本發(fā)明屬于電力系統(tǒng)控制技術(shù)領(lǐng)域，尤其涉及一種經(jīng)驗(yàn)?zāi)Ｊ椒纸馀cElman神經(jīng)網(wǎng)絡(luò)組合風(fēng)電預(yù)測(cè)方法。

背景技術(shù)：

神經(jīng)網(wǎng)絡(luò)是由與訓(xùn)練網(wǎng)絡(luò)學(xué)習(xí)算法緊密結(jié)合的連接方式將大量的神經(jīng)元進(jìn)行連接構(gòu)成，具有較強(qiáng)的容錯(cuò)性和魯棒性，具備自學(xué)習(xí)、自適應(yīng)、自組織的并行處理能力和信息綜合能力，能夠充分逼近任意復(fù)雜的非線性。目前在電力系統(tǒng)預(yù)測(cè)領(lǐng)域得到廣泛應(yīng)用的神經(jīng)網(wǎng)絡(luò)類(lèi)型主要有BP前饋型神經(jīng)網(wǎng)絡(luò)、RBF徑向基神經(jīng)網(wǎng)絡(luò)等。由于BP前饋型神經(jīng)網(wǎng)絡(luò)是靜態(tài)前饋網(wǎng)絡(luò)，實(shí)際應(yīng)用中系統(tǒng)大多是動(dòng)態(tài)的，利用靜態(tài)前饋網(wǎng)絡(luò)對(duì)動(dòng)態(tài)系統(tǒng)進(jìn)行辨識(shí)存在明顯不足。而RBF徑向基神經(jīng)網(wǎng)絡(luò)存在數(shù)據(jù)丟失、數(shù)據(jù)病態(tài)、難以反映系統(tǒng)實(shí)際輸入輸出關(guān)系等缺點(diǎn)。因此，應(yīng)用神經(jīng)網(wǎng)絡(luò)的風(fēng)電出力預(yù)測(cè)，其預(yù)測(cè)精度和預(yù)測(cè)速度較差。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的：本發(fā)明提出了一種有效提高預(yù)測(cè)精度和預(yù)測(cè)速度的風(fēng)電預(yù)測(cè)方法，其基于經(jīng)驗(yàn)?zāi)Ｊ椒纸馀cElman神經(jīng)網(wǎng)絡(luò)組合進(jìn)行預(yù)測(cè)。

技術(shù)方案：本發(fā)明提出一種經(jīng)驗(yàn)?zāi)Ｊ椒纸馀cElman神經(jīng)網(wǎng)絡(luò)組合風(fēng)電預(yù)測(cè)方法，包括如下步驟：

步驟S1：篩選預(yù)測(cè)風(fēng)電場(chǎng)的樣本數(shù)據(jù)，選取波動(dòng)月份并確定預(yù)測(cè)周期，預(yù)測(cè)波動(dòng)月份內(nèi)預(yù)測(cè)周期的風(fēng)電出力，得到風(fēng)電出力時(shí)間序列樣本；

步驟S2：對(duì)步驟S1得到的風(fēng)電場(chǎng)風(fēng)電出力時(shí)間序列樣本數(shù)據(jù)進(jìn)行經(jīng)驗(yàn)?zāi)Ｊ椒纸?，根?jù)經(jīng)驗(yàn)?zāi)Ｊ椒纸饨K止條件得到多個(gè)本征模態(tài)函數(shù)IMF和趨勢(shì)分量Res；

步驟S3：依據(jù)游程判別法對(duì)步驟S2所得本征模態(tài)函數(shù)IMF進(jìn)行波動(dòng)程度分類(lèi)，按照相似波動(dòng)頻率原則對(duì)本征模態(tài)函數(shù)IMF進(jìn)行重構(gòu)，重構(gòu)得到總高頻分量IMF_hf、總低頻分量IMF_lf；

步驟S4：建立Elman神經(jīng)網(wǎng)絡(luò)模型，對(duì)總高頻分量IMF_hf、總低頻分量IMF_lf、趨勢(shì)分量Res進(jìn)行數(shù)據(jù)歸一化處理，作為Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測(cè)試數(shù)據(jù)；

步驟S5：分別對(duì)總高頻分量IMF_hf、總低頻分量IMF_lf和趨勢(shì)分量Res建立Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，采用改進(jìn)Elman的學(xué)習(xí)算法，進(jìn)行日前功率預(yù)測(cè)，最后將總高頻分量IMF_hf、總低頻分量IMF_lf和趨勢(shì)分量Res的日前功率預(yù)測(cè)值自適應(yīng)疊加，得到目標(biāo)風(fēng)電出力日前預(yù)測(cè)功率值。

進(jìn)一步的，所述步驟S1中的所述篩選預(yù)測(cè)風(fēng)電場(chǎng)的樣本數(shù)據(jù)，選取波動(dòng)月份并確定預(yù)測(cè)周期具體為：

S1-1：對(duì)風(fēng)電場(chǎng)連續(xù)三年風(fēng)電出力特性進(jìn)行分析，選取風(fēng)電出力占風(fēng)電場(chǎng)額定容量比例超過(guò)70％～90％的月份進(jìn)行進(jìn)一步分析；

S1-2：運(yùn)用Pearson相關(guān)性分析公式，計(jì)算兩兩年度間全年度日出力相關(guān)性系數(shù)，選取正相關(guān)系數(shù)大于0.1-1的月份作為波動(dòng)月份；

S1-3：對(duì)S1-2中確定的波動(dòng)月份風(fēng)電出力進(jìn)行Hilbert譜分析，得到次波動(dòng)周期并以此確定預(yù)測(cè)周期；

S1-4：確定以波動(dòng)月份內(nèi)預(yù)測(cè)周期的風(fēng)電出力時(shí)間序列樣本數(shù)據(jù)來(lái)進(jìn)行日前風(fēng)電出力預(yù)測(cè)。

優(yōu)選的，所述步驟S1-1中選取風(fēng)電出力占風(fēng)電場(chǎng)額定容量比例超過(guò)80％的月份進(jìn)行進(jìn)一步分析。

