部和虚部,即XRn＝Xncosθn,XIn＝Xnsinθn； Xn为信号的幅值，θn为初相角；X0为衰减非周期分量的起始值，Td为时间常数；
[0012] ②滤波以后得到趋势分量和残差分量。对于趋势分量进行经验模态分解 (EMD)，经验模态分解(EMD)主要应用于非线性、非平稳性时间序列的处理与分析，经验模态分解
(EMD)能够克服基函数无自适应性的问题，对于一段未知信号，不需要做预先分析和研究，
就可以直接开始分解；经验模态分解(EMD) 将时间序列x(t)分解成数个本征模函数(IMF)
和残余项r(t)，r(t)通常代表时间序列的整体趋势，
[0013] x(t)＝∑IMFs+r(t) (2)
[0014] ③对经验模态分解(EMD)得到的本征模函数(IMF)与最小二乘滤波得到的残差分量整合，通过计算各模态分量之间的欧氏距离对其进行层次聚类，
[0015]
[0016] 式中Xi、Yi分别表示两种模态变量第i时刻的对应元素；
[0017] 通过模态合并能够将数量有限个本征模函数(IMF)合并为两类，将频率最高，幅值最低的一类定义为高频分量；将剩余的一类定义为中频分量；将经验模态(EMD)分接得到的
残余项r(t),定义为低频分量；
[0018] 2)风速区间的划分
[0019] 通过对历史的功率和轮毂高度处的实测风速进行处理，绘制风速‑功率散点图，并拟合出风速‑功率曲线，从而得到风机的切入风速与切除风速，将风速小于切入风速所对应
功率数据置零，将风速大于切出风速所对应的功率数据按照最大输出功率进行替换；
[0020] 对于处于切入风速与切出风速之间的数据按照风速大小进行三等分，其中，数值最小的风速段定义为低风速段；数值较小的风速段定义为中风速段；数值最大的风速段定
义为高风速段；
[0021] 3)径向基函数(RBF)神经网络的训练
[0022] 首先，将待预测时段前三个月中前两个月的数值天气预报100米风速信息与对应功率作为径向基函数(RBF)神经网络的训练集，将后一个月的信息作为径向基函数(RBF)神
经网络的测试集；
[0023] 将步骤1)中得到的100米风速高频分量与对应时刻为未分解的功率作为隐含层的输入进行径向基函数(RBF)网络的训练，进而通过最后一个月的100米风速高频分量对功率
进行预测。同理，可以分别预测得到风速中频分量和低频分量对应的功率值；
[0024] 4)最优权值的选取
[0025] 通过不同的风速波动分量预测的功率需要根据不同波动分量对整体风速的贡献率进行加权求和，权值的选取步骤如下：
[0026] ①对预测时刻前一个月不同风速分量预测得到的功率值进行加权相加，得到预测值，以准确率最高为目标函数通过Matlab中Cplex优化程序对权值进行优化，
[0027] 目标函数：
[0028] 约束条件：
[0029] 式中，PM为加权相加后所得到的预测功率；λi表示通过不同风速预测功率所对应的权值，i＝1，2，3分别表示高频分量，中频分量，低频分量；Pi表示通过不同风速预测功率；PP
表示实测功率；R表示预测的准确率；
[0030] 通过式(4)‑式(5)的计算得到一个月各个时刻的对于高频，中频，低频分量的最优权值；
[0031] ②对于前一个月各个时刻的最优权值按照其对应时刻风速大小按照步骤 2)进行分组，从而能够得到高、中、低不同风速段所对应的的权值序列，分别对不同风速段的高、
中、低频分量所对应的权值求取平均值就能够得到高、中、低频分量在不同风速段下的权
值，
[0032]
[0033] 式中，λj表示不同风速段所对应的权重值，λij表示不同风速段各个风速点所对应的权重值，N表示该风速段下风速点的数量；
[0034] 5)仿真计算
[0035] 仿真输入量：对电场的实测数据进行分析，确定电场的总装机容量；输入历史数据：待遇测预测时刻所在月前三个月的功率、温度、30m风向、170m风速、 100m风速，输入预
测当天NWP数据：温度、30m风向、170m风速、100m风速；数据采样间隔为15min，根据步骤1)至
步骤4)，得到该日预测时段的不同波动频率下的三组预测值，之后根据待遇测时刻NWP的
