1.一种风电场功率预测方法,其特征在于,包括以下步骤:获取预测日信息;所述预测日信息包括预测日日期;
根据预测日的日期确定预测日的季节,根据预测日季节和风速进行相似日提取,获得相似日资料;所述相似日资料包括相似日风速数据;
根据相似日资料,进行基于相似日的风速预测,获得预测日风速数据;
根据所述相似日资料和预测日风速数据,进行风电场功率预测,获得风电场的功率;
根据预测日季节和风速进行相似日提取的方法包括:获取风电场的历史风速数据,并将所述历史风速数据根据季节整理为四个季节风速集合;
将所述季节风速集合分别通过Weka平台进行K-means聚类,选取不同聚类数K对应的误差平方和作为聚类数评价标准;
绘制相应的手肘图得到最适合的聚类数K,用不同颜色标记区分不同的聚类数K形成的簇并且对应到相似日天数;
根据预测日的季节选取预测日所在的簇进行相似日进行皮尔逊系数相似日二次提取,获得簇内具有强相关系数的相似日;
进行K-means聚类的方法包括如下步骤:确定其目标函数为最小化平方误差E,表达式如下式所示:其中μi是均值向量,表达式如下式所示:
式中,μi是簇Ci的聚类中心(即质心),也是均值向量;
根据相似日资料,进行基于相似日的风速预测,获得预测日风速数据的方法包括:获取相似日的原始风速序列;
运用自适应白噪声的完整经验模态分解对相似日的原始风速序列一次分解,获得一次分解风速序列;
运用经验模态分解对一次分解风速序列的二次分解,获得二次分解风速序列;
根据经验模态分解法和回声状态网络预测算法处理所述二次分解风速序列,获得预测日风速数据;
运用自适应白噪声的完整经验模态分解对相似日的原始风速序列一次分解的方法包括:向信号序列x(t)添加K次白噪声,构造K次待分解序列xi(t)(i=1,2,…,K),表达式如下式所示:xi(t)=x(t)+εδi(t) (3)式中,ε为白噪声权值系数,δi(t)为第i次处理产生的白噪声;
对上述待分解序列xi(t)(i=1,2,…,K)进行K次经验模态分解,取求解后所有第一个模态分量的平均值IMF1(t)作为CEEMDAN分解的第一个模态分量,表达式如下式所示:式中,为xi(t)经过经验模态分解后得到的第一个模态分量;
对信号序列x(t)的余量信号进行求解,表达式如下式所示:r1(t)=x(t)-IMF1(t) (5)r1(t)表示第一次CEEMDAN分解后的余量信号;
将分解后得到的第j阶段余量信号添加特定噪声后,继续进行EMD分解;IMFj表达式如下式所示:rj(t)=rj-1(t)-IMFj(t) (7)式中,IMFj(t)为CEEMDAN分解得到的第j个IMF;Ej-1(·)表示序列进行EMD分解后的第j-1个IMF分量,εj-1表示CEEMDAN对第j-1阶段余量信号加入噪声的权值系数;rj(t)表示第j阶段余量信号;
若分解达到一定次数时,余量信号呈单调,则满足了分解停止条件,算法结束;
运用经验模态分解对一次分解风速序列的二次分解,获得二次分解风速序列的方法包括:步骤a:初始化λ1和最大迭代次数N;
步骤b:更新和ωk;ωk和λ的表达式如下式所示:步骤c:若满足则完成迭代,输出最终的和ωk,若不满足,则重复步骤a-b直至满足根据经验模态分解法和回声状态网络预测算法处理所述二次分解风速序列,获得预测日风速数据的方法包括:对二次分解风速序列利用经验模态分解法EMD进行分解,获得模态分量;
用回声状态网络ESN预测所有模态分量的预测值,将预测值相加,得到预测日风速数据的预测结果;
对二次分解风速序列利用经验模态分解法EMD进行分解,获得模态分量的方法包括:步骤A:寻找二次分解风速序列的全部极值点,通过三次样条曲线法将局部极大值点连接为上包络线,通过三次样条曲线法将局部极小值点连接为下包络线;
步骤B:分别求得各相似日的原始风速序列的上、下包络线平均值曲线,并用原始信号减去平均值曲线得到疑似IMF曲线;
步骤C:判断疑似IMF曲线是否满足IMF的条件,若满足,则将该曲线作为IMF分量,若不满足IMF曲线,则将该曲线作为原始数据集,重复步骤A-B,直至符合IMF分量,得到IMF信号;
步骤D:令原始信号减去IMF信号为新原始信号,若新原始信号为单调函数,则结束,若新原始信号不是单调函数,则重复步骤A-B;
用回声状态网络ESN预测所有模态分量的预测值的方法包括:确定储备池大小,缩放矩阵,使谱半径小于1,随机生成输入连接和输出反馈权值;
样本依次加载到输入输出,更新状态记录储备池状态,使用线性回归确定输出连接权值;
输入向量加载到输入节点上空转,从输出节点取得预测值。
2.根据权利要求1所述的风电场功率预测方法,其特征在于,所述相似日资料包括相似日风速数据和风电场功率数据;
根据所述相似日资料和预测日风速数据,进行风电场功率预测的方法包括:对相似日风速数据和风电场功率数据进行数据预处理和数据标准化;
使用相似日风速数据和风电场功率数据训练GA-BP神经网络,获取训练结束的GA-BP神经网络;
对预测日风速数据进行数据预处理和数据标准化;
将处理后的预测日风速数据输入已经训练好的GA-BP神经网络,获得风电场功率预测数据;
对风电场功率预测数据进行数据反归一化处理,获得模型预测结果,即预测日的一天24小时内每15分钟时刻的风电功率。
3.一种用于执行如权利要求1-2任一项所述方法的风电场功率预测装置,其特征在于,包括:获取模块:用于获取预测日信息;所述预测日信息包括预测日日期;
相似日提取模块:用于根据预测日的日期确定预测日的季节,根据预测日季节和风速进行相似日提取,获得相似日资料;所述相似日资料包括相似日风速数据;
风速预测模块:用于根据相似日资料,进行基于相似日的风速预测,获得预测日风速数据;
功率预测模块:用于根据所述相似日资料和预测日风速数据,进行风电场功率预测,获得风电场的功率。