優(yōu)選的，所述S1-2中選取正相關(guān)系數(shù)大于0.5的月份作為波動(dòng)月份。

優(yōu)選的，所述步驟S1-4中確定以波動(dòng)月份內(nèi)預(yù)測(cè)周期的風(fēng)電出力時(shí)間序列樣本數(shù)據(jù)來(lái)進(jìn)行日前72h的風(fēng)電出力預(yù)測(cè)。

進(jìn)一步的，所述步驟S2具體為：

S2-1：風(fēng)電場(chǎng)一組風(fēng)電出力時(shí)間序列樣本原始數(shù)據(jù)Y(t)，令s(t)＝Y(jié)(t)，找出風(fēng)電場(chǎng)一組風(fēng)電出力時(shí)間序列樣本數(shù)據(jù)s(t)所有的極大值點(diǎn)，并將極大值點(diǎn)用三次樣條函數(shù)擬合成s(t)的上包絡(luò)線S_max(t)；再找出所有的極小值點(diǎn)并將極小值點(diǎn)用三次樣條函數(shù)擬合成s(t)的下包絡(luò)線S_min(t)；

S2-2：計(jì)算上包絡(luò)線S_max(t)與下包絡(luò)線S_min(t)的均值，記為m₁(t)，把s(t)減去m₁(t)即可得到一個(gè)去掉低頻的新數(shù)據(jù)序列h₁(t)，m1(t)＝(smax(t)+smin(t))/2；

S2-3：將新數(shù)據(jù)序列h₁(t)作為樣本數(shù)據(jù)重復(fù)S2-1、S2-2的處理過(guò)程k次，并記第k次處理所得到的平均包絡(luò)線為m_k(t)，第k次處理結(jié)束得到的新數(shù)據(jù)序列為h_k(t)，直到新數(shù)據(jù)序列h_k(t)符合本征模態(tài)函數(shù)IMF的分量終止條件判斷標(biāo)志TD，就得到風(fēng)電出力時(shí)間序列樣本數(shù)據(jù)s(t)的一個(gè)本征模態(tài)函數(shù)IMF的分量；

本征模態(tài)函數(shù)IMF的分量終止條件判斷標(biāo)志TD計(jì)算公式如下：

$TD={\Σ}_{t=0}^T\[\frac{|h_{k-1}\left(t\right)-h_k\left(t\right){|}^2}{h_{k-1}^2\left(t\right)}\]$

T表示一個(gè)采樣周期，當(dāng)TD<Δ，Δ為停止閾值，Δ設(shè)置為0.2-0.3之間，令I(lǐng)MF_i(t)＝h_k(t)，IMF_i(t)為第i次計(jì)算終止得到的第i個(gè)本征模態(tài)函數(shù)IMF并終止迭代，進(jìn)入S2-4；否則重復(fù)S2-1至S2-3；

S2-4：將IMF_i(t)從s(t)中分離出來(lái)，即得到差值信號(hào)r_i(t)，

$r_i\left(t\right)=s\left(t\right)-{\mathrm{\&Sigma;}}_{i=1}^i{\mathrm{IMF}}_i\left(t\right)$

當(dāng)r_i(t)極值點(diǎn)數(shù)量大于N，其中N>0，令i＝i+1，k＝0，將r_i(t)作為樣本數(shù)據(jù)，即令s(t)＝r_i(t)，重復(fù)步驟S2-1、S2-2、S2-3的處理過(guò)程；

當(dāng)r_i(t)極值點(diǎn)數(shù)量小于等于N或者r_i(t)是單調(diào)函數(shù)，終止經(jīng)驗(yàn)?zāi)Ｊ椒纸?，并得到趨?shì)分量Res；

$\mathrm{Re}s\left(i\right)=s\left(t\right)-\underset{i=1}{\overset{i}{\&Sigma;}}{\mathrm{IMF}}_i\left(t\right)$

其中，Res為趨勢(shì)分量，IMF₁(t)，IMF₂(t)…IMF_i(t)為不同頻率的IMF分量；經(jīng)過(guò)經(jīng)驗(yàn)?zāi)Ｊ椒纸獾玫搅嗽紭颖拘蛄衁(t)的一系列本征模態(tài)函數(shù)IMFi(t)，其中i＝1,2,…n，以及趨勢(shì)分量Res(i)。

進(jìn)一步的，所述步驟S3中依據(jù)游程判別法對(duì)步驟S2所得本征模態(tài)函數(shù)IMF進(jìn)行波動(dòng)程度分類(lèi)具體為：設(shè)本征模態(tài)函數(shù)IMF對(duì)應(yīng)時(shí)間序列為{X(t)}(t＝1,2,…N)，N是樣本時(shí)間序列數(shù)量，其均值為比小的觀測(cè)值記為“-”，比大的觀測(cè)值記為“+”，由此得到一個(gè)符號(hào)序列，其中，將每段連續(xù)相同符號(hào)序列定義為一個(gè)游程，每個(gè)時(shí)序X(t)游程總數(shù)M，對(duì)應(yīng)本征模態(tài)函數(shù)IMF波動(dòng)程度，設(shè)置高頻和低頻游程閾值Y，當(dāng)M﹥Y則對(duì)應(yīng)的時(shí)間序列為高頻分量，M≤Y則對(duì)應(yīng)的時(shí)間序列為低頻分量。

更進(jìn)一步的，所述步驟S3中按照相似波動(dòng)頻率原則對(duì)本征模態(tài)函數(shù)IMF進(jìn)行重構(gòu)的方法如下：

將各個(gè)本征模態(tài)函數(shù)IMF中的高頻分量相加作為風(fēng)電出力時(shí)間序列樣本數(shù)據(jù)的總高頻分量IMF_hf、將各個(gè)本征模態(tài)函數(shù)IMF分量中的低頻分量相加作為風(fēng)電出力時(shí)間序列樣本數(shù)據(jù)的總低頻分量IMF_lf。