100m风速值对三组预测值进行加权相加，从而得到最终的功率超短期预测结果；
[0036] 6)评价指标
[0037] 设PMk为k时段的实际平均功率，PPk为k时段的预测平均功率，N为日考核总时段，Cap为风电场开机容量，那么，第四小时预测准确率定义为式(7)：
[0038]
[0039] 第四小时预测合格率定义为式(8)：
[0040]
[0041] 其中若 则Bk＝1，若 则 Bk＝0
[0042] 全天预测结果第四小时均方根误差为式(7)：
[0043]
[0044] 按步骤5)，输入仿真输入量，将模型计算的预测功率同实测功率经过步骤 6)中的误差评价标准式(7)、式(8)、式(9)进行误差计算，求得预测准确率。
[0045] 本发明提出的一种基于风速分频权值匹配的RBF超短期预测计算方法，采用最小二乘滤波和经验模态分解对风速波动特性进行提取；通过对历史不同波动分量进行预测分
析，以准确率最高为目标进行优化得到最优权值；根据预测时刻的NWP风速信息进行最优权
重的选取从而实现风电功率的超短期预测等步骤。本发明预测方法科学合理，预测过程简
单，预测精度高、物理意义清晰，预测结果有效，实用性强。
附图说明
[0046] 图1不同频率的风速时间序列；
[0047] 图2为基于风速分频和权值匹配的RBF超短期预测框架；
[0048] 图3为预测值与真实值比较示意图。
具体实施方式
[0049] 下面结合附图和具体实施例，对本发明的一种基于风速分频和权值匹配的 RBF超短期预测方法作进一步说明。
[0050] 结合图1‑图3，本发明的一种基于风速分频和权值匹配的RBF超短期预测方法，包括以下步骤：
[0051] 1)不同频率风速特征的提取
[0052] 数值天气预报信息中包含温度、动量通量、风向、各高度风速、湿度等信息，其中由于轮毂高度处的风速信息与功率的联系最为紧密，因此对100米风速信息进行波动特征的
提取，对于波动特征的提取是通过最小二乘滤波和经验模态分解 (EMD)两种方法得到的，
具体步骤如下：
[0053] ①对四个高度的异常风速数据进行最小二乘滤波处理，最小二乘法是将输入的暂态信号与一预设的含有非周期分量、基波分量和某些整次谐波分量的函数依据最小二乘法
原则进行拟合，其拟合函数为
[0054]
[0055] 式中XRn、XIn分别为n次谐波信号的实部和虚部,即XRn＝Xncosθn,XIn＝Xnsinθn； Xn为信号的幅值，θn为初相角；X0为衰减非周期分量的起始值，Td为时间常数。
[0056] ②滤波以后得到趋势分量和残差分量。对于趋势分量进行经验模态分解(EMD)，经验模态分解(EMD)主要应用于非线性、非平稳性时间序列的处理与分析，经验模态分解
(EMD)能够克服基函数无自适应性的问题，对于一段未知信号，不需要做预先分析和研究，
就可以直接开始分解；经验模态分解(EMD) 将时间序列x(t)分解成数个本征模函数(IMF)
和残余项r(t)，r(t)通常代表时间序列的整体趋势，
[0057] x(t)＝∑IMFs+r(t) (2)
[0058] ③对经验模态分解(EMD)得到的本征模函数(IMF)与最小二乘滤波得到的残差分量整合，通过计算各模态分量之间的欧氏距离对其进行层次聚类，
[0059]
[0060] 式中Xi、Yi分别表示两种模态变量第i时刻的对应元素。
[0061] 通过模态合并能够将数量较多有限个本征模函数(IMF)合并为两类，将频率最高，幅值最低的一类定义为高频分量；将频率较低，幅值较低的一类定义为中频分量；将经验模
态(EMD)分接得到的残余项r(t),定义为低频分量。
[0062] 2)风速区间的划分
[0063] 通过对历史的功率和轮毂高度处的实测风速进行处理，绘制风速‑功率散点图，并拟合出风速‑功率曲线，从而得到风机的切入风速与切除风速，将风速小于切入风速所对应
功率数据置零，将风速大于切出风速所对应的功率数据按照最大输出功率进行替换。
[0064] 对于处于切入风速与切出风速之间的数据按照风速大小进行三等分。其中，数值最小的风速段定义为低风速段；数值较小的风速段定义为中风速段；数值最大的风速段定
