基于變分模態(tài)分解和相關(guān)向量機(jī)的風(fēng)功率區(qū)間短期預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于新能源發(fā)電和智能電網(wǎng)的技術(shù)領(lǐng)域，設(shè)及一種基于變分模態(tài)分解和相 關(guān)向量機(jī)的風(fēng)功率區(qū)間短期預(yù)測(cè)方法。
【背景技術(shù)】
[0002] 在化石能源緊缺和環(huán)境問(wèn)題嚴(yán)峻的今天，開(kāi)發(fā)利用清潔無(wú)污染的可再生能源已成 共識(shí)。其中風(fēng)力發(fā)電因其清潔無(wú)污染、儲(chǔ)量豐富、可循環(huán)利用受到越來(lái)越多的重視與關(guān)注。 由于自然風(fēng)存在一定的隨機(jī)性與波動(dòng)性，當(dāng)風(fēng)電大規(guī)模接入電網(wǎng)時(shí)，電網(wǎng)的供需平衡與安 全穩(wěn)定運(yùn)行在風(fēng)機(jī)發(fā)生較大的功率波動(dòng)時(shí)會(huì)造成巨大影響。因此準(zhǔn)確的風(fēng)功率預(yù)測(cè)是合理 制定發(fā)電計(jì)劃與安排系統(tǒng)備用的前提，是提高風(fēng)電在電網(wǎng)的比重的關(guān)鍵。
[000引與傳統(tǒng)確定性點(diǎn)預(yù)測(cè)的方法相比較，目前區(qū)間預(yù)測(cè)仍處于起步階段?，F(xiàn)有的區(qū)間 預(yù)測(cè)方法大概可W歸為一下幾類(lèi)：①基于Bootstrap重抽樣法、②分位點(diǎn)法、③區(qū)間構(gòu)造 法、④概率預(yù)測(cè)法。其中采用Bootstrap重抽樣法構(gòu)造樣本，需要大量處理數(shù)據(jù)，耗時(shí)較長(zhǎng)； 分位點(diǎn)法通過(guò)估計(jì)累計(jì)概率函數(shù)的分位數(shù)提供預(yù)測(cè)對(duì)象的概率信息，雖無(wú)需事先確定分布 假設(shè)，但需要預(yù)先確定回歸模型和分位點(diǎn)，模型計(jì)算量大；區(qū)間構(gòu)造法通常先W某種點(diǎn)預(yù)測(cè) 方法為基礎(chǔ)，再通過(guò)誤差分析等方法構(gòu)造比例系數(shù)從而獲得短期負(fù)荷的區(qū)間，但是其最優(yōu) 系數(shù)的獲取不易；概率預(yù)測(cè)法多基于貝葉斯理論，其結(jié)果具有概率意義，可得出預(yù)測(cè)量的期 望值及其分布特性，因而可W直接得出任意置信水平下的區(qū)間預(yù)測(cè)結(jié)果，但是有時(shí)也存在 預(yù)測(cè)區(qū)間過(guò)大的問(wèn)題。
[0004] 考慮實(shí)際風(fēng)功率的隨機(jī)性與波動(dòng)性，直接對(duì)原始風(fēng)功率序列進(jìn)行預(yù)測(cè)的誤差較 大。目前流行的改進(jìn)方法是通過(guò)對(duì)原始數(shù)據(jù)的分解，降低數(shù)據(jù)復(fù)雜度，其中比較典型的 方法有小波分析、經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition, EMD)、局域均值分解 (Xocal Mean Decomposition, LMD)等。相比 EMD 和 LMD，變分模態(tài)分解（Variational Mode Decomposition, VMD)是一種新的信號(hào)分解估計(jì)方法，具有更好的噪聲魯棒性W及較準(zhǔn)確的 模態(tài)分離效果。
[000引 在點(diǎn)預(yù)測(cè)方法中，常采用W人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks, ANN)為 代表的智能算法和W支持向量機(jī)（Suppcxrt Vector Machines, SVM)為代表的機(jī)器學(xué)習(xí)方法 進(jìn)行風(fēng)功率的預(yù)測(cè)。但是MN方法在訓(xùn)練中容易導(dǎo)致學(xué)習(xí)不足或過(guò)擬合的問(wèn)題；SVM等機(jī) 器學(xué)習(xí)算法雖有效避免了陷入局部最小的風(fēng)險(xiǎn)，能實(shí)現(xiàn)較為精確的預(yù)測(cè)，但是仍存在W下 不足：①核函數(shù)必須滿(mǎn)足Mercer條件，可選核函數(shù)較少；②只能實(shí)現(xiàn)點(diǎn)預(yù)測(cè)，無(wú)法描述數(shù)據(jù) 的不確定信息；③參數(shù)較多，且支持向量隨著訓(xùn)練樣本的增加而線性增長(zhǎng)，計(jì)算量較大。 [0006] 為了克服上述缺點(diǎn)，Michael E. Tipping提出了一種基于貝葉斯理論、邊緣似然理 論的概率學(xué)習(xí)方法-相關(guān)向量機(jī)巧elevance Vector Machines, RVM)。RVM不僅很好的保 留了 SVM出色的預(yù)測(cè)能力，具有模型高度稀疏、待優(yōu)化核參數(shù)少、核函數(shù)選擇靈活、模型泛 化能力強(qiáng)的優(yōu)點(diǎn)，還改善了 ANN、SVM的不足之處，能直接實(shí)現(xiàn)區(qū)間的預(yù)測(cè)。目前該方法已應(yīng) 用于負(fù)荷預(yù)測(cè)、故障分類(lèi)、模式識(shí)別等領(lǐng)域，但運(yùn)用于風(fēng)功率區(qū)間預(yù)測(cè)的幾乎沒(méi)有。
[0007] 因此，亟待解決上述問(wèn)題。

【發(fā)明內(nèi)容】

[0008]發(fā)明目的：本發(fā)明提供一種具有較高的預(yù)測(cè)精度與較窄的區(qū)間寬度，區(qū)間預(yù)測(cè)效 果較為理想的基于變分模態(tài)分解和相關(guān)向量機(jī)的風(fēng)功率區(qū)間短期預(yù)測(cè)方法。
[0009] 技術(shù)方案：本發(fā)明公開(kāi)了一種基于變分模態(tài)分解和相關(guān)向量機(jī)的風(fēng)功率區(qū)間短期 預(yù)測(cè)方法，其特征在于，包括W下步驟：
[0010] 步驟1:采用變分模態(tài)分解算法對(duì)原始的風(fēng)功率序列進(jìn)行分解，獲得多個(gè)具有不 同中屯、的分量；
[0011] 步驟2 :按照W風(fēng)功率待預(yù)測(cè)時(shí)刻前5個(gè)點(diǎn)的數(shù)據(jù)作為訓(xùn)練樣本輸入的原則對(duì)各 分量數(shù)據(jù)進(jìn)行處理，構(gòu)造出訓(xùn)練樣本與預(yù)測(cè)樣本并歸一化；
[0012] 步驟3 :對(duì)相關(guān)向量機(jī)預(yù)測(cè)模型的參數(shù)采用網(wǎng)格捜索進(jìn)行優(yōu)化，得到最優(yōu)化的核 函數(shù)寬度和混合核系數(shù)權(quán)重，設(shè)定相關(guān)向量機(jī)預(yù)測(cè)模型的迭代初值；
[0013] 步驟4 :求解核函數(shù)，得到各分量的預(yù)測(cè)值和方差。
[0014] 步驟5:將各分量的預(yù)測(cè)值進(jìn)行疊加，得到一定置信度下的風(fēng)功率的預(yù)測(cè)區(qū)間。
[0015] 所述步驟1具體包括變分問(wèn)題構(gòu)造和變分問(wèn)題求解兩個(gè)子步驟：
[0016] 其中變分問(wèn)題構(gòu)造的具體方法為：
[0017] 步驟1. 11:對(duì)于輸入信號(hào)f，通過(guò)希伯特變換，得到每個(gè)模態(tài)函數(shù)Uk(t)的解析信 號(hào)，并最終獲得其單邊頻譜
其中，t表示第t時(shí)刻，k表示第k個(gè)模態(tài)，j表示 虛數(shù)單位，5 (t)表示第k個(gè)模態(tài)在第t時(shí)刻的中屯、頻率；
[0018] 步驟1. 12:將每個(gè)模態(tài)的頻譜W各模態(tài)解析信號(hào)的混合-預(yù)估中屯、頻率C-W為基 準(zhǔn)調(diào)制到相應(yīng)基頻帶
，其中表示第k個(gè)模態(tài)的角頻率；
[0019] 步驟1. 13 :將計(jì)算W上解調(diào)信號(hào)梯度的平方1/范數(shù)，估計(jì)出各模態(tài)信號(hào)帶寬，受 約束的變分問(wèn)題構(gòu)造如下：
[002U 其中，IuJ = {叫，...，％};{? J = WkK 3,表示對(duì) t 求偏導(dǎo)數(shù)，f 表示 輸入信號(hào)；
[0022] 其中變分問(wèn)題求解的具體步驟為：
[0023] 步驟1.21:引入二次懲罰因子a和拉格朗日乘法算子A (t)，將約束性變分問(wèn)題 變?yōu)榉羌s束性變分問(wèn)題；
[0024] 其中a保證信號(hào)的重構(gòu)精度；A (t)保持約束條件嚴(yán)格性；擴(kuò)展的拉格朗日表達(dá) 式為：
[002引步驟1. 22 :初始化參數(shù)咕，：秘:}，務(wù)和n ;