所述步驟S4中建立的所述Elman神經(jīng)網(wǎng)絡(luò)模型包括：模型拓?fù)浣Y(jié)構(gòu)、隱含層傳遞函數(shù)、輸出層傳遞函數(shù)、數(shù)據(jù)輸入、數(shù)據(jù)輸出；其中，模型拓?fù)浣Y(jié)構(gòu)包括：網(wǎng)絡(luò)層數(shù)、輸入層節(jié)點(diǎn)數(shù)、隱含層節(jié)點(diǎn)數(shù)、輸出層節(jié)點(diǎn)數(shù)；所述模型拓?fù)浣Y(jié)構(gòu)中輸入層節(jié)點(diǎn)數(shù)和輸出層節(jié)點(diǎn)數(shù)由預(yù)測(cè)樣本輸入和預(yù)測(cè)樣本輸出決定；隱含層節(jié)點(diǎn)數(shù)采用不斷漸增進(jìn)行訓(xùn)練測(cè)試的方式，采用窮舉法選取預(yù)測(cè)精度較高的值；且隱含層傳遞函數(shù)選取單極性Sigmoid非線性轉(zhuǎn)移函數(shù)，輸出層傳遞函數(shù)選擇purelin線性函數(shù)輸出；在總高頻分量序列中選取最大值，然后分別用每個(gè)總高頻分量除以總高頻分量最大值，得到歸一化的高頻分量；在總低頻分量序列中選取最大值，然后分別用每個(gè)總低頻分量除以總低頻分量最大值，得到歸一化的總低頻分量；在趨勢(shì)分量序列中選取最大值，然后分別用每個(gè)趨勢(shì)分量除以趨勢(shì)分量最大值，得到歸一化的趨勢(shì)分量。

進(jìn)一步的，所述步驟S5中改進(jìn)Elman的學(xué)習(xí)算法如下：

S5-1：根據(jù)Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，得到結(jié)構(gòu)單元k時(shí)刻的輸出值的a倍，即：

x_c,l(k)＝a·x_c,l(k-1)+x_l(k-1)l＝1,2,...,n

式中：x_c,l(k)和x_l(k)表示第l個(gè)隱含層單元的輸出，a為自連接反饋增益因子；

S5-2：Elman神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型為：

x_c(k)＝a·x_c(k-1)+x(k-1)

x(k)＝f(w₁x_c(k)+w₂u(k-1))

y_k＝g(w₃x(k))

式中：u(k-1)為Elman神經(jīng)網(wǎng)絡(luò)前一時(shí)刻輸入；w₃、w₂、w₁分別為承接層到隱含層的連接權(quán)、輸出層到隱含層的連接權(quán)、輸入層到承接層的連接權(quán)；x_c(k)、x(k)、y_k分別代表隱含層的輸入、輸出層的輸入和輸出層的輸出；

f(x)設(shè)置為sigmoid函數(shù)，即：

g(x)設(shè)置為線性函數(shù)，即：y_k＝w₃x(k)

定義k時(shí)刻網(wǎng)絡(luò)權(quán)值調(diào)整的誤差函數(shù)E：

$E\left(k\right)=\frac{1}{2}\underset{i}{\overset{m}{\&Sigma;}}{\left(y_{d,i}\right(k)-y_i(k\left)\right)}^2$

m表示輸出層的輸出數(shù)量，y_d,i(k)表示第i個(gè)調(diào)整后的輸出層輸出、y_i(k)表示調(diào)整前的輸出層輸出；

S5-3：將誤差函數(shù)E對(duì)承接層到隱含層的連接權(quán)w₃、輸出層到隱含層的連接權(quán)w₂、輸入層到承接層的連接權(quán)w₁分別求偏導(dǎo)，得到改進(jìn)Elman的學(xué)習(xí)算法如下：

${\mathrm{\&Delta;w}}_{3jl}={\mathrm{\&eta;\&delta;}}_i^0{x}_j\left(k\right),i=1,2,...,m;j=1,2,...,n$

${\mathrm{\&Delta;w}}_{2jq}={\mathrm{\&eta;\&delta;}}_j^h{u}_q(k-1),j=1,2,...,n;q=1,2,...,r$

${\mathrm{\&Delta;w}}_{3ij}=\mathrm{\&eta;}\underset{i=1}{\overset{mn}{\&Sigma;}}\left({{\mathrm{\&delta;}}_i}^0{w}_{3ij}\right)\frac{\&part;x_j\left(k\right)}{\&part;w_{1jl}}{{\mathrm{\&delta;}}_i}^0{x}_j\left(k\right),j=1,2,...,n;l=1,2,...,n$

式中：

${\mathrm{\&delta;}}_j^h=\mathrm{\&Sigma;}\left({{\mathrm{\&delta;}}_i}^0{w}_{3ij}\right)f_j^{\&prime;}(\&CenterDot;)$

η為學(xué)習(xí)算子，和均為中間變量，Δw_3jl、Δw_2jq、Δw_3ij分別為第j個(gè)承接層神經(jīng)元到第l個(gè)隱含層神經(jīng)元的連接權(quán)；第j個(gè)隱含層神經(jīng)元到第q個(gè)輸出層神經(jīng)元的連接權(quán)、第i個(gè)輸入層神經(jīng)元到第j個(gè)隱含層神經(jīng)元的連接權(quán)。

有益效果：本發(fā)明提供的經(jīng)驗(yàn)?zāi)Ｊ椒纸馀cElman神經(jīng)網(wǎng)絡(luò)組合風(fēng)電預(yù)測(cè)方法，通過(guò)將經(jīng)驗(yàn)?zāi)Ｊ椒纸夥纸夥ê透倪M(jìn)的Elman神經(jīng)網(wǎng)絡(luò)算法結(jié)合，用于風(fēng)電功率預(yù)測(cè)，相對(duì)于現(xiàn)有技術(shù)，能有效的提高預(yù)測(cè)精度和預(yù)測(cè)速度。本發(fā)明的經(jīng)驗(yàn)?zāi)Ｊ椒纸夥纸庵箫L(fēng)電出力時(shí)間序列被分解為一系列變化較為平穩(wěn)且具有明顯變化規(guī)律的高低頻和趨勢(shì)項(xiàng)，降低了不同時(shí)間尺度信息之間的影響和干擾，通過(guò)重構(gòu)將變化規(guī)律相近的分量進(jìn)行合并，進(jìn)而能夠針對(duì)性地對(duì)三個(gè)分量分別建立較為準(zhǔn)確的Elman多步預(yù)測(cè)模型，大大減少了預(yù)測(cè)分量數(shù)，提高預(yù)測(cè)精度和預(yù)測(cè)速度。本發(fā)明還彌補(bǔ)了在經(jīng)驗(yàn)?zāi)Ｊ椒纸馀cElman神經(jīng)網(wǎng)絡(luò)組合風(fēng)功率預(yù)測(cè)方面技術(shù)的空白，為風(fēng)電大規(guī)模并網(wǎng)后的電網(wǎng)調(diào)控提供了安全保障。

