个MF计算均值作为最终结果。
[0059] 步骤3 :Elman神经网络结构的确定。
[0060] Elman神经网络的非线性状态空间表达式为：
[0061] y(k) =g(w3x(k)+b2) (7)
[0062] x(k) =f(wk。（k)+w2(u(k_l))+1^) (8)
[0063] xc(k) =x(k-l) (9)
[0064] 式中：k表示时亥I」，y，x，u，x。分别表示1维输出节点向量，m维隐含层节点单元向 量，n维输入向量和m维反馈状态向量。分别表示隐含层到输出层、输入层到隐含 层、承接层到隐含层的连接权值矩阵。Pi为隐含层神经元的传递函数，bJPb2分别为输入 层和隐含层的阈值。
[0065] 步骤3. 1 :风功率时间序列的相空间重构：
[0066] 对风功率时间序列{p(t)}，t= 1，2, 3…N，选择一个适当的嵌入维数m和延迟时 间t，可得到满足式（4)的新的状态空间，即重构的风功率时间序列相空间。
[0067] P(t) = {p(t),p(t+t),p(t+(m-l)t)} (10)
[0068] 其中：t= 1，2, 3…M，M=N-(m-l)t。
[0069] 步骤3.2:运用C-C方法求取相空间重构的延迟时间t和嵌入维数m。选取相空 间重构中的饱和嵌入维数m作为神经网络的输入节点数。
[0070] 步骤3. 3 :由于Elman神经网络的隐含层节点数对Elman神经网络预测精度有较 大的影响，运用训练误差最小的方法来选取最优节点数。
[0071] 其具体步骤如下：
[0072] 1)、利用相空间重构法将风功率序列重构，获取输入数据及其输入节点数m。
[0073] 2)、将待优化隐层节点个数的取值范围定为nG[2m-4, 2m+6]。
[0074] 3)、循环选取隐含层节点数对Elman神经网络进行训练，选取训练误差最小的节 点为最优节点。
[0075] 步骤4 :选取最优隐含层节点数进行预测。
[0076] 步骤5 :最后叠加各分量的预测结果得到最终预测数据。
[0077] 实施例：
[0078] 本发明以某风电场一号机组的实测风功率数据，该数据的采样周期为lOmin，机组 的额定功率为850kW。为研宄方便，选取停机时间点尽可能少数据段进行仿真分析，选取 360个连续功率数据点，前300个用于训练，后60个用于测试和分析。其功率曲线如图3所 不〇
[0079] 对于预测结果的精度和可靠性进行定量评价是预测效果分析的重要组成部分。常 用多种预测指标对预测结果进行评价，本文主要采用以下几种方法：
[0080] (1)均方误差（MSE)
[0082] (2)平均绝对百分比误差（MAPE)
[0084] (3)均方百分比误差（MSPE)
[0086] 式中：化为第i个预测点的实测值，Pi为第i个预测点的预测值，N为预测点的个 数。
[0087] 由图4可见，本文的预测值能紧跟实际值的变化趋势，具有较高的拟合精度，从而 验证了本文所提预测模型的有效性。
[0088] 为进一步对比研宄，本发明还利用单一的BP、Elman神经网络预测模型和 EMD-Elman预测模型进行风功率预测。其预测误差指标如表2所示。
[0089] 表2模型性能指标
[0091] 由表2可知，与其它各个预测模型的性能指标相比，本文所提模型精度更高，具有 一定的先进性。
[0092] EEMD将非平稳特性的风功率序列转化为一系列的子序列，再对具有一定规律的子 序列进行预测，降低了预测难度，因此相对于单一的预测方法本文组合预测模型预测精度 较高；EEMD利用噪声特性避免了EMD的混叠现象，利用EEMD进行分解，预测效果也会更好。
[0093] 本发明按照优选实施例进行了说明，但上述实施例不以任何形式限定本发明，凡 采用等同替换或等效变换的形式所获得的技术方案，均落在本发明技术方案的范围内。
【主权项】
