些突發(fā)因素對風(fēng)電出力的影響。剩余低頻分量L(t)和高頻 分量H(t)包括的角頻率集合分別為：
和
[0101] 通過傅立葉分解可以得到分解后的系數(shù)^b1，根據(jù)傅立葉的變換關(guān)系可以得到系 數(shù)^匕和頻譜的關(guān)系。在負(fù)荷序列中，負(fù)荷點是離散的。因此，我們可以利用離散傅立葉 變換（DFT)和離散傅立葉逆變換（IDFT)處理。具體的離散傅立葉變換如下所示：
[0103] 離散傅立葉逆變換如下所示：
[0105] 根據(jù)傅立葉正變換關(guān)系，傅立葉變換后得到的頻譜X(CO1)可以用傅立葉展開后的 系數(shù)a;, h表示：
[0106] X(O1) = N(B^jb1) (5)
[0107]因此，傅立葉展開后的系數(shù)B1A1可以由原有的歷史負(fù)荷數(shù)據(jù)序列進(jìn)行離散傅立 葉變換后求得。
[0108] 為把a(bǔ)Q+D (t)、W (t)、M (t)、L (t)、H⑴等五個序列分離，求得系數(shù)&1，匕后，還要進(jìn) 行相應(yīng)的離散傅立葉逆變換。
[0109] 從歐拉公式ei0=c〇S0+j Sin0入手，通過傅立葉逆變換，可以得到最后的分解 序列。在式中：
[0111] 根據(jù)以上各式，重構(gòu)出頻域分解后的五個數(shù)據(jù)分量。
[0112] 步驟S203:分別對日周期部分、周周期部分、月周期部分、低頻部分和高頻部分的 數(shù)據(jù)分量進(jìn)行預(yù)測。
[0113] 日周期部分的數(shù)據(jù)分量的預(yù)測：
[0114] 首先，對日周期部分的數(shù)據(jù)分量進(jìn)行三層提升小波（提升小波-LWT)分解。步驟 (2)中得到的日周期部分規(guī)律明顯，具有周期波動性，但是噪聲比較多，會影響LSSVM預(yù)測 的精度，因此需進(jìn)行三層提升小波分解，分解過程如圖4所示，其中A3為最終的高頻信號， Dl、D2和D3為得到的低頻信號。小波分解具體過程如下：
[0115] 1)分裂：分裂是將信號SJn]分割成相互關(guān)聯(lián)的奇偶兩部分，即即e] i(偶部分） 和〇 j i (奇部分）：
)
[0119] 2)預(yù)測：預(yù)測就是用e] i預(yù)測〇 , i，實際值〇] i與預(yù)測值P (e , J的差值d, i反應(yīng)了 兩者之間的逼近程度，稱為細(xì)節(jié)系數(shù)或小波系數(shù)，對應(yīng)于元信號S]的高頻部分。預(yù)測過程 如下：
[0120] dj != 〇 j !-P(ej i) (8)
[0121] 其中，預(yù)測算子P可用預(yù)測函數(shù)Pk來表示，函數(shù)P k可取為e , i中的對應(yīng)數(shù)
[0122] 據(jù)本身：
[0124] 或ej i中的對應(yīng)數(shù)據(jù)的相鄰數(shù)據(jù)的平均值：
[0126] 3)更新：經(jīng)過分裂步驟產(chǎn)生子集的某些整體特征可能與原始數(shù)據(jù)并不一致，為了 保持原始數(shù)據(jù)的這些整體特征，需要一個更新的過程。將更新過程用算子U來代替，其過程 如下：
[0127] Sj 1= e j !+UCdj i) (11)
[0128] 其中，S] s ,的低頻部分；與預(yù)測函數(shù)一樣，更新算子也可以取不同函數(shù)，如：
[0132] P與U取不同的函數(shù)，可構(gòu)造出不同的小波變換。
[0133] 其次，建立LSSVM(LSSVM-最小二乘支持向量機(jī)）數(shù)學(xué)模型，并進(jìn)行訓(xùn)練和預(yù)測。
[0134] 設(shè)D = {(xk, yk) |k = 1，2,…N}，其中xke Rn為輸入數(shù)據(jù)，y ke R為輸出數(shù)據(jù)。在 權(quán)w空間中可以用數(shù)學(xué)方法解決最小二乘支持向量機(jī)的優(yōu)化問題，具體如下：
