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：
，涉及一種基于RT重構(gòu)EEMD-RVM組合模型的風(fēng)功率短期區(qū)間預(yù)測方法。
背景技術(shù)：
：隨著工業(yè)的不斷發(fā)展，化石能源逐減少、環(huán)境問題也日益嚴(yán)峻。為了緩解能源危機(jī)和環(huán)保壓力，開發(fā)利用清潔無污染的可再生能源已成共識(shí)，其中風(fēng)力發(fā)電因其清潔無污染、儲(chǔ)量豐富、可循環(huán)利用受到越來越多的重視與關(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，對提高電網(wǎng)對風(fēng)電的穿透功率極限具有戰(zhàn)略和實(shí)際意義。雖然在眾多研究者的不懈努力下，對風(fēng)功率短期預(yù)測方法目前已取得了較多成果，并形成了以時(shí)間序列法為代表的傳統(tǒng)預(yù)測方法和以人工神經(jīng)網(wǎng)絡(luò)為代表的人工智能方法兩種典型方法。與此同時(shí)，支持向量機(jī)等新的機(jī)器學(xué)習(xí)方法以及組合預(yù)測方法也得到了越來越廣泛的應(yīng)用。然而，隨著風(fēng)電并網(wǎng)規(guī)模的日益擴(kuò)大，自然風(fēng)的隨機(jī)波動(dòng)性將不可忽略。而上述確定性的點(diǎn)預(yù)測方法必然無法表征實(shí)際風(fēng)電中潛在的隨機(jī)性，從而使決策工作面臨一定的風(fēng)險(xiǎn)。鑒于此，若能在給出確定性點(diǎn)預(yù)測結(jié)果的同時(shí)描繪出風(fēng)功率波動(dòng)的區(qū)間，將有利于決策者更合理的安排系統(tǒng)備用，也更符合堅(jiān)強(qiáng)智能電網(wǎng)的特點(diǎn)和電力市場的發(fā)展需求。與傳統(tǒng)確定性點(diǎn)預(yù)測的方法相比較，目前區(qū)間預(yù)測仍處于起步階段，但在諸多領(lǐng)域已逐步受到重視。現(xiàn)有的區(qū)間預(yù)測方法大概可以歸為一下幾類：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；分位點(diǎn)通過估計(jì)累計(jì)概率函數(shù)的分位數(shù)提供預(yù)測對象的概率信息，雖無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)造法通常先以某種點(diǎn)預(yù)測方法為基礎(chǔ)，再通過誤差分析等方法構(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)測量的期望值及其分布特性，因而可以直接得出任意置信水平下的區(qū)間預(yù)測結(jié)果。但是有時(shí)也存在預(yù)測區(qū)間過大的問題?？紤]實(shí)際風(fēng)功率的隨機(jī)性與波動(dòng)性，直接對原始風(fēng)功率序列進(jìn)行預(yù)測的誤差較大。目前流行的改進(jìn)方法是通過對原始數(shù)據(jù)的分解，降低數(shù)據(jù)復(fù)雜度，其中比較典型方法的有小波分析、經(jīng)驗(yàn)?zāi)B(tài)分解(empiricalmodedecomposition,EMD)、局域均值分解(localmeandecomposition,LMD)等。相比小波分析、EMD、LMD和其他信息處理方法，集合經(jīng)驗(yàn)?zāi)B(tài)分解(ensembleempiricalmodedecomposition,EEMD)方法克服了小波分析需人為設(shè)定，主觀性強(qiáng)的不足，避免了經(jīng)驗(yàn)?zāi)B(tài)分解易出現(xiàn)模態(tài)混疊的問題，具有更高的分辨率與很強(qiáng)的非線性處理能力，能較好的運(yùn)用于光伏輸出功率的數(shù)據(jù)預(yù)處理。在點(diǎn)預(yù)測方法中，常采用以人工神經(jīng)網(wǎng)絡(luò)(artificialneuralnetworks,ANN)為代表的智能算法和以支持向量機(jī)(supportvectormachines,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。但是ANN方法在訓(xùn)練中容易導(dǎo)致學(xué)習(xí)不足或過擬合的問題；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，但是仍存在以下不足：①核函數(shù)必須滿足Mercer條件，可選核函數(shù)較少；②只能實(shí)現(xiàn)點(diǎn)預(yù)測，無法描述數(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，計(jì)算量較大。