技术摘要：
本发明公开了一种风功率预测方法，包括：将历史风功率数据分解为多个不同波动特征的模态分量，并将多个分为高频模态分量和低频模态分量：分别建立影响每个模态分量的特征集合；将高频模态分量及对应的特征集合输入第一预测模型中进行预测，得到第一预测模态分量，将低  全部
背景技术：
21世纪以来，伴随着社会经济快速地发展，化石能源消耗的速度日益增加。然而化 石能源的储存是有限的，因此，新能源的开发与利用受到广泛关注。在所有新能源中，风能 的地位不容小觑，风电出力的精准预测对电力系统运行的稳定、安全和经济有着重大的影 响。 目前传统的风电功率预测方法在预测过程中存在以下几个问题：一、风电功率数 据具有很强的波动性、随机性和多频性，将风电数据直接用来预测忽略了风功率数据的这 些特性；二、风电功率数据经一些分解方法分解后会出现模态混叠和虚假分量，污染了原始 风电数据并加大了预测的工作量；三、风电功率被分解后会得到具有不同波动特征的模态 分量，只使用一种方法预测分解得到的各个分量，无法充分利用各个分量的波动特性，无形 中降低了各分量的预测精度，进而降低了整个风功率的预测精度；四、风电功率数据受到风 速、风向和气压等气象因素的影响，一些模型在对风功率数据进行分解的时候忽略了这些 影响因素对风功率数据的影响，使风功率数据在分解过程中丢失的信息无法得到弥补。
技术实现要素：
本发明的目的是提供一种风功率预测方法，解决了现有技术中存在的风功率的预 测精度低的问题。 本发明所采用的技术方案是，一种风功率预测方法，包括以下步骤： 步骤1、将历史风功率数据分解为多个不同波动特征的模态分量，并将多个分为高 频模态分量和低频模态分量； 步骤2、分别建立影响每个模态分量的特征集合； 步骤3、将高频模态分量及对应的特征集合输入第一预测模型中进行预测，得到第 一预测模态分量，将低频模态分量及对应的特征集合输入第二预测模型中进行预测，得到 第二预测模态分量； 步骤4、对第一预测模态分量、第二预测模态分量进行集成，得到风功率预测值。 本发明的特点还在于： 还包括，步骤5、对预测模态分量进行评价。 采用变分模态分解法将历史风功率数据分解为多个模态分量。 步骤1具体包括： 步骤1.1、确定模态个数k和惩罚因子； 步骤1.2、先利用维纳滤波对历史风功率数据进行去噪，再设定有限带宽参数α、中 心角频率ω，并对两者进行初始化，然后根据初始化后有限带宽参数α、中心角频率ω估算 得到k个中心角频率ωk，最后根据中心角频率ωk获得k个模态函数uk； 4 CN 111598313 A 说　明　书 2/8 页 步骤1.3、使每个模态函数uk的中心角频率ωk、带宽在变分模型中不断地相互交替 迭代更新，最后自适应地分解去燥后的历史风功率数据频带，得到k个窄带的模态分量。 步骤2具体包括： 步骤2.1、建立初始特征集合Fm； 步骤2.2、采用增量搜索法在初始特征集合Fm搜索特征建立候选特征集J； 假设从初始特征集合Fm中选取的n-1个特征共同构成特征集Jn-1,则根据增量搜索 方法从集合{Fm-Jn-1}中选择第n个特征的表示公式为： 上式中，I(xi,y)为特征xi和对应模态分量y之间的互信息I(xj,y)为特征xj和对应 模态分量y之间的互信息，I(xj,xi)为特征xj和特征xi之间的互信息； 步骤2.3、采用最大相关最小冗余法计算每个特征与目标分量的mRMR值，最大相关 最小冗余法表示公式如下： 其中，最大相关性通过特征xi和对应的模态分量y之间的互信息的平均值D表示 为： 上式中，|J|为特征集J中的特征的数量；I(xi,y)为特征xi和对应模态分量y之间的 互信息，其表达式如下： 上式中，p(xi)、p(y)、p(xi,y)分别为特征xi、模态分量y的边缘概率密度函数及两 者的联合概率密度函数； 最小冗余度的公式如下： 步骤2.3、将特征按照mRMR值降序排列依次输入误差函数中计算误差，将误差最小 时的特征个数作为特征集合。 第一预测模型为BP神经网络，第二预测模型为最小二乘支持向量机。 步骤4中采用BP神经网络模型对第一预测模态分量、第二预测模态分量进行集成。 采用平均绝对误差、均方误差、均方根误差对分别风功率预测值进行评价。 本发明的有益效果是： 本发明一种风功率预测方法，采用VMD方法将历史风功率数据分解为模态分量，能 改善风功率数据分解过程中出现的模态混叠和虚假分量；分析气象因素对每个模态分量的 影响，弥补风功率数据分解过程中出现的信息缺失；使用不同的预测模型分别对高频、低频 5 CN 111598313 A 说　明　书 3/8 页 模态分量进行预测，能改善单一预测模型的局限性，能提高各分量的预测精度，进而提高整 个风功率的预测精度。 附图说明 图1是本发明一种风功率预测方法的流程图。 图2是本发明一种风功率预测方法中建立特征集合的流程图； 图3是本发明一种风功率预测方法中BP神经网络模型的结构示意图。