本发明涉及一种超短期风电功率滑动预测方法,采用一种具有很强的非平稳信号跟踪、预测能力的原子稀疏分解法,作为神经网络的前置分解方法。
该方法将风电功率时间序列分解为原子分量和残差分量,对原子分量进行自预测,残差分量进行神经网络预测。随后,通过追加最新的风电功率实时数据来更新原子分解的结果,进而滑动预测下一个时刻的风电功率。
以实际风场数据进行验证,证明了该模型可以有效地处理风电功率非平稳性,产生更为稀疏的分解效果。同时,能显著地降低绝对平均误差、均方根误差计算值的统计区间。
因此,本发明具有如下优点: - 能够有效地处理风电功率非平稳性; - 产生更为稀疏的分解效果; - 能显著地降低绝对平均误差、均方根误差计算值的统计区间。
| 专利名称 | 一种超短期风电功率滑动预测方法 | ||
|---|---|---|---|
| 专利状态 | - | 专利号(申请号) | 201310064615.6 |
| 申请号 | - | 专利申请日期 | 2013-02-28 |
| 专利授权日期 | 2016-03-16 | 专利权届满日 | - |
| 专利所属地 | 中国 | 专利类型 | 发明专利 |
| 发明人 | 崔明建;孙元章;温彤 | ||
| 权利人 | - | ||
| 专利摘要 | 本发明涉及一种超短期风电功率滑动预测方法,采用一种具有很强的非平稳信号跟踪、预测能力的原子稀疏分解法,作为神经网络的前置分解方法。将风电功率时间序列分解为原子分量和残差分量,对原子分量进行自预测,残差分量进行神经网络预测,再通过追加最新的风电功率实时数据来更新原子分解的结果,进而滑动预测下一个时刻的风电功率。以实际风场数据进行验证,证明了该模型可以有效地处理风电功率非平稳性,产生更为稀疏的分解效果,能显著地降低绝对平均误差、均方根误差计算值的统计区间。因此,本发明具有如下优点:能够有效地处理风电功率非平稳性,产生更为稀疏的分解效果,能显著地降低绝对平均误差、均方根误差计算值的统计区间。 | ||