為了克服上述缺點(diǎn)，MichaelE.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)(relevancevectormachines,RVM)。RVM不僅很好的保留了SVM出色的預(yù)測能力，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。目前該方法已應(yīng)用于負(fù)荷預(yù)測、故障分類、模式識(shí)別等領(lǐng)域，但運(yùn)用于風(fēng)功率區(qū)間預(yù)測的幾乎沒有。本發(fā)明重點(diǎn)研究了基于概率預(yù)測的區(qū)間預(yù)測方法，并在此基礎(chǔ)上提出一種基于游程檢測法重構(gòu)EEMD-RVM組合模型的風(fēng)功率短期區(qū)間預(yù)測方法。一方面采用集合經(jīng)驗(yàn)?zāi)B(tài)分解降低數(shù)據(jù)的復(fù)雜度，并引入游程檢測法(runstest,RT)對多個(gè)分量進(jìn)行重構(gòu)可獲得三個(gè)具有典型特征的新分量；另一方面采用局部核-高斯核和全局核-多項(xiàng)式核的組合構(gòu)成相關(guān)向量機(jī)的核函數(shù)，進(jìn)一步改善區(qū)間預(yù)測的效果。運(yùn)用本文模型對風(fēng)電場的實(shí)測風(fēng)功率序列進(jìn)行提前15min的短期風(fēng)功率區(qū)間預(yù)測，并采用多種評價(jià)指標(biāo)對本文模型的預(yù)測效果進(jìn)行評估，結(jié)果表明本發(fā)明具有較高的預(yù)測精度與較窄的區(qū)間寬度，區(qū)間預(yù)測效果較為理想，可用于實(shí)際工程應(yīng)用。技術(shù)實(shí)現(xiàn)要素：發(fā)明目的：為避免上述現(xiàn)有技術(shù)的不足之處，本發(fā)明重點(diǎn)研究了基于概率的區(qū)間預(yù)測方法，并在此基礎(chǔ)上提出一種基于游程檢測法重構(gòu)EEMD-RVM組合模型的風(fēng)功率短期區(qū)間預(yù)測方法。以期提高預(yù)測的精度與區(qū)間覆蓋率、縮小區(qū)間寬度，提供合理有效的區(qū)間預(yù)測結(jié)果。技術(shù)方案：本發(fā)明為解決技術(shù)問題采用的技術(shù)方案是：一種基于游程檢測法重構(gòu)EEMD-RVM組合模型的風(fēng)功率短期區(qū)間預(yù)測方法，包括以下步驟：步驟1、采用集合經(jīng)驗(yàn)?zāi)B(tài)分解方法對原始風(fēng)功率序列進(jìn)行分解，獲得一系列相對平穩(wěn)但具有不同特征的IMF分量和RES分量；步驟2、在步驟1的基礎(chǔ)上采用游程檢測法對各IMF分量和RES分量進(jìn)行波動(dòng)程度檢測，將波動(dòng)程度相似、變化規(guī)律相近的分量依照fine-to-coarse順序重構(gòu)成隨機(jī)分量、細(xì)節(jié)分量和趨勢分量這三類具有典型特性的新分量；步驟3、在步驟2的基礎(chǔ)上按照以風(fēng)功率待預(yù)測時(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各新分量數(shù)據(jù)進(jìn)行處理，構(gòu)造出訓(xùn)練樣本與預(yù)測樣本并歸一化；步驟4、在步驟3的基礎(chǔ)上對相關(guān)向量機(jī)預(yù)測模型的參數(shù)采用網(wǎng)格搜索進(jìn)行優(yōu)化，得到最優(yōu)化的核函數(shù)寬度和組合核系數(shù)權(quán)重，設(shè)定相關(guān)向量機(jī)預(yù)測模型的迭代初值；步驟5、在步驟4的基礎(chǔ)上求得預(yù)測模型的其他參數(shù)，并求得各新分量的預(yù)測值和方差，將各新分量的預(yù)測結(jié)果進(jìn)行疊加，最終得到一定置信度下風(fēng)功率短期預(yù)測區(qū)間。作為優(yōu)化，所述步驟1包括以下步驟：步驟1.1：設(shè)定白噪聲的幅值N和進(jìn)行EMD分解的總次數(shù)M；步驟1.2：在原始數(shù)據(jù)序列中加入高斯白噪聲；步驟1.3：按照EMD分解流程將已加入白噪聲的數(shù)據(jù)序列進(jìn)行分解得到一系列的IMF分量和余量；步驟1.4：重復(fù)的加入相同幅值的不同白噪聲序列，重復(fù)步驟1.2和步驟1.3，對M次EMD分解得到的各個(gè)IMF及剩余分量計(jì)算均值為：其中，ci,m(t)表示第m次EMD分解得到的第i個(gè)IMF分量；rn,m(t)表示第m次EMD分解得到的第n個(gè)剩余量；t表示第t個(gè)數(shù)據(jù)。