附圖說(shuō)明

圖1是本發(fā)明的流程示意圖；

圖2是本發(fā)明實(shí)施例一對(duì)應(yīng)的風(fēng)電出力曲線；

圖3是本發(fā)明實(shí)施例一對(duì)應(yīng)的一組輸入向量的經(jīng)驗(yàn)分解結(jié)果；

圖4是本發(fā)明實(shí)施例一對(duì)應(yīng)的三日前72步預(yù)測(cè)曲線和實(shí)測(cè)曲線對(duì)比；

圖5是本發(fā)明實(shí)施例一對(duì)應(yīng)的預(yù)測(cè)誤差曲線；

圖6是本發(fā)明實(shí)施例一對(duì)應(yīng)的基于EMD-Elman組合的預(yù)測(cè)值和實(shí)測(cè)值三分量對(duì)比。

具體實(shí)施方式

下面將結(jié)合附圖，對(duì)本發(fā)明的實(shí)施案例進(jìn)行詳細(xì)的描述；

本發(fā)明所述的一種經(jīng)驗(yàn)?zāi)Ｊ椒纸?Empirical Mode Decomposition,簡(jiǎn)稱(chēng)EMD)與Elman神經(jīng)網(wǎng)絡(luò)組合風(fēng)電預(yù)測(cè)方法，包括如下步驟：

步驟S1：篩選預(yù)測(cè)風(fēng)電場(chǎng)的樣本數(shù)據(jù)，選取波動(dòng)月份并確定預(yù)測(cè)周期，預(yù)測(cè)波動(dòng)月份內(nèi)預(yù)測(cè)周期的風(fēng)電出力，得到風(fēng)電出力時(shí)間序列樣本；具體包括如下步驟：

S1-1：對(duì)風(fēng)電場(chǎng)連續(xù)三年風(fēng)電出力特性進(jìn)行分析，選取風(fēng)電出力占風(fēng)電場(chǎng)額定容量比例超過(guò)70％～90％的月份進(jìn)行進(jìn)一步分析，優(yōu)選超過(guò)80％的月份進(jìn)行進(jìn)一步分析；

S1-2：運(yùn)用Pearson相關(guān)性分析(Pearson product-moment correlation coefficient，皮爾遜積矩相關(guān)系數(shù))公式，計(jì)算兩兩年度間全年度日出力相關(guān)性系數(shù)，選取正相關(guān)系數(shù)大于0.1-1的月份作為波動(dòng)月份，優(yōu)選正相關(guān)系數(shù)大于0.5的月份作為波動(dòng)月份；

S1-3：對(duì)S1-2中確定的波動(dòng)月份風(fēng)電出力進(jìn)行Hilbert譜分析(希爾伯特譜分析)，得到次波動(dòng)周期并以此確定預(yù)測(cè)周期；

S1-4：確定以波動(dòng)月份內(nèi)預(yù)測(cè)周期的風(fēng)電出力時(shí)間序列樣本數(shù)據(jù)來(lái)進(jìn)行日前72h的風(fēng)電出力預(yù)測(cè)。

步驟S2：對(duì)步驟S1得到的風(fēng)電場(chǎng)風(fēng)電出力時(shí)間序列樣本數(shù)據(jù)進(jìn)行經(jīng)驗(yàn)?zāi)Ｊ椒纸猓鶕?jù)經(jīng)驗(yàn)?zāi)Ｊ椒纸饨K止條件得到多個(gè)本征模態(tài)函數(shù)IMF和趨勢(shì)分量Res；具體包括如下步驟：

S2-1：風(fēng)電場(chǎng)一組風(fēng)電出力時(shí)間序列樣本原始數(shù)據(jù)Y(t)，令s(t)＝Y(jié)(t)，t表示時(shí)間，找出風(fēng)電場(chǎng)一組風(fēng)電出力時(shí)間序列樣本數(shù)據(jù)s(t)所有的極大值點(diǎn)，并將極大值點(diǎn)用三次樣條函數(shù)擬合成s(t)的上包絡(luò)線S_max(t)；再找出所有的極小值點(diǎn)并將極小值點(diǎn)用三次樣條函數(shù)擬合成s(t)的下包絡(luò)線S_min(t)；

S2-2：計(jì)算上包絡(luò)線S_max(t)與下包絡(luò)線S_min(t)的均值，記為m₁(t)，把s(t)減去m₁(t)即可得到一個(gè)去掉低頻的新數(shù)據(jù)序列h₁(t)，m1(t)＝(smax(t)+smin(t))/2；

S2-3：將新數(shù)據(jù)序列h₁(t)作為樣本數(shù)據(jù)重復(fù)S2-1、S2-2的處理過(guò)程k次，并記第k次處理所得到的平均包絡(luò)線為m_k(t)，第k次處理結(jié)束得到的新數(shù)據(jù)序列為h_k(t)，直到新數(shù)據(jù)序列h_k(t)符合本征模態(tài)函數(shù)IMF的分量終止條件判斷標(biāo)志TD，就得到風(fēng)電出力時(shí)間序列樣本數(shù)據(jù)s(t)的一個(gè)本征模態(tài)函數(shù)IMF的分量；

本征模態(tài)函數(shù)IMF的分量終止條件判斷標(biāo)志TD計(jì)算公式如下：

$TD={\&Sigma;}_{t=0}^T\&lsqb;\frac{|h_{k-1}\left(t\right)-h_k\left(t\right){|}^2}{h_{k-1}^2\left(t\right)}\&rsqb;$

T表示一個(gè)采樣周期，當(dāng)TD<Δ，Δ為停止閾值，Δ設(shè)置為0.2-0.3之間，令I(lǐng)MF_i(t)＝h_k(t)，IMF_i(t)為第i次計(jì)算終止得到的第i個(gè)本征模態(tài)函數(shù)IMF并終止迭代，進(jìn)入S2-4；否則重復(fù)S2-1至S2-3；

S2-4：將IMF_i(t)從s(t)中分離出來(lái)，即得到差值信號(hào)r_i(t)，

$r_i\left(t\right)=s\left(t\right)-{\mathrm{\&Sigma;}}_{i=1}^i{\mathrm{IMF}}_i\left(t\right)$

當(dāng)r_i(t)極值點(diǎn)數(shù)量大于N，其中N>0，令i＝i+1，k＝0，將r_i(t)作為樣本數(shù)據(jù)，即令s(t)＝r_i(t)，重復(fù)步驟S2-1、S2-2、S2-3的處理過(guò)程；

當(dāng)r_i(t)極值點(diǎn)數(shù)量小于等于N或者r_i(t)是單調(diào)函數(shù)，終止經(jīng)驗(yàn)?zāi)Ｊ椒纸?，并得到趨?shì)分量Res；

$\mathrm{Re}s\left(i\right)=s\left(t\right)-\underset{i=1}{\overset{i}{\&Sigma;}}{\mathrm{IMF}}_i\left(t\right)$

其中，Res為趨勢(shì)分量，IMF₁(t)，IMF₂(t)…IMF_i(t)為不同頻率的IMF分量；經(jīng)過(guò)經(jīng)驗(yàn)?zāi)Ｊ椒纸獾玫搅嗽紭颖拘蛄衁(t)的一系列本征模態(tài)函數(shù)IMFi(t)，其中i＝1,2,…n，以及趨勢(shì)分量Res(i)。

步驟S3：依據(jù)游程判別法對(duì)步驟S2所得本征模態(tài)函數(shù)IMF進(jìn)行波動(dòng)程度分類(lèi)，按照相似波動(dòng)頻率原則對(duì)本征模態(tài)函數(shù)IMF進(jìn)行重構(gòu)，重構(gòu)得到總高頻分量IMF_hf、總低頻分量IMF_lf；

其中，游程判別法具體為：設(shè)本征模態(tài)函數(shù)IMF對(duì)應(yīng)時(shí)間序列為{X(t)}(t＝1,2,…N)，N是樣本時(shí)間序列數(shù)量，其均值為比小的觀測(cè)值記為“-”，比大的觀測(cè)值記為“+”，由此得到一個(gè)符號(hào)序列，其中，將每段連續(xù)相同符號(hào)序列定義為一個(gè)游程，每個(gè)時(shí)序X(t)游程總數(shù)M，對(duì)應(yīng)本征模態(tài)函數(shù)IMF波動(dòng)程度，設(shè)置高頻和低頻游程閾值Y，當(dāng)M﹥Y則對(duì)應(yīng)的時(shí)間序列為高頻分量，M≤Y則對(duì)應(yīng)的時(shí)間序列為低頻分量。

然后，將各個(gè)本征模態(tài)函數(shù)IMF中的高頻分量相加作為風(fēng)電出力時(shí)間序列樣本數(shù)據(jù)的總高頻分量IMF_hf、將各個(gè)本征模態(tài)函數(shù)IMF分量中的低頻分量相加作為風(fēng)電出力時(shí)間序列樣本數(shù)據(jù)的總低頻分量IMF_lf。

步驟S4：建立Elman神經(jīng)網(wǎng)絡(luò)模型，對(duì)Elman神經(jīng)網(wǎng)絡(luò)模型承接層至隱含層、輸入層至隱含層和隱含層至輸出層的權(quán)值進(jìn)行初始化處理，對(duì)總高頻分量IMF_hf、總低頻分量IMF_lf、趨勢(shì)分量Res進(jìn)行數(shù)據(jù)歸一化處理，作為Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測(cè)試數(shù)據(jù)；

其中，建立的Elman神經(jīng)網(wǎng)絡(luò)模型包括：模型拓?fù)浣Y(jié)構(gòu)、隱含層傳遞函數(shù)、輸出層傳遞函數(shù)、數(shù)據(jù)輸入、數(shù)據(jù)輸出，模型拓?fù)浣Y(jié)構(gòu)包括：網(wǎng)絡(luò)層數(shù)、輸入層節(jié)點(diǎn)數(shù)、隱含層節(jié)點(diǎn)數(shù)、輸出層節(jié)點(diǎn)數(shù)；輸入層節(jié)點(diǎn)數(shù)和輸出層節(jié)點(diǎn)數(shù)由預(yù)測(cè)樣本輸入和預(yù)測(cè)樣本輸出決定；隱含層節(jié)點(diǎn)數(shù)采用不斷漸增進(jìn)行訓(xùn)練測(cè)試的方式，采用窮舉法選取預(yù)測(cè)精度較高的值，隱含層傳遞函數(shù)選取單極性Sigmoid非線性轉(zhuǎn)移函數(shù)，輸出層傳遞函數(shù)選擇purelin線性函數(shù)輸出；在總高頻分量序列中選取最大值，然后分別用每個(gè)總高頻分量除以總高頻分量最大值，得到歸一化的高頻分量；在總低頻分量序列中選取最大值，然后分別用每個(gè)總低頻分量除以總低頻分量最大值，得到歸一化的總低頻分量；在趨勢(shì)分量序列中選取最大值，然后分別用每個(gè)趨勢(shì)分量除以趨勢(shì)分量最大值，得到歸一化的趨勢(shì)分量。