[0136] 約束條件：
[0138] 為了求得最優(yōu)解，可以列出拉格朗日函數(shù)如下：
[0140] 式中，拉格朗日乘子ake R。為了得到最優(yōu)解，分別對式（16)中的w，b，ek，ak 求偏導(dǎo)數(shù)并使其等于〇,得到下式：
[0142] 進(jìn)一步化簡上式可得矩陣方程如下所示：
[0147] 同時將Mercer條件代入到Ω = ZZt,可得：
[0148] Ω kl = y kyif (xk) Tf (X1) = ykyi Ψ (xk，X1) (20)
[0149] 因此，式（14)的最優(yōu)化解可以通過對式（19)和式（20)求解獲得。
[0150] 最終可以推導(dǎo)出最小二乘支持向量機(jī)的分類決策函數(shù)為：
[0152] 式中：Ψ( ·，·）是核函數(shù)，主要用于從原始空間抽取特征，通過將原始空間中的 樣本映射為高維特征空間中的一個向量的方法解決原始空間中線性不可分問題。
[0153] 在提升小波和最小二乘支持向量機(jī)的理論基礎(chǔ)上，對波動較大的日周期部分先進(jìn) 行三層提升小波分解，然后對分解信號用LSSVM的模型進(jìn)行訓(xùn)練和預(yù)測，重構(gòu)之后得到日 周期部分預(yù)測結(jié)果。
[0154] 周周期和月周期部分的預(yù)測：
[0155] 分析知，對風(fēng)電信號而言，周周期和月周期部分是不存在的，都為零。因此直接去 除周周期和月周期部分分解后的數(shù)據(jù)分量，無須預(yù)測。
[0156] 低頻部分的預(yù)測：
[0157] 分解后得到的低頻部分是反映負(fù)荷中變化緩慢的信號，其為光滑的曲線。本實施 例中，采用線性回歸分析法預(yù)測，其預(yù)測精度即可滿足要求。具體做法為即根據(jù)已知兩點的 線性關(guān)系預(yù)測下一點的值，令^為第一已知點，^為第二已知點，y為需要預(yù)測的點，根據(jù) 本實施例中采樣數(shù)據(jù)的頻域分解的結(jié)果對該部分進(jìn)行擬合，可得具體公式為
[0158] y = Sx2-X1 (22)
[0159] 線性分析后得到低頻部分的預(yù)測結(jié)果。
[0160] 高頻分量的預(yù)測：
[0161] 由步驟（2)中得到的高頻部分噪聲多，相對原始序列較平緩，無明顯規(guī)律，但是 相對原始負(fù)荷序列變化平緩，峰谷差減小，降低了訓(xùn)練和預(yù)測的難度。利用提升小波去除數(shù) 據(jù)序列中噪聲的特性提高高頻部分的預(yù)測精度。此外，分解后的高頻部分和日周期部分具 有相同的特征：波動性大，規(guī)律不明顯，因此采用與日周期部分相同的預(yù)測方法，即進(jìn)行三 層提升小波分解，然后對分解信號采用LSSVM模型進(jìn)行訓(xùn)練和預(yù)測，得到高頻部分的預(yù)測 結(jié)果，具體參見日周期部分的預(yù)測方法。
[0162] 步驟S204 :將各部分的預(yù)測結(jié)果疊加作為最終的預(yù)測結(jié)果。最終的預(yù)測結(jié)果可準(zhǔn) 確地預(yù)測出T/2天的風(fēng)力發(fā)電負(fù)荷。
[0163] 在另一優(yōu)選實施例中，步驟S201中，是采用周對齊方法，剔除原數(shù)據(jù)中的錯誤數(shù) 據(jù)，并填補(bǔ)缺失的數(shù)據(jù)。其中，周對齊方法具體包括：a、首先考慮氣象因素、日期差距、星期 類型等不同因素對數(shù)據(jù)的影響，建立相似度的計算法則，并在此基礎(chǔ)上進(jìn)行合理的相似周 的選??；b、比較兩個相似周，繪制周負(fù)荷曲線，找到錯誤或異變的數(shù)據(jù)，并進(jìn)行剔除；c、根 據(jù)相似度排列相似周，選取相似度大于80 %的相似周的數(shù)據(jù)進(jìn)行取平均值處理，得到的數(shù) 據(jù)用于填補(bǔ)待處理周的缺失數(shù)據(jù)。