步驟1.5：輸出和分別作為EEMD分解的IMF分量和RES分量。作為優(yōu)化，所述步驟1.3中EMD分解流程包括以下步驟：步驟1.3.1：初始化外循環(huán)變量i＝1，x1(t)＝x(t)，其中x(t)為待分解的原始數(shù)據(jù)序列；步驟1.3.2：初始化內(nèi)循環(huán)變量j＝1，y1(t)＝x1(t)；步驟1.3.3：找出序列yj(t)中所有局部極大值并擬合成包絡(luò)線uj(t)；同理，找出yj(t)中所有局部極小值并擬合成包絡(luò)線vj(t)；這2條上下包絡(luò)線應(yīng)包絡(luò)所有的數(shù)據(jù)點(diǎn)，其上下包絡(luò)線的平均值并計(jì)算原始信號(hào)與包絡(luò)均值的差值hj(t)＝y(tǒng)j(t)-mj(t)；步驟1.3.4：判斷hj(t)是否滿足IMF分量的兩個(gè)條件，若不滿足，則j＝j(luò)+1，yj(t)＝hj-1(t)；若滿足，則可得第i個(gè)IMF分量ci(t)＝hj(t)，剩余分量ri(t)＝xi(t)-ci(t)；步驟1.3.5：判斷ri(t)是否滿足終止條件，若不滿足則xi+1(t)＝ri(t)，i＝i+1，重復(fù)步驟1.3.2～步驟1.3.4，否則分解結(jié)束。由此共可分解出n個(gè)IMF分量ci(t)和一個(gè)剩余分量rn(t)，EMD對x(t)的分解過程結(jié)束。由此，原始序列x(t)可表示為作為優(yōu)化，所述步驟2包括以下步驟：設(shè)本征模態(tài)函數(shù)對應(yīng)時(shí)間序列為N是樣本時(shí)間序列的數(shù)量，樣本均值為時(shí)序符號(hào)Si定義如下：Si=X(t)-X‾=1X(t)>X‾0X(t)≤X‾]]>其中，時(shí)序符號(hào)Si由一串彼此統(tǒng)計(jì)獨(dú)立的隨機(jī)排列0、1序列組成，將每段連續(xù)相同符號(hào)(0或1)序列定義為一個(gè)游程，每個(gè)時(shí)序符號(hào)Si游程總數(shù)的大小可以檢測對應(yīng)經(jīng)EEMD得到的分量的波動(dòng)情況，進(jìn)而依據(jù)游程檢測法設(shè)定高頻和低頻游程閾值，按照fine-to-coarse順序?qū)EMD所得到的IMF分量和RES分量進(jìn)行重構(gòu)獲得具有典型特征的高頻分量、低頻分量和趨勢分量這三個(gè)新分量。作為優(yōu)化，所述步驟3中以風(fēng)功率待預(yù)測時(shí)刻前5個(gè)點(diǎn)的數(shù)據(jù)作為訓(xùn)練樣本輸入的原則具體為：訓(xùn)練樣本的輸入向量為xj＝[L(i-1),L(i-2),L(i-3),L(i-4),L(i-5)]，i＞5,j＝1,…,M，輸出向量為yj＝L(i)。其中，xj表示第j個(gè)輸入向量；yj表示第j個(gè)輸入向量對應(yīng)的輸出；L(i)表示待預(yù)測風(fēng)功率在第i時(shí)刻的數(shù)據(jù)；L(i-1)表示待預(yù)測風(fēng)功率前1時(shí)刻的數(shù)據(jù)；L(i-2)表示待預(yù)測風(fēng)功率前2時(shí)刻的數(shù)據(jù)；L(i-3)表示待預(yù)測風(fēng)功率前3時(shí)刻的數(shù)據(jù)；L(i-4)表示待預(yù)測風(fēng)功率前4時(shí)刻的數(shù)據(jù)；L(i-5)表示待預(yù)測風(fēng)功率前5時(shí)刻的數(shù)據(jù)。作為優(yōu)化，所述步驟4包括以下步驟：步驟4.1：設(shè)定RVM模型的核寬σ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)；步驟4.2：輸入歸一化后的訓(xùn)練樣本，以訓(xùn)練誤差(訓(xùn)練輸出與實(shí)際值的平均相對誤差)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σ和核函數(shù)系數(shù)k。所述訓(xùn)練誤差具體為：etrain=1N(ytrain_fore-ytrain_trueytrain_true)]]>其中，etrain表示訓(xùn)練誤差；N表示訓(xùn)練樣本的個(gè)數(shù)；ytrain_fore表示模型訓(xùn)練輸出；ytrain_true表示訓(xùn)練樣本的實(shí)際值。作為優(yōu)化，所述步驟5包括以下步驟：步驟5.1：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；步驟5.2：在步驟5.1的基礎(chǔ)上，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；步驟5.3：檢驗(yàn)當(dāng)前迭代獲得的超參數(shù)是否滿足要求，若滿足則此超參數(shù)為相關(guān)向量機(jī)預(yù)測模型參數(shù)；否則更新超參數(shù)，直到滿足迭代要求或達(dá)到最大迭代次數(shù)，結(jié)束。