改进的ＥＭＤ及其在风电功率预测中的应用

2012年03月20日14:28:43 本网站我要评论(2)字号：T | T | T

王　鹏，陈国初，徐余法，俞金寿
上海电机学院电气学院，上海

华东理工大学信息科学与工程学院，上海

摘　　　要：针对非平稳信号在经验模态分解（ＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＭＤ）过程中包络拟合时出现的过冲／欠冲问题，提出采用分段三次Ｈｅｒｍｉｔｅ插值代替三次样条插值作为新的包络拟合算法。针对神经网络对非平稳性功率序列预测困难问题，采用ＥＭＤ和神经网络相结合的方法对发电功率进行预测。使用改进的ＥＭＤ对功率序列进行分解，降低序列的非平稳性，然后使用神经网络对各分量进行预测，较后通过叠加得到预测结果。利用该方法对东北某风电场进行功率预测，仿真结果表明，与其他方法相比，基于改进的ＥＭＤＡＮＮ方法具有较高的预测精度。

关　键　词：经验模态分解；Ｈｅｒｍｉｔｅ插值；人工神经网络；风电功率；预测

１　引　言
风力发电在可再生能源利用技术中较为成熟。近几年来，我国的风电事业表现出强劲的发展态势。截止２００９年底，我国风电装机总容量达到了２５８０万ｋＷ，同比增长１２４％。风电功率预测是确保电网平衡风电波动和经济运行的重要技术保障，短期预测有利于电力调度部门提前根据风电功率变化及时调整调度计划，保证电能质量，减少系统的备用容量，降低电力系统运行成本。目前，风电场的短期功率预测常用方法有随机时间序列法［１］、人工神经网络法［２３］、卡尔曼滤波法［４］、空间相关性法［５］及其他算法。由于风速具有随机性和不稳定性，以及数据采集点的数量、气压、气温、湿度等因素干扰，使得功率预测问题比较复杂，往往预测精度不高，效果并不理想。目前国内研究存在以下不足：多数研究集中在风速的预测上，功率预测很少；预测方法单一；负荷端预测比发电端预测研究的多，但预测难易度正好相反。风速和功率序列具有非线性，非平稳性，单纯的神经网络（ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＡＮＮ）可以对非线性进行很好的预测，但是对非平稳性难以处理。经验模态分解（ＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＭＤ）是希尔伯特黄变换（ＨｉｌｂｅｒｔＨｕａｎｇＴｒａｎｓｆｏｒｍａｔｉｏｎ，ＨＨＴ）中的一种信号分解方法，能够对非线性，非平稳数据进行线性化，平稳性处理［６］，这就从根本上弥补了神经网络预测的缺陷，但ＥＭＤ中的包络过冲／欠冲问题，模态混叠问题以及端点漂移问题至今没有有效解决。针对非线性，非平稳信号包络的过冲／欠冲及端点漂移问题，本文提出了分段３次Ｈｅｒｍｉｔｅ多项式插值方法，通过测试表明了优越性，然后提出了将改进的ＥＭＤ和ＡＮＮ相结合的预测方法，应用于东北某风电场的功率预测，仿真测试结果表明，该方法具有较高的预测精度和适应性。

登录网站后可下载文件

改进的ＥＭＤ及其在风电功率预测中的应用

相关阅读: