技术详细介绍
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。