所述核函數(shù)計(jì)算公式具體為：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(-‖x-xi‖2/σ2)，P(x,xi)＝[(x·xi)+1]2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?；σ表示高斯核的核寬；k表示組合核的核函數(shù)權(quán)重系數(shù)；所述訓(xùn)練樣本后驗(yàn)分布的方差和均值計(jì)算公式具體為：Σ＝(σ-2ΦTΦ+A)-1，U＝σ-2ΣΦTT其中，Σ表示后驗(yàn)分布的方差；U表示后驗(yàn)分布的均值；A＝diag(α0,α1,…,αN)為超參數(shù)對角元素；σ-2為迭代初值；Φ為基函數(shù)向量；T為訓(xùn)練樣本的目標(biāo)。所述風(fēng)功率的預(yù)測值和方差的計(jì)算公式具體為：其中，y*表示風(fēng)功率預(yù)測期望值；表示風(fēng)功率預(yù)測值的方差。所述風(fēng)功率的預(yù)測區(qū)間計(jì)算公式具體為：[Lb,Ub]＝[y*-zα/2σ*,y*+zα/2σ*]其中，Lb和Ub分別表示預(yù)測值的下界和上界；zα/2為正態(tài)分布的雙側(cè)α分位點(diǎn)。有益效果：與已有技術(shù)相比，本發(fā)明的有益效果體現(xiàn)在：1、本發(fā)明采用集合經(jīng)驗(yàn)?zāi)B(tài)分解降低數(shù)據(jù)的復(fù)雜度，該分解方法效果優(yōu)異，結(jié)果準(zhǔn)確，有效提高了預(yù)測精度；2、本發(fā)明引入游程檢測法對各IMF分量和RES分量進(jìn)行波動(dòng)程度檢測，重構(gòu)成三類具有典型特性的新分量，降低了預(yù)測模型的規(guī)模，明顯縮短了運(yùn)行時(shí)間；3、本發(fā)明采用相關(guān)向量機(jī)方法進(jìn)行預(yù)測，具有模型高度稀疏、待優(yōu)化參數(shù)少、核函數(shù)選擇靈活、泛化能力強(qiáng)、預(yù)測精度高。4、本發(fā)明實(shí)現(xiàn)了結(jié)果的概率區(qū)間預(yù)測，不僅能提供風(fēng)功率的預(yù)測值，還能提供一定置信度下的區(qū)間預(yù)測結(jié)果，包含更多的信息。5、本發(fā)明使用局部核-高斯核和全局核-多項(xiàng)式核的組合構(gòu)成相關(guān)向量機(jī)的核函數(shù)，進(jìn)一步改善區(qū)間預(yù)測的效果。附圖說明圖1為本發(fā)明的短期風(fēng)功率區(qū)間預(yù)測流程框圖；圖2為集合經(jīng)驗(yàn)?zāi)B(tài)分解的效果示意圖；圖3為重構(gòu)后新分量趨勢圖；圖4為EEMD-RT-RVM模型在90％置信水平的區(qū)間預(yù)測結(jié)果；圖5為EEMD-RT-RVM模型在70％置信水平的區(qū)間預(yù)測結(jié)果。具體實(shí)施方式下面結(jié)合附圖對本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明。需要說明的是，此處的說明僅僅以風(fēng)功率為例，該發(fā)明還可適用于負(fù)荷、光伏出力等其他范圍與領(lǐng)域。一種基于RT重構(gòu)EEMD-RVM組合模型的風(fēng)功率短期區(qū)間預(yù)測方法，包括以下步驟：步驟1、采用集合經(jīng)驗(yàn)?zāi)B(tài)分解方法對原始風(fēng)功率序列進(jìn)行分解，獲得一系列相對平穩(wěn)但具有不同特征的IMF分量和RES分量；步驟2、在步驟1的基礎(chǔ)上采用游程檢測法對各IMF分量和RES分量進(jìn)行波動(dòng)程度檢測，將波動(dòng)程度相似、變化規(guī)律相近的分量依照fine-to-coarse順序重構(gòu)成隨機(jī)分量、細(xì)節(jié)分量和趨勢分量這三類具有典型特性的新分量；步驟3、在步驟2的基礎(chǔ)上按照以風(fēng)功率待預(yù)測時(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各新分量數(shù)據(jù)進(jìn)行處理，構(gòu)造出訓(xùn)練樣本與預(yù)測樣本并歸一化；步驟4、在步驟3的基礎(chǔ)上對相關(guān)向量機(jī)預(yù)測模型的參數(shù)采用網(wǎng)格搜索進(jìn)行優(yōu)化，得到最優(yōu)化的核函數(shù)寬度和組合核系數(shù)權(quán)重，設(shè)定相關(guān)向量機(jī)預(yù)測模型的迭代初值；步驟5、在步驟4的基礎(chǔ)上求得預(yù)測模型的其他參數(shù)，并求得各新分量的預(yù)測值和方差，將各新分量的預(yù)測結(jié)果進(jìn)行疊加，最終得到一定置信度下風(fēng)功率短期預(yù)測區(qū)間。