步驟S5：分別對(duì)總高頻分量IMF_hf、總低頻分量IMF_lf和趨勢(shì)分量Res建立Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，采用改進(jìn)Elman的學(xué)習(xí)算法，進(jìn)行72h的日前功率預(yù)測(cè)，最后將總高頻分量IMF_hf、總低頻分量IMF_lf和趨勢(shì)分量Res的日前功率預(yù)測(cè)值自適應(yīng)疊加，得到目標(biāo)風(fēng)電出力72h的日前預(yù)測(cè)功率值。

其中，改進(jìn)Elman的學(xué)習(xí)算法如下：

S5-1：根據(jù)Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，得到結(jié)構(gòu)單元k時(shí)刻的輸出值的a倍，即：

x_c,l(k)＝a·x_c,l(k-1)+x_l(k-1)l＝1,2,...,n

式中：x_c,l(k)和x_l(k)表示第l個(gè)隱含層單元的輸出，a為自連接反饋增益因子；C，l為中間變量，分別代表隱含層輸入和隱含層輸出變量個(gè)數(shù)。

S5-2：Elman神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型為：

x_c(k)＝a·x_c(k-1)+x(k-1)

x(k)＝f(w₁x_c(k)+w₂u(k-1))

y_k＝g(w₃x(k))

式中：u(k-1)為Elman神經(jīng)網(wǎng)絡(luò)前一時(shí)刻輸入；w₃、w₂、w₁分別為承接層到隱含層的連接權(quán)、輸出層到隱含層的連接權(quán)、輸入層到承接層的連接權(quán)；x_c(k)、x(k)、y_k分別代表隱含層的輸入、輸出層的輸入和輸出層的輸出；

f(x)設(shè)置為sigmoid函數(shù)，即：

g(x)設(shè)置為線性函數(shù)，即：y_k＝w₃x(k)

定義k時(shí)刻網(wǎng)絡(luò)權(quán)值調(diào)整的誤差函數(shù)E：

$E\left(k\right)=\frac{1}{2}\underset{i}{\overset{m}{\&Sigma;}}{\left(y_{d,i}\right(k)-y_i(k\left)\right)}^2$

m表示輸出層的輸出數(shù)量，y_d,i(k)表示第i個(gè)調(diào)整后的輸出層輸出、y_i(k)表示調(diào)整前的輸出層輸出；

S5-3：將誤差函數(shù)E對(duì)承接層到隱含層的連接權(quán)w₃、輸出層到隱含層的連接權(quán)w₂、輸入層到承接層的連接權(quán)w₁分別求偏導(dǎo)，得到改進(jìn)Elman的學(xué)習(xí)算法如下：

${\mathrm{\&Delta;w}}_{3jl}={\mathrm{\&eta;\&delta;}}_i^0{x}_j\left(k\right),i=1,2,...,m;j=1,2,...,n$

${\mathrm{\&Delta;w}}_{2jq}={\mathrm{\&eta;\&delta;}}_j^h{u}_q(k-1),j=1,2,...,n;q=1,2,...,r$

${\mathrm{\&Delta;w}}_{3ij}=\mathrm{\&eta;}\underset{i=1}{\overset{mn}{\&Sigma;}}\left({{\mathrm{\&delta;}}_i}^0{w}_{3ij}\right)\frac{\&part;x_j\left(k\right)}{\&part;w_{1jl}}{{\mathrm{\&delta;}}_i}^0{x}_j\left(k\right),j=1,2,...,n;l=1,2,...,n$

式中：

${\mathrm{\&delta;}}_j^h=\mathrm{\&Sigma;}\left({{\mathrm{\&delta;}}_i}^0{w}_{3ij}\right)f_j^{\&prime;}(\&CenterDot;)$

η為學(xué)習(xí)算子，和均為中間變量，Δw_3jl、Δw_2jq、Δw_3ij分別為第j個(gè)承接層神經(jīng)元到第l個(gè)隱含層神經(jīng)元的連接權(quán)；第j個(gè)隱含層神經(jīng)元到第q個(gè)輸出層神經(jīng)元的連接權(quán)、第i個(gè)輸入層神經(jīng)元到第j個(gè)隱含層神經(jīng)元的連接權(quán)。

實(shí)施例一：

本發(fā)明通過(guò)以下實(shí)施例一來(lái)驗(yàn)證本發(fā)明的方法相比現(xiàn)有技術(shù)更為準(zhǔn)確和快速。實(shí)施例一依托具體實(shí)際算例，分析對(duì)比了Elman單一預(yù)測(cè)與經(jīng)驗(yàn)?zāi)B(tài)分解和Elman組合預(yù)測(cè)的誤差精度。本發(fā)明具有較強(qiáng)的容錯(cuò)性和魯棒性，具備自學(xué)習(xí)、自適應(yīng)、自組織的并行處理能力和信息綜合能力。

預(yù)測(cè)風(fēng)電場(chǎng)連續(xù)三年出力特性如圖2所示，按照步驟S1分析發(fā)現(xiàn)春冬季出力較大，秋季其次，夏季最小；進(jìn)一步運(yùn)用Pearson相關(guān)性分析公式，計(jì)算兩兩年度間全年度日出力相關(guān)性系數(shù)，發(fā)現(xiàn)冬季日的正相關(guān)系數(shù)為0.65，表明冬季三個(gè)年度出力波動(dòng)相似性較強(qiáng)；接著依據(jù)Hilbert譜分析，計(jì)算得出該風(fēng)電場(chǎng)出力的次波動(dòng)周期約為60天(次主頻0.0164Hz)，初步確定預(yù)測(cè)周期為2個(gè)月，因此選定該風(fēng)電場(chǎng)2011-2013三個(gè)年度10月和11月兩個(gè)秋季月份的風(fēng)電出力時(shí)間序列數(shù)據(jù)(圖2虛線框所示)，依據(jù)2011-2013年三個(gè)年度10-11月份某風(fēng)電場(chǎng)小時(shí)出力時(shí)間序列數(shù)據(jù)，運(yùn)用Elman神經(jīng)網(wǎng)絡(luò)單一預(yù)測(cè)模型和EMD-Elman組合預(yù)測(cè)模型分別對(duì)2013年11月末三日出力值進(jìn)行短時(shí)預(yù)測(cè)，兩種預(yù)測(cè)模型均為基于歷史數(shù)據(jù)的預(yù)測(cè)。選取連續(xù)30日作為輸入向量，后連續(xù)3日作為目標(biāo)向量，采樣分辨率為1個(gè)數(shù)據(jù)點(diǎn)/小時(shí)，每組輸入向量為720個(gè)功率測(cè)量點(diǎn)來(lái)進(jìn)行日前72h的風(fēng)電出力預(yù)測(cè)。

