基于EEMD与ARMA的短期风功率预测研究.pdf

科技论坛 ·55· 基于EEMD与ARMA的短期风功率预测研究 刘洪伯 王幸福 （东北电力大学电气工程学院，吉林吉林132012） 摘 要：风能作为一种清洁能源是所有可再生能源中最有前途和发展的技术，得到世界各国的高度重视。如果能对风电输出功率进 行比较系统且准确的预测，将会为电网调度部门制定日运行方式和制定合理调度计划提供参考，进而减弱风电对电网的不利影响，减少 旋转备用、提高电力系统的可靠性。因此找出一个有效相对准确的预测方法可以有效的解决上述问题。本文提出基于EMD-ARMA 和 EEMD-ARMA 的风功率预测方法，采用风场实际功率数据进行分析，验证所提方法的有效性。 关键词：短期风功率预测；经验模式分解（EMD ）；集合经验模式分解（EEMD ） 1概述 风能作为一种清洁能源得到世界各国的高度重视 虽然当前的风 力发电技术已经比较成熟，但电网对大规模的风电并网接纳能力较弱， 随着风电装机容量在电网中的比重增加，大规模风电并网会对现有的 电网造成重大冲击。风能的间歇性是限制风电发展的主要原因，如果能 对风电输出功率进行比较系统且准确的预测，将会为电网调度部门制 定日运行方式和制定合理调度计划提供参考，进而减弱风电对电网的 不利影响，减少旋转备用、提高电力系统的可靠性 目前主要应用的风电场预测方法有卡尔曼滤波法、时间序列法、人 工神经网络法、模糊逻辑法和一些组合算法。由于风能的波动性风场功 率的数据信号都是非平稳的、非线性的、波动较大的，受季节和天气影 响 因此单一的预测方法一般不可能在不同的情况和不同的条件下得 到理想结果 表1EMD分解结果 表2EEMD分解结果 经验模式分解（EmpiricalModeDecomposition,EMD）是近几年来 在很多领域取得成功应用的信号处理方法 主要用于非线性、非平稳信 本文将通过EMD和EEMD对风场历史数据分别进行平稳化处理 号的数据处理和分析，该方法具有自适应性，不需要设定基函数 其本 后，加入到目前比较成熟的ARMA模型中进行预测，比较分析EMD与 质是对原始的数据信号进行平稳化处理，在原始时间序列中按不同尺 EEMD的预测效果 度的波动和趋势逐级分解成具有独立的平稳分量，经EMD分解后能够 2经验模式分解和集合经验模式分解 得到有限个本征模态函数（IntrinsicModeFunction,IMF）,分析各个分 2.1EMD算法的基本原理 量的特点分别加入到推荐模型中进行预测。虽然EMD已被证明在处理 经验模式分解最早是在1998年由N.E.Huang等人提出的 EMD 非平稳信号上优于其他方法，但会出现模态混叠现象，影响其分解结 已经被普遍认为是分解非线性和非平稳时间序列的有效工具 例如：风 果。集合经验模式分解（Ensemble EmpiricalMode Decomposition, 速/功率时间序列。EMD将通过时间序列经验中的特性时间尺度来识 EEMD）是EMD的改进模型，同过加入多组不同尺度的噪声信号进行 别自身风振荡模式，然后将原始时间序列以快速和慢速振荡模式和残 EMD分解，改善了EMD分解的模态混叠现象 余函数相应地分解为IMF IMF的分解原则是从高频到低频 分解结果由若干本征信号函数(IMF)和一个残余信号组成 （1） 每个IMF必须要满足如下两个条件: （1）在整个信号上,极值点的个数和过零点的个数相等或至多有一 个不同; （2）在任意点处,上下包络的均值为0 通常情况下,