所述步驟1包括以下步驟：步驟1.1：設(shè)定白噪聲的幅值N和進(jìn)行EMD分解的總次數(shù)M；步驟1.2：在原始數(shù)據(jù)序列中加入高斯白噪聲；步驟1.3：按照EMD分解流程將已加入白噪聲的數(shù)據(jù)序列進(jìn)行分解得到一系列的IMF分量和余量；步驟1.4：重復(fù)的加入相同幅值的不同白噪聲序列，重復(fù)步驟1.2和步驟1.3，對M次EMD分解得到的各個(gè)IMF及剩余分量計(jì)算均值為：其中，ci,m(t)表示第m次EMD分解得到的第i個(gè)IMF分量；rn,m(t)表示第m次EMD分解得到的第n個(gè)剩余量；t表示第t個(gè)數(shù)據(jù)。步驟1.5：輸出和分別作為EEMD分解的IMF分量和RES分量。所述步驟1.3中EMD分解流程包括以下步驟：步驟1.3.1：初始化外循環(huán)變量i＝1，x1(t)＝x(t)，其中x(t)為待分解的原始數(shù)據(jù)序列；步驟1.3.2：初始化內(nèi)循環(huán)變量j＝1，y1(t)＝x1(t)；步驟1.3.3：找出序列yj(t)中所有局部極大值并擬合成包絡(luò)線uj(t)；同理，找出yj(t)中所有局部極小值并擬合成包絡(luò)線vj(t)；這2條上下包絡(luò)線應(yīng)包絡(luò)所有的數(shù)據(jù)點(diǎn)，其上下包絡(luò)線的平均值并計(jì)算原始信號(hào)與包絡(luò)均值的差值hj(t)＝y(tǒng)j(t)-mj(t)；步驟1.3.4：判斷hj(t)是否滿足IMF分量的兩個(gè)條件，若不滿足，則j＝j(luò)+1，yj(t)＝hj-1(t)；若滿足，則可得第i個(gè)IMF分量ci(t)＝hj(t)，剩余分量ri(t)＝xi(t)-ci(t)；步驟1.3.5：判斷ri(t)是否滿足終止條件，若不滿足則xi+1(t)＝ri(t)，i＝i+1，重復(fù)步驟1.3.2～步驟1.3.4，否則分解結(jié)束。由此共可分解出n個(gè)IMF分量ci(t)和一個(gè)剩余分量rn(t)，EMD對x(t)的分解過程結(jié)束。由此，原始序列x(t)可表示為所述步驟2包括以下步驟：設(shè)本征模態(tài)函數(shù)對應(yīng)時(shí)間序列為N是樣本時(shí)間序列的數(shù)量，樣本均值為時(shí)序符號(hào)Si定義如下：Si=X(t)-X‾=1X(t)>X‾0X(t)≤X‾]]>其中，時(shí)序符號(hào)Si由一串彼此統(tǒng)計(jì)獨(dú)立的隨機(jī)排列0、1序列組成，將每段連續(xù)相同符號(hào)(0或1)序列定義為一個(gè)游程，每個(gè)時(shí)序符號(hào)Si游程總數(shù)的大小可以檢測對應(yīng)經(jīng)EEMD得到的分量的波動(dòng)情況，進(jìn)而依據(jù)游程檢測法設(shè)定高頻和低頻游程閾值，按照fine-to-coarse順序?qū)EMD所得到的IMF分量和RES分量進(jìn)行重構(gòu)獲得具有典型特征的高頻分量、低頻分量和趨勢分量這三個(gè)新分量。所述步驟3中以風(fēng)功率待預(yù)測時(shí)刻前5個(gè)點(diǎn)的數(shù)據(jù)作為訓(xùn)練樣本輸入的原則具體為：訓(xùn)練樣本的輸入向量為xj＝[L(i-1),L(i-2),L(i-3),L(i-4),L(i-5)]，i＞5,j＝1,…,M，輸出向量為yj＝L(i)。其中，xj表示第j個(gè)輸入向量；yj表示第j個(gè)輸入向量對應(yīng)的輸出；L(i)表示待預(yù)測風(fēng)功率在第i時(shí)刻的數(shù)據(jù)；L(i-1)表示待預(yù)測風(fēng)功率前1時(shí)刻的數(shù)據(jù)；L(i-2)表示待預(yù)測風(fēng)功率前2時(shí)刻的數(shù)據(jù)；L(i-3)表示待預(yù)測風(fēng)功率前3時(shí)刻的數(shù)據(jù)；L(i-4)表示待預(yù)測風(fēng)功率前4時(shí)刻的數(shù)據(jù)；L(i-5)表示待預(yù)測風(fēng)功率前5時(shí)刻的數(shù)據(jù)。所述步驟4包括以下步驟：步驟4.1：設(shè)定RVM模型的核寬σ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)；步驟4.2：輸入歸一化后的訓(xùn)練樣本，以訓(xùn)練誤差(訓(xùn)練輸出與實(shí)際值的平均相對誤差)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σ和核函數(shù)系數(shù)k。