义为高风速段。
[0065] 3)径向基函数(RBF)神经网络的训练
[0066] 首先，将待预测时段前三个月中前两个月的数值天气预报100米风速信息与对应功率作为径向基函数(RBF)神经网络的训练集，将后一个月的信息作为径向基函数(RBF)神
经网络的测试集。
[0067] 将步骤1)中得到的100米风速高频分量与对应时刻为未分解的功率作为隐含层的输入进行径向基函数(RBF)网络的训练，进而通过最后一个月的100米风速高频分量对功率
进行预测。同理，可以分别预测得到风速中频分量和低频分量对应的功率值。
[0068] 4)最优权值的选取
[0069] 通过不同的风速波动分量预测的功率需要根据不同波动分量对整体风速的贡献率进行加权求和，权值的选取步骤如下：
[0070] ①对预测时刻前一个月不同风速分量预测得到的功率值进行加权相加，得到预测值，以准确率最高为目标函数通过Matlab中Cplex优化程序对权值进行优化，
[0071] 目标函数：
[0072] 约束条件：
[0073] 式中，PM为加权相加后所得到的预测功率；λi表示通过不同风速预测功率所对应的权值，i＝1，2，3分别表示高频分量，中频分量，低频分量；Pi表示通过不同风速预测功率；PP
表示实测功率；R表示预测的准确率。
[0074] 通过式(4)‑式(5)的计算得到一个月各个时刻的对于高频，中频，低频分量的最优权值。
[0075] ②对于前一个月各个时刻的最优权值按照其对应时刻风速大小按照步骤2) 进行分组，从而能够得到高、中、低不同风速段所对应的的权值序列，分别对不同风速段的高、
中、低频分量所对应的权值求取平均值就能够得到高、中、低频分量在不同风速段下的权
值，
[0076]
[0077] 式中，λj表示不同风速段所对应的权重值，λij表示不同风速段各个风速点所对应的权重值，N表示该风速段下风速点的数量。
[0078] 5)仿真计算
[0079] 仿真输入量：对电场的实测数据进行分析，确定电场的总装机容量；输入历史数据：待遇测预测时刻所在月前三个月的功率、温度、30m风向、170m风速、 100m风速，输入预
测当天NWP数据：温度、30m风向、170m风速、100m风速；数据采样间隔为15min，根据步骤1)至
步骤4)，得到该日预测时段的不同波动频率下的三组预测值，之后根据待遇测时刻NWP的
100m风速值对三组预测值进行加权相加，从而得到最终的功率超短期预测结果。
[0080] 6)评价指标
[0081] 设PMk为k时段的实际平均功率，PPk为k时段的预测平均功率，N为日考核总时段，Cap为风电场开机容量，那么，第四小时预测准确率定义为式(7)：
[0082]
[0083] 第四小时预测合格率定义为式(8)：
[0084]
[0085] 其中若 则Bk＝1，若 则 Bk＝0
[0086] 全天预测结果第四小时均方根误差为式(7)：
[0087]
[0088] 按步骤5)，输入仿真输入量，将模型计算的预测功率同实测功率经过步骤 6)中的误差评价标准式(7)、式(8)、式(9)进行误差计算，求得预测准确率。
[0089] 具体算例分析
[0090] 本发明以某风电站的实测数据以及NWP数据为例进行分析，采样间隔为15 min。该电站的装机容量为55MW；预测结果评价指标如表1和2所示。
[0091] 表1不同模型4小时预测结果对比
[0092] Tab.1 Comparison of 4‑hour prediction results of different models
[0093]
[0094]
[0095] 表2不同模型月预测结果对比
[0096] Tab.2 Comparison of monthly forecast results of different models
[0097]
[0098] 本发明具体实施方式并非穷举，并不构成对权利要求保护范围的限定，本领域技术人员根据本发明实施例获得的启示，不经过创造性劳动就能够想到其它实质上等同的替
代，均在本发明保护范围内。
