一种多预测模型串联校正并联耦合的可再生能源出力预测计算方法技术

本发明专利技术属于电力系统可再生能源出力预测领域，具体涉及一种多预测模型串联校正并联耦合的可再生能源出力预测计算方法，进行可再生能源预测时候，现有的预测技术预测精度不能满足工程的实际需要，提出了基于经验模式分解的无迹卡尔曼滤波校正预测方法，该方法通过对多个预测模型的预测结果进行经验模式分解(Empirical Mode Decomposition，EMD)，得到多组平稳的时间序列，然后采用无迹卡尔曼滤波(Unscented Kalman Filter，UKF)法进行更新校正，最后将校正结果通过最小二乘法并联耦合，通过给各个模型赋权重，来放大某个模型的优点，减少该模型的自身缺点对预测精度的影响，然后将多个模型的优点组合起来从而得到高精度的风电预测结果。

【技术实现步骤摘要】
一种多预测模型串联校正并联耦合的可再生能源出力预测计算方法
本专利技术涉及一种电力系统可再能源出力预测计算方法，特别是关于一种多预测模型串联校正并联耦合的可再生能源出力预测计算方法。
技术介绍
努力提高能源利用效率、改善能源利用结构、降低对化石能源的依赖程度，现已成为全世界各个国家的能源发展趋势。近年来，风电的普及率大幅度提高，预计未来还将持续增长，美国能源部就曾描述到2030年风力发电可以产生20％国家电力的情景，因此，一些国外电力系统运营商认为可再生能源比其他常规发电源具有更高的优先级。但出力具有间歇特性的风能和太阳能被大规模利用，一方面给电力系统的稳定调度运行带来了诸多挑战；另一方面由于其本地消纳困难，可再生能源无法得到充分利用，造成了大量的能源浪费。为解决上述问题，众多学者从提高风力、光伏发电的理论预测精度进行研究并取得了丰硕的成果。王冬升、鲁宗相、乔颖等人专利技术一种区域风电短期功率的预测方法及预测装置(专利号201710295885.6)，但其通过对风电场进行聚类划分子区域，选取子区域中风电场作为代表，具有较大的主观性，从而使得预测结果不具有一般性，难以大规模应用。别朝红、刘诗雨、汪宁渤等人专利技术一种考虑分时段的非线性光伏出力预测方法(专利号201611063594.6)，但其对非平稳时间序列进行分段，得到多段平稳的序列，计算量较大，对于短期、长中期及长期的预测并不适用，不能很好的运用于工程实际当中。李扬、吴奇珂、宋天立等人专利技术一种风电出力区间组合预测方法，但其综合风速变化比率、预测值变化率、实际功率等风电出力的不同参数，并从中选取最优的预测区间，实际工程中难以得到以上多种风电参数，操作难度大，且具有一定的局限性。总体而言，目前对不同可再生能源出力预测的研究较少，且都不能大规模适用，难以对不同时间尺度的出力记性预测，故探索一种多预测模型串联校正并联耦合的可再生能源出力预测计算方法具有一定实际应用价值。
技术实现思路
针对上述内容，本专利技术的目的是提供一种以基于经验模式分解的无迹卡尔曼滤波校正方法的可再生能源出力预测计算方法，实现对可再生能源出力的高精度预测，不仅适用于短期预测，也适用于长期、中长期及超短期预测，同时本专利技术所述的预测计算方法对其他具有随机性和波动性的新能源也同样适用，例如风电、光伏和水电等。为实现上述目的，本专利技术采取以下技术方案：一种多预测模型串联校正并联耦合的可再生能源出力预测计算方法，其包括以下步骤：1)采用多种基本预测模型对可再生能源进行出力预测；2)对基本预测模型所得非线性非平稳的预测结果采用经验模式分解得到多组平稳的时间序列；3)所得多组平稳时间序列作为输入，采用无迹卡尔曼滤波进行更新校正，将更新校正结果串联相加得到校正值；4)运用最小二乘法对所得多个预测模型的校正值进行并联耦合，得到最终的可再生能源出力预测值。所述步骤1)采用多种基本预测模型对可再生能源出力进行预测，其基本预测模型可以是自回归求和滑动平均模型(AutoRegressiveIntegratedMovingAverage，ARIMA)、BP神经网络模型、支持向量机(SupportVectorMachine，SVM)模型和灰色模型等具有预测功能的模型。