所述訓(xùn)練誤差具體為：etrain=1N(ytrain_fore-ytrain_trueytrain_true)]]>其中，etrain表示訓(xùn)練誤差；N表示訓(xùn)練樣本的個(gè)數(shù)；ytrain_fore表示模型訓(xùn)練輸出；ytrain_true表示訓(xùn)練樣本的實(shí)際值。所述步驟5包括以下步驟：步驟5.1：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；步驟5.2：在步驟5.1的基礎(chǔ)上，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；步驟5.3：檢驗(yàn)當(dāng)前迭代獲得的超參數(shù)是否滿足要求，若滿足則此超參數(shù)為相關(guān)向量機(jī)預(yù)測模型參數(shù)；否則更新超參數(shù)，直到滿足迭代要求或達(dá)到最大迭代次數(shù)，結(jié)束。所述核函數(shù)計(jì)算公式具體為：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(-‖x-xi‖2/σ2)，P(x,xi)＝[(x·xi)+1]2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?；σ表示高斯核的核寬；k表示組合核的核函數(shù)權(quán)重系數(shù)；所述訓(xùn)練樣本后驗(yàn)分布的方差和均值計(jì)算公式具體為：Σ＝(σ-2ΦTΦ+A)-1，U＝σ-2ΣΦTT其中，Σ表示后驗(yàn)分布的方差；U表示后驗(yàn)分布的均值；A＝diag(α0,α1,…,αN)為超參數(shù)對角元素；σ-2為迭代初值；Φ為基函數(shù)向量；T為訓(xùn)練樣本的目標(biāo)。所述風(fēng)功率的預(yù)測值和方差的計(jì)算公式具體為：其中，y*表示風(fēng)功率預(yù)測期望值；表示風(fēng)功率預(yù)測值的方差。所述風(fēng)功率的預(yù)測區(qū)間計(jì)算公式具體為：[Lb,Ub]＝[y*-zα/2σ*,y*+zα/2σ*]其中，Lb和Ub分別表示預(yù)測值的下界和上界；zα/2為正態(tài)分布的雙側(cè)α分位點(diǎn)。實(shí)施例考慮風(fēng)功率的隨機(jī)波動(dòng)性，本發(fā)明提出了一種基于游程檢測法重構(gòu)EEMD-RVM組合模型的風(fēng)功率短期區(qū)間預(yù)測方法。一方面引入集合經(jīng)驗(yàn)?zāi)B(tài)分解對原始風(fēng)功率序列進(jìn)行分解，獲得多個(gè)IMF分量和RES分量，降低了數(shù)據(jù)的復(fù)雜度，并引入游程檢測法對各IMF分量和RES分量進(jìn)行波動(dòng)程度檢測，將波動(dòng)程度相似、變化規(guī)律相近的分量依照fine-to-coarse順序重構(gòu)成隨機(jī)分量、細(xì)節(jié)分量和趨勢分量這三類具有典型特性的新分量，進(jìn)一步降低預(yù)測模型的規(guī)模，縮短運(yùn)行時(shí)間；另一方面對各新分量采用相關(guān)向量機(jī)分別建立區(qū)間預(yù)測模型，并采用局部核-高斯核和全局核-多項(xiàng)式核的組合構(gòu)成相關(guān)向量機(jī)的核函數(shù)，進(jìn)一步改善區(qū)間預(yù)測的效果。最后將各新分量的預(yù)測結(jié)果進(jìn)行疊加得到一定置信水平下的區(qū)間預(yù)測結(jié)果。該方法具有預(yù)測精度和區(qū)間覆蓋率高、區(qū)間寬度窄的優(yōu)點(diǎn)，可較好的運(yùn)用于工程實(shí)際問題。本發(fā)明的短期風(fēng)功率區(qū)間預(yù)測流程如圖1所示。首先為避免突變數(shù)據(jù)或壞數(shù)據(jù)對預(yù)測結(jié)果的影響，對風(fēng)功率序列數(shù)據(jù)進(jìn)行預(yù)處理，本發(fā)明中使用的是數(shù)據(jù)縱向?qū)Ρ确ǎ溆?jì)算公式如下：若滿足其中，L(t)為第t時(shí)刻的風(fēng)功率數(shù)據(jù)；α(t)，β(t)為預(yù)先設(shè)定的兩個(gè)閾值。對已預(yù)處理過的原始風(fēng)功率序列{L(t)}＝{L(1),…,L(n)}進(jìn)行集合經(jīng)驗(yàn)?zāi)B(tài)分解。