按照步驟S2的方法其中一組輸入向量的經(jīng)驗(yàn)分解結(jié)果，如圖3所示?？梢?jiàn)，一組樣本輸入向量經(jīng)過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解得到7個(gè)本征模態(tài)函數(shù)IMF和1個(gè)趨勢(shì)項(xiàng)Res，經(jīng)驗(yàn)?zāi)Ｊ椒纸獾玫礁鱾€(gè)分量波動(dòng)頻率依次減小，相比原始樣本小時(shí)出力時(shí)間序列逐漸表現(xiàn)出明顯規(guī)律性，通過(guò)經(jīng)驗(yàn)?zāi)Ｊ降姆纸?，非線性非平穩(wěn)出力時(shí)間序列信號(hào)自適應(yīng)的分解為具有不同時(shí)間特征尺度的平穩(wěn)分量，降低了不同特征信息之間的彼此影響和干涉，使得對(duì)于平穩(wěn)分量的預(yù)測(cè)更加準(zhǔn)確。

考慮到不同組輸入向量經(jīng)驗(yàn)?zāi)B(tài)分解所得IMF數(shù)量差異性，以及對(duì)每個(gè)IMF一一預(yù)測(cè)困難性，決定依據(jù)游程判別法將多個(gè)IMF和趨勢(shì)項(xiàng)重構(gòu)為高頻、低頻和趨勢(shì)三分量，然后分別應(yīng)用Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)電三日前出力的直接多步預(yù)測(cè)，一方面相比直接對(duì)非線性非平穩(wěn)風(fēng)電出力時(shí)間序列預(yù)測(cè)增加了精度，另一方面避免了對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解的各個(gè)IMF和Res分別預(yù)測(cè)的復(fù)雜度，同時(shí)保留了預(yù)測(cè)準(zhǔn)確度。

由于受信號(hào)數(shù)據(jù)極值點(diǎn)的影響，經(jīng)驗(yàn)?zāi)Ｊ椒纸獾玫絀MF數(shù)量近似與極值點(diǎn)個(gè)數(shù)成正比，而且任何一個(gè)IMF分量的極值點(diǎn)數(shù)目幾乎是前一個(gè)IMF分量極值點(diǎn)數(shù)目的一半，它的平均周期是前一個(gè)IMF分量的2倍，這種特性不隨著數(shù)據(jù)長(zhǎng)度的改變而改變，因而不同輸入向量經(jīng)過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解所得IMF個(gè)數(shù)存在差異性。進(jìn)一步計(jì)算每個(gè)IMF的游程數(shù)，發(fā)現(xiàn)游程近似與極值點(diǎn)數(shù)呈現(xiàn)相似規(guī)律。

按照步驟S3，依據(jù)fine-to-coarse重構(gòu)原則，直接將經(jīng)驗(yàn)?zāi)B(tài)分解得到的趨勢(shì)項(xiàng)歸為趨勢(shì)分量，將各個(gè)IMF重構(gòu)成高頻分量和低頻分量需要確定中間游程閥值?？紤]到風(fēng)電出力特性具有一定日變化規(guī)律，同時(shí)為了準(zhǔn)確劃分高頻和低頻分量，計(jì)算選取游程數(shù)為24作為中間閥值，大于閥值數(shù)的IMF合并為高頻分量，低于閥值數(shù)的IMF合并為低頻分量，基于該閥值確定的三分量重構(gòu)原則如表1所示。

表1基于游程判別法的三分量重構(gòu)原則

由于輸入向量和目標(biāo)向量點(diǎn)數(shù)存在差異，輸入向量數(shù)據(jù)點(diǎn)為720，目標(biāo)向量數(shù)據(jù)點(diǎn)為72，因而游程選取不同，目標(biāo)向量選擇游程閥值為12。進(jìn)一步對(duì)重構(gòu)的高頻分量、低頻分量和趨勢(shì)分量分別運(yùn)用Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行直接多步預(yù)測(cè)。

如圖4所示，根據(jù)S4建立Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，本發(fā)明實(shí)例預(yù)測(cè)時(shí)提前72步(每步為1h)，輸出為72個(gè)數(shù)據(jù)，輸出層神經(jīng)元確定為72。樣本數(shù)據(jù)是2011-2013年10-11月份風(fēng)電出力數(shù)據(jù)，前兩年和2013年11月27日之前數(shù)據(jù)均作為樣本訓(xùn)練和測(cè)試數(shù)據(jù)，2013年11月28-30日為目標(biāo)預(yù)測(cè)數(shù)據(jù)，每30日連續(xù)出力數(shù)據(jù)作為輸入向量，接著后3日連續(xù)出力數(shù)據(jù)作為目標(biāo)向量，例如：2011年10月28日-11月27日作為一組輸入向量，接著11月28-30日作為一組目標(biāo)向量，只是這組輸入向量和目標(biāo)向量比較特殊，這組分別是預(yù)測(cè)測(cè)試樣本和目標(biāo)預(yù)測(cè)結(jié)果，總計(jì)86組訓(xùn)練的輸入向量和目標(biāo)向量，所以輸入層神經(jīng)元節(jié)點(diǎn)數(shù)86，由于每組輸入向量是720維(每日24個(gè)點(diǎn)，連續(xù)30日)，訓(xùn)練量較大，經(jīng)過(guò)訓(xùn)練量、訓(xùn)練精度和速度等綜合比較，選取3層神經(jīng)元，含有一個(gè)隱層。隱層神經(jīng)元數(shù)采用不斷漸增進(jìn)行訓(xùn)練測(cè)試的方式，分別嘗試了7,11,15，最后發(fā)現(xiàn)隱層數(shù)為11時(shí)預(yù)測(cè)精度較高。隱層的傳遞函數(shù)選取單極性Sigmoid非線性轉(zhuǎn)移函數(shù)，輸出層選擇purelin線性函數(shù)輸出。