所述步骤2)本征模态函数IMF包含以下两方面特征：(1)在整个信号上，极值点的个数和过零点的个数相差不大于1；(2)在任意点处，上、下包络线(上、下包络线分别由源数据的极大值和极小值组成)的均值为0。所述步骤2)对基本预测模型所得非线性非平稳的预测结果采用经验模式分解得到多组平稳的时间序列，其包括以下步骤：(1)找到原时间序列y(t)的所有极大值点，通过三次样条函数拟合出极大值包络线e+(t)；同理，找到原时间序列y(t)的所有极小值点，通过三次样条函数拟合出信号的极小值包络线e-(t)。上下包络线的均值作为原信号的均值包络m1(t)：(2)将原时间序列减去m1(t)就得到一个去掉低频的新信号得到：一般不是一个平稳的时间序列，不满足本征模态函数的定义的两个条件，重复上述过程，假定经过k次之后满足本征模态函数的定义，则原时间序列y(t)的一阶本征模态函数分量为：(3)用原时间序列y(t)减去c1(t)，得到一个去掉高频成分的新序列r1(t)，则：r1(t)＝y(t)-c1(t)(4)对r1(t)重复得到c1(t)的过程，得到第二个本征模态函数分量c2(t)，如此反复进行，一直到第n阶本征模态函数分量cn(t)或其余rn(t)小于预设值；或当残余分量rn(t)是单调函数或常量时，经验模式分解过程停止。(5)y(t)经过经验模式分解得到：式中rn(t)为趋势项，代表序列的平均趋势或均值。y(t)经过经验模式分解后得到了n各频率从高到低的本征模态函数IMF。所述步骤3)将所得多组平稳时间序列作为输入，采用无迹卡尔曼滤波进行更新校正，将更新校正结果串联相加得到校正值，其包括以下步骤：设随机变量X具有高斯白噪声W(k)，观测变量Z具有高斯白噪声V(k)，f为非线性状态方程函数，h为非线性观测方程函数。(1)计算2n+1个Sigma点，即采样点；式中，表示矩阵方根的第i列。(2)计算采样点相应的权值；式中，m为均值；c为协方差；参数λ＝α2(n+κ)-n是一个缩放比例参数；α的选取控制了采样点的分布状态；κ为待选参数，其具体取值虽没有界限，但通常应确保(n+λ)P矩阵为半正定矩阵；待选参数β≥0为非负的权系数。(3)计算2n+1个Sigma点集的一步预测；X(i)(k+1|k)＝f[k，X(i)(k|k)]i＝1，2，...，2n+1(4)计算系统状态量的一步预测及协方差矩阵，它有Simga点集的预测值加权求和得到；(5)根据一步预测值，再次使用无迹变换重复步骤(1)和(2)，产生新的Sigma点集；(6)将由步骤(5)预测的Sigma点集代入观测方程，得到预测的观测量；Z(i)(k+1|k)＝h[X(i)(k+1|K)]i＝1，2，...，2n+1(7)由步骤(6)得到Sigma点集的观测预测值，通过加权求和得到系统预测的均值及协方差；(8)计算Kalman增益矩阵；(9)计算系统的状态更新和协方差更新，即更新校正结果。所述步骤4)运用最小二乘法对所得多个预测模型的校正值进行并联耦合，其包括以下步骤：以基本自回归求和滑动平均模型(ARIMA)、BP神经网络模型、支持向量机模型(SVM)为例，设某一段采样点内风电出力的实际序列为：R＝(R1，R2，...，Rn)，n为序列长度。(1)计算各预测模型校正值与实际值之差为各模型的残差序列，表示如下：ARIMA模型：xt＝(x1，x2，...，xn)BP神经网络模型：yt＝(y1，y2，...，yn)SVM模型：zt＝(z1，z2，...，zn)设各模型的耦合权重系数分别为α、β、δ。(2)以并联耦合预测的方差期望最小为目标建立目标函数：引入拉格朗日乘子λ进行求解，解四元一次方程组即可求得各模型的权重系数值，进而得到最终的并联耦合结果。与现有的技术方案对比，本专利技术的有益效果为：本专利技术从多预测模型校正的视角，提出了一种多预测模型串联校正并联耦合的可再生能源出力预测计算方法；通过对可再生能源进行多模型预测，再进行更新校正，从而达到提本文档来自技高网...