具體步驟如下：(1)設(shè)定白噪聲的幅值N和進(jìn)行EMD分解的總次數(shù)M(一般M取100，k取0.05～0.5倍為宜)，令m＝1；(2)進(jìn)行第m次EMD分解時(shí)，在已預(yù)處理過的原始風(fēng)功率數(shù)據(jù)序列L(t)中加入高斯白噪聲nm(t)，得到待處理的加噪風(fēng)功率數(shù)據(jù)：Lm(t)＝L(t)+knm(t)(2)(3)按照EMD分解流程將已加入白噪聲的數(shù)據(jù)序列進(jìn)行分解得到一系列的IMF分量ci,m(t)和剩余分量rn,m(t)；(4)若m＜M，m＝m+1，返回(2)，否則繼續(xù)向下執(zhí)行；(5)對M次EMD分解得到的各個(gè)IMF分量及剩余分量計(jì)算均值為：ci‾(t)=Σm=1Mci.m(t)/M,rn‾(t)=Σm=1Mrn.m(t)/M---(3)]]>其中，ci,m(t)表示第m次EMD分解得到的第i個(gè)IMF分量；rn,m(t)表示第m次EMD分解得到的第n個(gè)剩余分量；t表示第t個(gè)數(shù)據(jù)。(6)輸出和分別作為EEMD分解的IMF分量和RES分量，分解結(jié)束。集合經(jīng)驗(yàn)?zāi)B(tài)分解的結(jié)果如圖2所示。對經(jīng)集合經(jīng)驗(yàn)?zāi)B(tài)分解得到的IMF和RES分量計(jì)算其游程數(shù)從而實(shí)現(xiàn)波動(dòng)程度檢測，，其結(jié)果匯總?cè)绫?所示：表1各分量的游程數(shù)由表可知，部分分量的游程數(shù)相差不大，而有些分量的游程數(shù)差距明顯。上述結(jié)果體現(xiàn)了分量間的異同與相似性?；诖?，設(shè)定高游程閾值為100、低游程閾值為10，由此上述IMF分量和RES分量可重構(gòu)成隨機(jī)分量、細(xì)節(jié)分量和趨勢分量這三類具有典型特性的新分量。新分量的組成成分與波動(dòng)趨勢如表2、圖3所示：表2新分量的組成成分按照以風(fēng)功率待預(yù)測時(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各新分量數(shù)據(jù)進(jìn)行處理，構(gòu)造出訓(xùn)練樣本與預(yù)測樣本并歸一化。表3樣本輸入特征量由此可將輸入向量表示為：x(j)＝[L(i-1),L(i-2),L(i-3),L(i-4),L(i-5)]，i＞5,j＝1,…,M；輸出向量為y(j)＝L(i)；歸一化公式為：x~(j)=(x(j)-xmin)/(xmax-xmin)---(4)]]>采用RVM對新分量分別建立預(yù)測模型。對于給定的訓(xùn)練樣本輸入集和對應(yīng)的輸出集相關(guān)向量機(jī)回歸模型可定義為：ti=Σi=1NwiK(x,xi)+w0+ϵ---(5)]]>其中ε為服從N(0,σ2)分布的各獨(dú)立樣本誤差，wi為權(quán)系數(shù)，K(x,xi)為核函數(shù)，N為樣本數(shù)量。對于相互獨(dú)立的輸出集，整個(gè)樣本的似然函數(shù)為：p(t|w,σ2)=Πi=1NN(ti|y(xi;w),σ2)=(2πσ2)-N/2exp(-||t-Φ(x)w||2/2σ2---(6)]]>其中：t＝(t1,t2,…,tN)，w＝[w0,w1，…,wN]T，根據(jù)概率預(yù)測公式，所求的條件概率為：P(t*|t)＝∫p(t*|w,σ2)p(w,σ2|t)dwdσ2(7)若直接使用最大似然的方法來求解w和σ2，結(jié)果通常會(huì)導(dǎo)致嚴(yán)重的過適應(yīng)，為避免這種現(xiàn)象，對w加上先決條件。根據(jù)貝葉斯理論，w為分布為零的標(biāo)準(zhǔn)正態(tài)分布，同時(shí)引入超參數(shù)α＝[α0,α1,α2,…,αN]T，可得因此，概率預(yù)測式改為：p(t*|t)＝∫p(t*|w,σ2)p(w,α,σ2|t)dwdαdσ2(8)對每個(gè)權(quán)值限定先決條件的方法，是相關(guān)向量機(jī)的一個(gè)重要特征。α為權(quán)值w對應(yīng)的超參數(shù)，符合伽馬分布。經(jīng)過足夠的更新次數(shù)后，大部分αi會(huì)趨近無限大，其對應(yīng)的權(quán)值趨于0，而其他的αi會(huì)穩(wěn)定地趨近有限值。而與之對應(yīng)的xi稱之為相關(guān)向量，實(shí)現(xiàn)相關(guān)向量機(jī)稀疏特性。在定義了先驗(yàn)概率分布及似然分布以后，根據(jù)貝葉斯原理，就可以求得所有未知參數(shù)的后驗(yàn)概率分布為：p(w|t,α,σ2)=(2π)-(N+1)/2|Ψ|-1/2·exp{-12(w-μ)TΨT(w-μ)}---(9)]]>其中，后驗(yàn)協(xié)方差矩陣和均值分別為：Ψ＝(σ-2ΦTΦ+A)-1，μ＝σ-2ΨΦTt，A＝diag(α0,α1,…,αN)為超參數(shù)對角元素。為了確定模型權(quán)值，首先需要得到超參數(shù)的最佳值，可以通過迭代算法求得，即αinew=1-αiΨi,iμi2,(σ2)new=||t-Φμ||2N-Σi=0N(1-αiΨi,i)---(10)]]>其中，μi為第i個(gè)后驗(yàn)平均權(quán)，Ψi,i為后驗(yàn)協(xié)方差矩陣中的第i個(gè)對角元素，N為樣本數(shù)據(jù)個(gè)數(shù)。