一種基于總體平均經(jīng)驗?zāi)B(tài)分解與改進Elman神經(jīng)網(wǎng)絡(luò)的風(fēng)功率組合預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明一種基于總體平均經(jīng)驗?zāi)B(tài)分解與改進Elman神經(jīng)網(wǎng)絡(luò)的風(fēng)功率組合預(yù) 測方法，屬于風(fēng)功率預(yù)測技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 在能源問題日益突出的今天，風(fēng)能作為一種分布廣的可再生能源受到人們的廣泛 關(guān)注。隨著風(fēng)力發(fā)電技術(shù)的日漸成熟，風(fēng)電占電力系統(tǒng)發(fā)電總量的比例也逐漸增加。然而， 風(fēng)能的隨機性和間歇性等特點對電能質(zhì)量和電網(wǎng)的安全、穩(wěn)定運行造成了不良影響，而對 風(fēng)功率進行有效地預(yù)測是降低上述影響和系統(tǒng)的運行成本，提高風(fēng)電穿透功率極限的有效 手段，因此，研宄風(fēng)電功率的短期預(yù)測方法具有重要的理論和實際意義。
[0003] 風(fēng)功率的短期預(yù)測一般采用物理方法和統(tǒng)計方法。物理方法主要考慮天氣數(shù)據(jù)以 及風(fēng)電機組的技術(shù)參數(shù)，尋求風(fēng)電機組輪毅高度處的風(fēng)速最優(yōu)估計值，最后根據(jù)風(fēng)電場的 功率曲線計算得到風(fēng)電場的輸出功率，但是該方法過分依賴完善的數(shù)值天氣預(yù)報信息，因 此工程實用性較低。統(tǒng)計方法不考慮風(fēng)速變化的物理過程，而是根據(jù)大量實測數(shù)據(jù)對風(fēng)電 場輸出功率進行預(yù)測。目前常用的統(tǒng)計學(xué)預(yù)測方法有持續(xù)法、時間序列法、人工神經(jīng)網(wǎng)絡(luò) 法、支持向量機法等。此類統(tǒng)計方法對于提前幾小時的風(fēng)功率預(yù)測結(jié)果是可以滿足精度要 求的，但對于提前更長時間的預(yù)測結(jié)果，精度是不夠的。這些方法隨著風(fēng)電技術(shù)的深入暴露 了難以克服的缺陷，如預(yù)測精度差，收斂速度慢，有局限性等缺點。

【發(fā)明內(nèi)容】

[0004] 針對現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于總體平均經(jīng)驗?zāi)B(tài)分解與改進Elman神經(jīng)網(wǎng)絡(luò)的風(fēng)功率組合預(yù)測方法，EEMD能將復(fù)雜的時間序列平穩(wěn)化，得到幾個本征模函數(shù) (intrinicmodelfunction,IMF)分量，并且每個分量之間相互獨立，同時，作為一種改進 的EMD方法，該方法將白噪聲序列添加到原始序列中，然后對其進行多次EMD分解，將分 解得到的多組MF的均值作為其真實分量，從而避免了混沌重疊現(xiàn)象。
[0005] 本發(fā)明采取的技術(shù)方案為：
[0006] -種基于總體平均經(jīng)驗?zāi)B(tài)分解與改進Elman神經(jīng)網(wǎng)絡(luò)的風(fēng)功率組合預(yù)測方法， 包括以下步驟：
[0007] 步驟1 :數(shù)據(jù)的獲取和歸一化處理。本發(fā)明采用前幾個時刻的風(fēng)速數(shù)據(jù)或數(shù)值天 氣預(yù)報信息作為輸入數(shù)據(jù)進行訓(xùn)練，用于預(yù)測下一時刻的風(fēng)速。對得到的數(shù)據(jù)進行歸一化 處理：
[0009] 式中是訓(xùn)練樣本T中的某個數(shù)據(jù)歸一化后的結(jié)果；1_和1^分別是訓(xùn)練樣本 T中該組變量數(shù)據(jù)的最大值和最小值；
[0010] 步驟2 :總體平均經(jīng)驗?zāi)B(tài)分解。將白噪聲序列添加到原始序列中，然后對其進 行多次EMD分解，將分解得到的多組MF的均值作為其真實分量，從而避免了混沌重疊現(xiàn) 象；
[0011] 步驟3 :Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定；
[0012] Elman神經(jīng)網(wǎng)絡(luò)的非線性狀態(tài)空間表達式為：
[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表示時亥I」，y，x，u，x。分別表示1維輸出節(jié)點向量，m維隱含層節(jié)點單元向 量，n維輸入向量和m維反饋狀態(tài)向量，《3，《2，妒分別表示隱含層到輸出層、輸入層到隱含 層、承接層到隱含層的連接權(quán)值矩陣，Pi為隱含層神經(jīng)元的傳遞函數(shù)，bJPb2分別為輸入層 和隱含層的閾值；
[0017] 步驟4 :選取最優(yōu)隱含層節(jié)點數(shù)進行預(yù)測；
[0018] 步驟5 :最后疊加各分量的預(yù)測結(jié)果得到最終預(yù)測數(shù)據(jù)。
[0019] 步驟2中，EEMD具體步驟如下：
[0020] 步驟2. 1 :初始化過程，初始化EMD執(zhí)行次數(shù)M次，每次添加噪聲的幅值為k;
[0021] 步驟2.2 :向風(fēng)功率時間序列x(t)添加正態(tài)分布白噪聲n(t)，執(zhí)行第m次EMD過 程：
[0022] 1)、找出序列x(t)的所有極小值與極大值，利用三次樣條函數(shù)差值擬合其上下包 絡(luò)線；
[0023] 2)、計算上下包絡(luò)線的平均值m(t)，h(t) =x(t)_m(t);