[0027]其中，IuJ =扣，…，Uj表示k個(gè)模態(tài)函數(shù)； '啡表示運(yùn)k個(gè)模態(tài)函數(shù)的初值； {? J = 1>1，...，《 J表示k個(gè)中屯、頻率；:私夢(mèng)表示運(yùn)k個(gè)中屯、頻率的初值；務(wù)是拉格朗日 乘法算子的初值；n為迭代的次數(shù)。
[002引步驟1. 23 :采用了交替乘子方向法解決W上變分問(wèn)題，通過(guò)交替更新V"，cV" W及A""尋求擴(kuò)展拉格朗日表達(dá)式的'鞍點(diǎn)'；
[002引其中，Uk和《 k分別由公式
進(jìn)行 更新；人采用去"1的;以:"(歷化。1皆-1(卸]實(shí)現(xiàn)更新。
[0030]步驟1. 24:對(duì)于給定判別精度e〉0,若
則停止迭代，獲得一個(gè) 分量Ui;
[003。步驟1. 25:，重復(fù)步驟1. 23和1. 24,求解其他分量U2、Us……U。。
[0032] 其中，所述W風(fēng)功率待預(yù)測(cè)時(shí)刻前5個(gè)點(diǎn)的數(shù)據(jù)作為訓(xùn)練樣本輸入的原則對(duì)各分 量數(shù)據(jù)進(jìn)行處理，構(gòu)造出訓(xùn)練樣本與預(yù)測(cè)樣本并歸一化；其具體包括：
[003引訓(xùn)練樣本的輸入向量為 X。= [L(i-l)，L(i-2)，L(i-3)，L(i-4)，L(i-5)]，i > 5，n =1，…，M，輸出向量為y。= L(i)。
[0034] 其中，X。表不第n個(gè)輸入向量；y。表不第n個(gè)輸入向量對(duì)應(yīng)的輸出；L(i)表不待預(yù) 測(cè)風(fēng)功率在第i時(shí)刻的數(shù)據(jù)；L (i-1)表示待預(yù)測(cè)風(fēng)功率前1時(shí)刻的數(shù)據(jù)；L (i-2)表示待預(yù) 測(cè)風(fēng)功率前2時(shí)刻的數(shù)據(jù)；L(i-3)表示待預(yù)測(cè)風(fēng)功率前3時(shí)刻的數(shù)據(jù)；L(i-4)表示待預(yù)測(cè) 風(fēng)功率前4時(shí)刻的數(shù)據(jù)；L(i-5)表示待預(yù)測(cè)風(fēng)功率前5時(shí)刻的數(shù)據(jù)。
[0035] 其中，所述步驟3的具體方法為：
[0036] 步驟3. 1:設(shè)定RVM模型的核寬O和核函數(shù)系數(shù)k，并將其進(jìn)行網(wǎng)格化，設(shè)定最大迭 代次數(shù)；
[0037] 步驟3. 2:輸入歸一化后的訓(xùn)練樣本，W訓(xùn)練誤差（訓(xùn)練輸出與實(shí)際值的平均相對(duì) 誤差）最小為目標(biāo)，在迭代次數(shù)范圍內(nèi)在尋找使訓(xùn)練誤差最小時(shí)的最優(yōu)核寬O和核函數(shù)系 數(shù)k;
[0038] 所述訓(xùn)練誤差具體為：
[0040] 其中，etru。表示訓(xùn)練誤差；N表示訓(xùn)練樣本的個(gè)數(shù)；y表示模型訓(xùn)練輸出； Ytuithue表示訓(xùn)練樣本的實(shí)際值。
[0041] 優(yōu)選的，所述步驟4的具體方法包括：
[0042] 步驟4. 1:計(jì)算相關(guān)向量機(jī)模型的核函數(shù)、訓(xùn)練樣本后驗(yàn)分布的方差和后驗(yàn)分布 權(quán)重；
[0043]步驟4. 2:利用最大邊緣估計(jì)法計(jì)算超參數(shù)的先驗(yàn)分布最大化值；
[0044] 步驟4. 3 :檢驗(yàn)當(dāng)前迭代獲得的超參數(shù)是否滿(mǎn)足迭代要求，若滿(mǎn)足則此超參數(shù)為 相關(guān)向量機(jī)預(yù)測(cè)模型參數(shù)；否則更新超參數(shù)，直到滿(mǎn)足迭代要求或達(dá)到最大迭代次數(shù)，結(jié) 束。
[0045] 所述核函數(shù)計(jì)算公式具體為：
[0046] 模型的核函數(shù)采用的是局部和-高斯核和全局核-多項(xiàng)式核的組合，K(x，Xi)= kG (X，Xi) + (1-k) P (X，Xi)，G (X，Xi) = exp (-1 I X-Xi I 12/〇2)，P (X，Xi) = [ (X ? Xi) +1] 2
[0047] 其中，K(X，Xi)表示模型總體的核函數(shù)；G(X，Xi)表示高斯核；P(X，Xi)表示多項(xiàng)式 核；X表示相關(guān)向量；Xi表示歸一化后的輸入?yún)⒘?；O表示高斯核的核寬；k表示混合核的核 函數(shù)權(quán)重系數(shù)；
[0048