若給定新的輸入值x*，則相應(yīng)的輸出概率分布服從高斯分布，其相應(yīng)的預(yù)測均值和方差分別為y*＝μTφ(x*)(11)在置信度1-α下，預(yù)測結(jié)果的置信區(qū)間可表示為：[Lb,Ub]＝[y*-zα/2σ*,y*+zα/2σ*](13)為評價(jià)區(qū)間預(yù)測效果的好壞，采用以下三個(gè)指標(biāo)對其進(jìn)行評判。1)平均相對誤差(meanabsolutepercentageerror，MAPE)MAPE=1NΣi=1N|y‾i*-yiyi|×100%---(14)]]>式中：為第i個(gè)預(yù)測樣本的預(yù)測期望值；yi為第i個(gè)預(yù)測樣本的實(shí)際值。MAPE用于評價(jià)預(yù)測期望值與實(shí)際值之間的偏差，其值越小越好。2)區(qū)間覆蓋率(forecastingintervalcoveragepercentage，F(xiàn)ICP)FICP(1-α)=1Nξ(1-α)×100%---(15)]]>式中，F(xiàn)ICP(1-α)為區(qū)間覆蓋率；N為預(yù)測樣本的個(gè)數(shù)；ξ(1-α)為置信度1-α下實(shí)際值落在預(yù)測置信區(qū)間內(nèi)的個(gè)數(shù)。FICP用于評價(jià)構(gòu)建區(qū)間的可信程度，其絕對值越大，可信度越高。3)區(qū)間平均寬度(forecastingintervalaveragewidth，F(xiàn)IAW)FIAW(1-α)=1NΣi=1NU(xi)-L(xi)yi---(16)]]>式中，F(xiàn)IAW(1-α)為置信度1-α下的區(qū)間平均寬度；U(xi)為第i個(gè)預(yù)測樣本的上界；L(xi)為第i個(gè)預(yù)測樣本的下界；yi為第i個(gè)樣本的真實(shí)值；上式中采用的是相對寬度。FIAW用于評價(jià)預(yù)測結(jié)果描述不確定信息的能力，其值越小，效果越好。為分析本發(fā)明的區(qū)間預(yù)測效果，分別采用90％和60％兩個(gè)置信水平對風(fēng)功率進(jìn)行區(qū)間預(yù)測，其區(qū)間預(yù)測效果分別如圖4、圖5所示。部分預(yù)測結(jié)果及指標(biāo)析結(jié)果如表4所示表4EEMD-RT-RVM模型的區(qū)間預(yù)測結(jié)果從圖表中可以看出：①該方法的短期風(fēng)功率預(yù)測值能夠有效跟隨實(shí)際值，其上下浮動(dòng)趨勢與實(shí)際負(fù)荷變化情況基本一致；②由圖4、圖5中實(shí)際風(fēng)功率在區(qū)間內(nèi)的分布情況來看，實(shí)際風(fēng)功率大部分都落在置信度為90％和60％的預(yù)測區(qū)間之內(nèi)，但實(shí)際值落在60％置信度預(yù)測區(qū)間之外的個(gè)數(shù)明顯多于90％的，符合實(shí)際情況，體現(xiàn)了該方法區(qū)間預(yù)測結(jié)果的有效性；③90％置信水平的預(yù)測區(qū)間寬度明顯大于60％的，隨著置信度的降低，區(qū)間預(yù)測的區(qū)間寬度降低，區(qū)間覆蓋率也隨之降低。為進(jìn)一步評價(jià)EEMD方法和RT方法對改善區(qū)間預(yù)測效果的作用，將本發(fā)明的EEMD-RT-RVM模型與RVM模型、EMD-RVM模型和EEMD-RVM的預(yù)測結(jié)果進(jìn)行對比。以90％置信水平為例，其評價(jià)結(jié)果如表5所示。表5各預(yù)測模型的指標(biāo)評價(jià)結(jié)果由表5中各種模型指標(biāo)結(jié)果可以得出以下結(jié)論：①總體上看，本發(fā)明方法的預(yù)測誤差最小，區(qū)間寬度最窄，區(qū)間覆蓋率與運(yùn)行時(shí)間也處于中上水平，模型的區(qū)間預(yù)測效果較為理想；②與未采用分解的RVM模型相比，該方法的預(yù)測誤差與區(qū)間寬度都得到了明顯改善。區(qū)間覆蓋率也滿足指標(biāo)要求。運(yùn)行時(shí)間雖有所延長，但仍在工程實(shí)際要求的范圍內(nèi)；③與同為分解算法的EMD相比，該方法的預(yù)測精度和區(qū)間覆蓋率較高，區(qū)間寬度較窄，運(yùn)行時(shí)間明顯縮短；④如未引入RT的EEMD-RVM模型相比，本發(fā)明方法不僅運(yùn)行時(shí)間明顯縮短，預(yù)測精度、區(qū)間預(yù)測效果等各方面指標(biāo)都明顯更優(yōu)。綜上所述，本發(fā)明可實(shí)現(xiàn)短期風(fēng)功率的區(qū)間預(yù)測，可用于實(shí)際工程應(yīng)用。當(dāng)前第1頁1 2 3