[0024] 3)、判斷h(t)是否滿足IMF的定義，滿足則將h(t)作為第一個IMF，否則將h(t) 作為原始序列重復(fù)1)和2)直至滿足MF的定義；
[0025] 4)、MF分量從原始信號中分離，r(t) =x(t)-h(t)，將r(t)作為新的序列重復(fù)上 述步驟，得到剩余的IMF分量和余量，余量為單調(diào)函數(shù)；
[0026] 步驟2. 3 :總體平均運算：對M次EMD分解得到的每個MF計算均值作為最終結(jié)果。
[0027] 步驟3中包括以下步驟：
[0028] 步驟3. 1 :風(fēng)功率時間序列的相空間重構(gòu)：
[0029] 對風(fēng)功率時間序列{p(t)}，t= 1，2, 3…N，選擇一個適當(dāng)?shù)那度刖S數(shù)m和延遲時 間t，可得到滿足式（4)的新的狀態(tài)空間，即重構(gòu)的風(fēng)功率時間序列相空間；
[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] 步驟3. 2 :運用C-C方法求取相空間重構(gòu)的延遲時間t和嵌入維數(shù)m，選取相空間 重構(gòu)中的飽和嵌入維數(shù)m作為神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點數(shù)；
[0033] 步驟3. 3 :由于Elman神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點數(shù)對Elman神經(jīng)網(wǎng)絡(luò)預(yù)測精度有較 大的影響，運用訓(xùn)練誤差最小的方法來選取最優(yōu)節(jié)點數(shù)。
[0034] 步驟3. 3具體步驟如下：
[0035] 1)、利用相空間重構(gòu)法將風(fēng)功率序列重構(gòu)，獲取輸入數(shù)據(jù)及其輸入節(jié)點數(shù)m;
[0036]2)、將待優(yōu)化隱層節(jié)點個數(shù)的取值范圍定為nG[2m-4, 2m+6];
[0037]3)、循環(huán)選取隱含層節(jié)點數(shù)對Elman神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，選取訓(xùn)練誤差最小的節(jié) 點為最優(yōu)節(jié)點。
[0038] 與現(xiàn)有方法相比，本發(fā)明一種基于總體平均經(jīng)驗?zāi)B(tài)分解與改進Elman神經(jīng)網(wǎng)絡(luò) 的風(fēng)功率組合預(yù)測方法，具有以下優(yōu)點和有益效果：
[0039](1)、針對風(fēng)功率時間序列的非線性和非平穩(wěn)性的特點，利用EEMD分解將復(fù)雜的 風(fēng)功率序列分解得到一系列相對簡單的子分量，可以有效提高預(yù)測精度。
[0040] (2)、Elman神經(jīng)網(wǎng)絡(luò)具有較強的非線性擬合能力，并根據(jù)相空間重構(gòu)和訓(xùn)練誤差 最小的方法獲取模型結(jié)構(gòu)的參數(shù)，可進一步提高預(yù)測精度。
[0041] (3)、從本發(fā)明模型的預(yù)測結(jié)果及與其他模型的對比分析可以看出，本發(fā)明的預(yù)測 建模思路具有一定的先進性，取得了較好的預(yù)測效果。
【附圖說明】
[0042] 圖1為本發(fā)明Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；
[0043] 圖2為本發(fā)明EEMD-改進Elman神經(jīng)網(wǎng)絡(luò)預(yù)測流程圖；
[0044] 圖3為本發(fā)明實施例中功率曲線圖；
[0045] 圖4為本發(fā)明實施例中EEMD-改進Elman神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果圖。
【具體實施方式】
[0046] 一種基于二次平均的低信噪比正弦信號高精度頻率測量方法，包括以下步驟：
[0047] 步驟1:數(shù)據(jù)的獲取和歸一化處理：本發(fā)明采用前幾個時刻的風(fēng)速數(shù)據(jù)或數(shù)值天 氣預(yù)報信息作為輸入數(shù)據(jù)進行訓(xùn)練，用于預(yù)測下一時刻的風(fēng)速。對得到的數(shù)據(jù)進行歸一化 處理：
[0049] 式中是訓(xùn)練樣本T中的某個數(shù)據(jù)歸一化后的結(jié)果；1_和1_分別是訓(xùn)練樣本 T中該組變量數(shù)據(jù)的最大值和最小值。
[0050] 步驟2 :總體平均經(jīng)驗?zāi)B(tài)分解。將白噪聲序列添加到原始序列中，然后對其進 行多次EMD分解，將分解得到的多組MF的均值作為其真實分量，從而避免了混沌重疊現(xiàn) 象。
[0051] EEMD具體步驟如下：
[0052] 步驟2. 1 :初始化過程。初始化EMD執(zhí)行次數(shù)M次，每次添加噪聲的幅值為k。
[0053] 步驟2. 2 :向風(fēng)功率時間序列x(t)添加正態(tài)分布白噪聲n(t)，執(zhí)行第m次EMD過 程：
[0054]1)、找出序列x(t)的所有極小值與極大值，利用三次樣條函數(shù)差值擬合其上下包 絡(luò)線。
[0055] 2)、計算上下包絡(luò)線的平均值m(t)，h(t)=x(t)_m(t)。
[0056] 3)、判斷h(t)是否滿足IMF的定義，滿足則將h(t)作為第一個IMF，否則將h(t) 作為原始序列重復(fù)1)和2)直至滿足MF的定義。
[0057] 4)、MF分量從原始信號中分離，r(t) =x(t)_h(t)，將r(t)作為新的序列重復(fù)上 述步驟，得到剩余的IMF分量和余量，余量為單調(diào)函數(shù)。
[0058] 步驟2. 3 :總體平均運算：對M次EMD分解得到的每