1. 一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法，其 特征在于包括以下步骤： 步骤1 :数据的获取和归一化处理：采用前几个时刻的风速数据或数值天气预报信息 作为输入数据进行训练，用于预测下一时刻的风速，对得到的数据进行归一化处理：(1) 式中：是训练样本T中的某个数据归一化后的结果；Xmax和X min分别是训练样本T中 该组变量数据的最大值和最小值； 步骤2 :总体平均经验模态分解：将白噪声序列添加到原始序列中，然后对其进行多次 EMD分解，将分解得到的多组MF的均值作为其真实分量，从而避免了混沌重叠现象； 步骤3 :Elman神经网络结构的确定： Elman神经网络的非线性状态空间表达式为： y (k) = g (w3x (k) +b2) (2) x (k) = f (W1Xc (k) +w2 (u (k-1)) +b^ (3) xc (k) = x(k-l) (4) 式中：k表示时亥lj，y，x，u，x。分别表示I维输出节点向量，m维隐含层节点单元向量， η维输入向量和m维反馈状态向量，w3, w2, W1分别表示隐含层到输出层、输入层到隐含层、承 接层到隐含层的连接权值矩阵，Pi为隐含层神经元的传递函数，b JP b 2分别为输入层和隐 含层的阈值； 步骤4 :选取最优隐含层节点数进行预测； 步骤5 :最后叠加各分量的预测结果得到最终预测数据。2. 根据权利要求1所述一种基于总体平均经验模态分解与改进Elman神经网络的风功 率组合预测方法，其特征在于，步骤2中，EEMD具体步骤如下： 步骤2. 1 :初始化过程，初始化EMD执行次数M次，每次添加噪声的幅值为k ; 步骤2. 2 :向风功率时间序列X (t)添加正态分布白噪声n (t)，执行第m次EMD过程： 1)、找出序列x(t)的所有极小值与极大值，利用三次样条函数差值拟合其上下包络 线； 之从计算上下包络线的平均值!!^)，!^)="^-!!^); 3) 、判断h (t)是否满足IMF的定义，满足则将h (t)作为第一个IMF，否则将h (t)作为 原始序列重复1)和2)直至满足MF的定义； 4) 、頂？分量从原始信号中分离，1*(〇=以〇-11(〇，将1'(〇作为新的序列重复上述步 骤，得到剩余的IMF分量和余量，余量为单调函数； 步骤2. 3 :总体平均运算：对M次EMD分解得到的每个IMF计算均值作为最终结果。3. 根据权利要求1所述一种基于总体平均经验模态分解与改进Elman神经网络的风功 率组合预测方法，其特征在于，步骤3中包括以下步骤： 步骤3. 1 :风功率时间序列的相空间重构： 对风功率时间序列{p(t)}，t = 1，2,3…N，选择一个适当的嵌入维数m和延迟时间t， 可得到满足式（4)的新的状态空间，即重构的风功率时间序列相空间； P(t) = {p(t)，p(t+τ )，p(t+(m-l) τ )} (5) 其中：t = 1，2, 3···Μ，Μ = N-(m-l) τ ; 步骤3. 2:运用C-C方法求取相空间重构的延迟时间τ和嵌入维数m，选取相空间重构 中的饱和嵌入维数m作为神经网络的输入节点数； 步骤3. 3 :由于Elman神经网络的隐含层节点数对Elman神经网络预测精度有较大的 影响，运用训练误差最小的方法来选取最优节点数。4.根据权利要求3所述一种基于总体平均经验模态分解与改进Elman神经网络的风功 率组合预测方法，其特征在于，步骤3. 3具体步骤如下： 1) 、利用相空间重构法将风功率序列重构，获取输入数据及其输入节点数m ; 2) 、将待优化隐层节点个数的取值范围定为ne [2m-4,2m+6]; 3) 、循环选取隐含层节点数对Elman神经网络进行训练，选取训练误差最小的节点为 最优节点。
【专利摘要】本发明公开了一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法，属于风电功率预测技术领域。包括：步骤一：提取风速序列历史数据并进行数据归一化处理；步骤二：对提取的风速序列数据采用经验模态分解进行序列分析；步骤三：对经验模态分解得到的各个序列重构相空间；步骤四：循环选取隐含层节点数对Elman神经网络进行训练，并叠加各个序列的预测结果,得到风速预测结果；步骤五：对风速预测结果进行误差分析。本发明建模过程实用简单，能快速有效的对风电功率进行预测,对于风电并网情况下的电力系统的安全稳定和调度运行具有重要意义。
【IPC分类】G06Q10/04, G06Q50/06, G06N3/02
【公开号】CN104899656
【申请号】CN201510307164
【发明人】杨楠, 周峥, 崔家展, 徐嘉阳, 汪昊
【申请人】三峡大学
【公开日】2015年9月9日
【申请日】2015年6月5日