按照S5將三個(gè)分量預(yù)測(cè)結(jié)果自適應(yīng)疊加得到組合預(yù)測(cè)值，具體兩種不同預(yù)測(cè)模型的預(yù)測(cè)值曲線與實(shí)測(cè)值曲線。

1)Elman單一預(yù)測(cè)模型和EMD-Elman組合預(yù)測(cè)模型均能較好預(yù)測(cè)三日前風(fēng)電發(fā)電功率值，符合該測(cè)試風(fēng)電出力變化規(guī)律，前24h出力預(yù)測(cè)準(zhǔn)確度較高，預(yù)測(cè)具備較好的出力波動(dòng)跟隨特性；隨著風(fēng)電出力波動(dòng)加劇以及預(yù)測(cè)時(shí)間尺度變長(zhǎng)，預(yù)測(cè)精度下降，預(yù)測(cè)誤差也逐漸增大。

2)對(duì)于風(fēng)電出力時(shí)間序列較為平穩(wěn)段，兩種模型預(yù)測(cè)準(zhǔn)確度均較高；相比Elman單一預(yù)測(cè)模型，對(duì)于風(fēng)電出力波動(dòng)劇烈段以及較大幅值突變段，EMD-Elman組合預(yù)測(cè)模型均有較好跟隨能力，預(yù)測(cè)準(zhǔn)確度較高，總體預(yù)測(cè)精度EMD-Elman組合預(yù)測(cè)模型要優(yōu)于Elman單一神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

為了進(jìn)一步研究?jī)煞N預(yù)測(cè)模型的準(zhǔn)確性和有效性，需要分析對(duì)比兩種模型的預(yù)測(cè)誤差，表2所示給出了絕對(duì)平均誤差e_MAD、相對(duì)均方誤差e_RSE、歸一化絕對(duì)平均誤差e_NMAE、歸一化均方根誤差e_NRMSE典型四種預(yù)測(cè)誤差指標(biāo)，其中e_MAD和e_NRMSE主要表征預(yù)測(cè)誤差的離散程度，e_RSE表征預(yù)測(cè)誤差相對(duì)實(shí)測(cè)值百分比，e_NMAE主要表征預(yù)測(cè)誤差的平均幅值。

表2預(yù)測(cè)誤差指標(biāo)對(duì)比分析

兩種預(yù)測(cè)模型的預(yù)測(cè)誤差曲線如圖5所示。

兩種預(yù)測(cè)方法的短期預(yù)測(cè)精度均優(yōu)于常規(guī)預(yù)測(cè)方法，其絕對(duì)平均誤差均低于常規(guī)時(shí)間序列線性模型20％-30％預(yù)測(cè)誤差，兩者預(yù)測(cè)誤差相對(duì)于實(shí)測(cè)值均較低，預(yù)測(cè)誤差的平均幅值最大只有實(shí)測(cè)值10％左右，兩種預(yù)測(cè)模型的歸一化均方根誤差均為4％，低于常規(guī)預(yù)測(cè)方法，同時(shí)表明兩者預(yù)測(cè)誤差的離散程度相似，預(yù)測(cè)過(guò)程均具有較好誤差跟隨能力，且EMD-Elman組合預(yù)測(cè)模型e_NRMSE低于Elman單一預(yù)測(cè)，進(jìn)一步說(shuō)明組合預(yù)測(cè)模型跟隨特性優(yōu)于單一預(yù)測(cè)模型。此外從絕對(duì)平均誤差、相對(duì)均方誤差、歸一化絕對(duì)平均誤差其他三個(gè)指標(biāo)可以進(jìn)一步表明EMD-Elman組合預(yù)測(cè)誤差小于Elman單一預(yù)測(cè)模型。

由于EMD-Elman組合預(yù)測(cè)模型預(yù)測(cè)值由三分量預(yù)測(cè)值自適應(yīng)疊加得到的，預(yù)測(cè)誤差也是三個(gè)部分組成結(jié)果，為了進(jìn)一步分析三個(gè)分量誤差貢獻(xiàn)率，對(duì)預(yù)測(cè)目標(biāo)功率值進(jìn)行了經(jīng)驗(yàn)?zāi)B(tài)分解和三分量重構(gòu)并與組合預(yù)測(cè)得到預(yù)測(cè)值進(jìn)行對(duì)比分析，如圖6所示。

也即通過(guò)本發(fā)明提出的一種經(jīng)驗(yàn)?zāi)Ｊ椒纸馀cElman神經(jīng)網(wǎng)絡(luò)組合風(fēng)電預(yù)測(cè)方法，相比直接應(yīng)用Elman單一神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，經(jīng)過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解后，使得各個(gè)分量的建模難度降低，本文所提出的經(jīng)過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解之后風(fēng)電出力時(shí)間序列被分解為一系列變化較為平穩(wěn)且具有明顯變化規(guī)律的高低頻和趨勢(shì)項(xiàng)，從而在很大程度上降低了不同時(shí)間尺度信息之間的影響和干擾，通過(guò)fine-to-coarse重構(gòu)將變化規(guī)律相近的分量進(jìn)行合并，進(jìn)而能夠針對(duì)性地對(duì)三個(gè)分量分別建立較為準(zhǔn)確的Elman多步預(yù)測(cè)模型，大大減少了預(yù)測(cè)分量數(shù)，提高預(yù)測(cè)精度和預(yù)測(cè)速度。本發(fā)明彌補(bǔ)了國(guó)內(nèi)在經(jīng)驗(yàn)?zāi)Ｊ椒纸馀cElman神經(jīng)網(wǎng)絡(luò)組合風(fēng)功率預(yù)測(cè)方面技術(shù)的空白，為風(fēng)電大規(guī)模并網(wǎng)后的電網(wǎng)調(diào)控提供了安全保障。