【技术保护点】
1.一种多预测模型串联校正并联耦合的可再生能源出力预测计算方法，其特征在于，所述方法包括如下步骤：步骤(1)采用多种基本预测模型对可再生能源进行出力预测；步骤(2)对基本预测模型所得非线性非平稳的预测结果采用经验模式分解得到多组平稳的时间序列；步骤(3)所得多组平稳时间序列作为输入，采用无迹卡尔曼滤波进行更新校正，将更新校正结果串联相加得到校正值；步骤(4)运用最小二乘法对所得多个预测模型的校正值进行并联耦合，得到最终的可再生能源出力预测值。

【技术特征摘要】
1.一种多预测模型串联校正并联耦合的可再生能源出力预测计算方法，其特征在于，所述方法包括如下步骤：步骤(1)采用多种基本预测模型对可再生能源进行出力预测；步骤(2)对基本预测模型所得非线性非平稳的预测结果采用经验模式分解得到多组平稳的时间序列；步骤(3)所得多组平稳时间序列作为输入，采用无迹卡尔曼滤波进行更新校正，将更新校正结果串联相加得到校正值；步骤(4)运用最小二乘法对所得多个预测模型的校正值进行并联耦合，得到最终的可再生能源出力预测值。2.根据权利要求1所述的方法，其特征在于，步骤(1)采用多种基本预测模型对可再生能源出力进行预测，其基本预测模型可以是自回归求和滑动平均模型(AutoRegressiveIntegratedMovingAverage，ARIMA)、BP神经网络模型、支持向量机(SupportVectorMachine，SVM)模型和灰色模型等具有预测功能的模型。3.根据权利要求1所述的方法，其特征在于，步骤(2)本征模态函数IMF包含以下两方面特征：1)在整个信号上，极值点的个数和过零点的个数相差不大于1；2)在任意点处，上、下包络线(上、下包络线分别由源数据的极大值和极小值组成)的均值为0。4.根据权利要求1所述的方法，其特征在于，步骤(2)对基本预测模型所得非线性非平稳的预测结果采用经验模式分解得到多组平稳的时间序列，其包括以下步骤：1)找到原时间序列y(t)的所有极大值点，通过三次样条函数拟合出极大值包络线e+(t)；同理，找到原时间序列y(t)的所有极小值点，通过三次样条函数拟合出信号的极小值包络线e-(t)。上下包络线的均值作为原信号的均值包络m1(t)：2)将原时间序列减去m1(t)就得到一个去掉低频的新信号得到：一般不是一个平稳的时间序列，不满足本征模态函数的定义的两个条件，重复上述过程，假定经过k次之后满足本征模态函数的定义，则原时间序列y(t)的一阶本征模态函数分量为：3)用原时间序列y(t)减去c1(t)，得到一个去掉高频成分的新序列r1(t)，则：r1(t)＝y(t)-c1(t)4)对r1(t)重复得到c1(t)的过程，得到第二个本征模态函数分量c2(t)，如此反复进行，一直到第n阶本征模态函数分量cn(t)或其余rn(t)小于预设值；或当残余分量rn(t)是单调函数或常量时，经验模式分解过程停止。5)...

【专利技术属性】
技术研发人员：赵书强，方宇晨，李志伟，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：河北,13