[0164] 此外，在該優(yōu)選實施例中，對日周期部分的數(shù)據(jù)分量進(jìn)行三層基于閥值去噪的提 升小波（提升小波-LWT)分解。該優(yōu)選實施例中首先選擇db6小波對信號進(jìn)行3層小波包 分解得到分解信號，基于閥值去噪的小波分解具體過程的分裂、預(yù)測和更新操作完成后，執(zhí) 行以下過程：
[0165] 將由軟、硬閥值法得到的軟、硬閾值通過加權(quán)平均相結(jié)合的數(shù)據(jù)處理，得到新的閥 值函數(shù)，并在該新的閾值函數(shù)中對高頻的小波系數(shù)用一個適當(dāng)?shù)拈撝郸诉M(jìn)行量化，得出估 計小波系數(shù)rA,, A。
[0166] 其中，設(shè)加權(quán)因子為0. 5,則可構(gòu)造如下新的閥值函數(shù)：
[0168] 其中，λ為所設(shè)閥值，Wj k為小波系數(shù)。
[0169] 取大于閥值的部分高頻信號和低頻信號分別進(jìn)行預(yù)測，可更加充分的利用原始數(shù) 據(jù)的細(xì)節(jié)信息；同時舍棄小于閥值的高頻信號，即起到了去噪的作用，又提高了預(yù)測的速 度。最后，建立LSSVM(LSSVM-最小二乘支持向量機(jī)）數(shù)學(xué)模型，并進(jìn)行訓(xùn)練和預(yù)測。
[0170] 執(zhí)行上述操作后續(xù)的預(yù)測過程同上述實施例。
[0171] 在頻域分解的基礎(chǔ)上建立的基于提升小波和最小二乘支持向量機(jī)的數(shù)學(xué)模型可 以有效把握風(fēng)電的變化特征，提高預(yù)測精度。提升小波可以使比較嘈雜的波形變得平緩，三 層提升小波在風(fēng)電負(fù)荷預(yù)測中的運用可以更好地提高預(yù)測方法在峰谷處的跟蹤預(yù)測效果。 通過閥值去噪，取大于閥值的部分高頻信號和低頻信號分別進(jìn)行預(yù)測，可更加充分的利用 原始數(shù)據(jù)的細(xì)節(jié)信息；同時舍棄小于閥值的高頻信號，即起到了去噪的作用，又提高了預(yù)測 的速度。最小二乘支持向量機(jī)方法是在傳統(tǒng)支持向量機(jī)基礎(chǔ)上的改進(jìn)算法，采用了最小二 乘線性系統(tǒng)作為損失函數(shù)，降低了計算的復(fù)雜度，加快了計算的速度。本發(fā)明方法不但提高 了預(yù)測精度，而且提高了預(yù)測速度。
[0172] 本發(fā)明方法對應(yīng)的步驟可以在計算機(jī)系統(tǒng)中進(jìn)行執(zhí)行，本發(fā)明的裝置可通過通用 計算裝置實現(xiàn)，其實現(xiàn)形式可根據(jù)實際情況靈活選擇，如可用可執(zhí)行的程序代碼實現(xiàn)。本發(fā) 明不限制于任何特定的硬件和軟件的結(jié)合。
[0173] 以上所述，僅為本發(fā)明的【具體實施方式】，但本發(fā)明的保護(hù)范圍并不局限于此，任何 本領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，對本發(fā)明所做的變形或替換，都應(yīng)涵蓋在 本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)以所述的權(quán)利要求的保護(hù)范圍為準(zhǔn)。
【主權(quán)項】
1. 一種基于頻域分解的風(fēng)力發(fā)電短期負(fù)荷預(yù)測方法，其特征在于，包括W下步驟： (1) 獲取若干天的風(fēng)力發(fā)電負(fù)荷數(shù)據(jù)作為原始數(shù)據(jù)，對原始數(shù)據(jù)進(jìn)