王　鵬，陳國初，徐余法，俞金壽
上海電機學院電氣學院，上海

華東理工大學信息科學與工程學院，上海

摘　　　要：針對非平穩信號在經驗模態分解（ＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＭＤ）過程中包絡擬合時出現的過沖／欠沖問題，提出采用分段三次Ｈｅｒｍｉｔｅ插值代替三次樣條插值作為新的包絡擬合算法。針對神經網絡對非平穩性功率序列預測困難問題，采用ＥＭＤ和神經網絡相結合的方法對發電功率進行預測。使用改進的ＥＭＤ對功率序列進行分解，降低序列的非平穩性，然后使用神經網絡對各分量進行預測，較后通過疊加得到預測結果。利用該方法對東北某風電場進行功率預測，仿真結果表明，與其他方法相比，基于改進的ＥＭＤ�玻粒危畏椒ň哂休^高的預測精度。

關　鍵　詞：經驗模態分解；Ｈｅｒｍｉｔｅ插值；人工神經網絡；風電功率；預測

１　引　言
風力發電在可再生能源利用技術中較為成熟。近幾年來，我國的風電事業表現出強勁的發展態勢。截止２００９年底，我國風電裝機總容量達到了２５８０萬ｋＷ，同比增長１２４％。風電功率預測是確保電網平衡風電波動和經濟運行的重要技術保障，短期預測有利于電力調度部門提前根據風電功率變化及時調整調度計劃，保證電能質量，減少系統的備用容量，降低電力系統運行成本。目前，風電場的短期功率預測常用方法有隨機時間序列法［１］、人工神經網絡法［２�玻常�、卡爾曼濾波法［４］、空間相關性法［５］及其他算法。由于風速具有隨機性和不穩定性，以及數據采集點的數量、氣壓、氣溫、濕度等因素干擾，使得功率預測問題比較復雜，往往預測精度不高，效果并不理想。目前國內研究存在以下不足：多數研究集中在風速的預測上，功率預測很少；預測方法單一；負荷端預測比發電端預測研究的多，但預測難易度正好相反。風速和功率序列具有非線性，非平穩性，單純的神經網絡（ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＡＮＮ）可以對非線性進行很好的預測，但是對非平穩性難以處理。經驗模態分解（ＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＭＤ）是希爾伯特黃變換（Ｈｉｌｂｅｒｔ�玻龋酰幔睿纾裕颍幔睿螅妫铮颍恚幔簦椋铮�，ＨＨＴ）中的一種信號分解方法，能夠對非線性，非平穩數據進行線性化，平穩性處理［６］，這就從根本上彌補了神經網絡預測的缺陷，但ＥＭＤ中的包絡過沖／欠沖問題，模態混疊問題以及端點漂移問題至今沒有有效解決。針對非線性，非平穩信號包絡的過沖／欠沖及端點漂移問題，本文提出了分段３次Ｈｅｒｍｉｔｅ多項式插值方法，通過測試表明了優越性，然后提出了將改進的ＥＭＤ和ＡＮＮ相結合的預測方法，應用于東北某風電場的功率預測，仿真測試結果表明，該方法具有較高的預測精度和適應性。

登錄網站后可下載文件