1.本发明涉及电力系统负荷预测技术领域，更具体地，涉及一种基于频域分解的风电功率预测方法及一种基于频域分解的风电功率预测系统。
背景技术：2.随着电网规模的扩大，电网供电能力的提高，电能已经成为社会各行业最主要的能源之一。一方面，电源侧各类新能源占比逐步加大，为电力系统的稳定运行带来新的难关；另一方面，我国电力市场建设脚步日益加快，电力生产与消费需同时完成的特点，使得电力调度面临更大的挑战。在建立全国统一的电力市场背景下，实现对各类新能源电源的可观、可测、测控、可调直观重要，因此对新能源电源的功率进行准确预测就具有重要意义，而风电有是新能源电源的重要组成部分且功率预测较为困难。
3.目前针对风电功率预测的研究多为直接采用灰色模型、支持向量机方法、神经网络等人工智能算法对风电功率进行预测；或是在风电功率预测中考虑用电负荷的综合风电功率预测方法。但是两类方法均不能有效解决风机功率在连续时段内波动巨大的问题。
技术实现要素：4.为了解决现有技术中存在的不足，本发明提供了一种基于频域分解的风电功率预测方法及系统，以解决相关技术中存在的不能有效解决风机功率在连续时段内波动巨大的问题。
5.作为本发明的第一个方面，提供一种基于频域分解的风电功率预测方法，包括：
6.步骤s1：获取待测风机的历史功率数据p0；
7.步骤s2：对所述待测风机的历史功率数据p0进行频域分解，得到多个频域段的历史功率数据，分别设为p1、p2、p3……
pn；
8.步骤s3：对所述待测风机的各频域段历史功率数据p1、p2、p3……
pn分别预测下一时刻功率数据，对应得到所述待测风机的各频域段预测功率数据p1、p2、p3……
pn；
9.步骤s4：将所述待测风机的各频域段预测功率数据p1、p2、p3……
pn分别加入到各频域段历史功率数据p1、p2、p3……
pn，对应得到包含预测功率数据的各频域段目标功率数据p1'、p2'、p3'
……
pn'；
10.步骤s5：对包含预测功率数据的各频域段目标功率数据p1'、p2'、p3'
……
pn'进行合成，得到包含预测功率数据的所述待测风机的目标功率数据p'0。
11.进一步地，对所述待测风机的历史功率数据p0进行频域分解的方式包括傅里叶变换、小波分解或小波包分解，设历史功率数据p0包含m个数据；
12.通过傅里叶变换对所述待测风机的历史功率数据p0进行频域分解，其分解公式为：
[0013][0014]
其中，n为小于m的任意正整数，实际计算时，可以根据精度要求确定n的值，n值越大，精度越高，计算次数越多，计算效率越低；pn(k)表示pn的第k个数据；p0(m)表示p0的第m个数据；xn为系数，e为自然常数，i为虚数单位。
[0015]
进一步地，对所述待测风机的各频域段历史功率数据p1、p2、p3……
pn分别预测下一时刻功率数据，其预测方法采用灰色预测、神经网络预测或最小二乘法拟合；
[0016]
当步骤s2中使用傅里叶变换对所述待测风机的历史功率数据p0进行频域分解时，各频域段历史功率数据p1、p2、p3……
pn的公式为直接将m+1代入k，得到各频域段历史功率数据p1、p2、p3……
pn的各频域段下一时刻预测功率数据p1、p2、p3……
pn，即为：
[0017]
进一步地，通过傅里叶逆变换对所述包含预测功率数据的各频域段目标功率数据p1'、p2'、p3'
……
pn'进行合成，设p1'、p2'、p3'
……
pn'中分别增加了a个预测功率数据，则p1'、p2'、p3'
……
pn'分别包含m+a个数据，傅里叶逆变换公式为：
[0018][0019]
其中，p'0(t)为p'0的第t个数据，p1'(t)、p2'(t)、p3'(t)
…
pn'(t)分别为p1'、p2'、p3'
……
pn'的第t个数据，e为自然常数，i为虚数单位。
[0020]
进一步地，若需要预测多个下一时刻功率数据时，则重复步骤s3～s4，完成全部下一时刻功率数据预测后，进入步骤s5。
[0021]
作为本发明的第二个方面，提供一种基于频域分解的风电功率预测系统，包括：
[0022]
获取模块，用于获取待测风机的历史功率数据p0；
[0023]
分解模块，用于对所述待测风机的历史功率数据p0进行频域分解，得到多个频域段的历史功率数据，分别设为p1、p2、p3……
pn；
[0024]
预测模块，用于对所述待测风机的各频域段历史功率数据p1、p2、p3……
pn分别预测下一时刻功率数据，对应得到所述待测风机的各频域段预测功率数据p1、p2、p3……
pn；
[0025]
加入模块，用于将所述待测风机的各频域段预测功率数据p1、p2、p3……
pn分别加入到各频域段历史功率数据p1、p2、p3……
pn，对应得到包含预测功率数据的各频域段目标功率数据p1'、p2'、p3'
……
pn'；
[0026]
合成模块，用于对包含预测功率数据的各频域段目标功率数据p1'、p2'、p3'
……
pn'进行合成，得到包含预测功率数据的所述待测风机的目标功率数据p'0。
[0027]
进一步地，所述分解模块具体用于，对所述待测风机的历史功率数据p0进行频域分解的方式包括傅里叶变换、小波分解或小波包分解，设历史功率数据p0包含m个数据；
[0028]
通过傅里叶变换对所述待测风机的历史功率数据p0进行频域分解，其分解公式
为：
[0029][0030]
其中，n为小于m的任意正整数，实际计算时，可以根据精度要求确定n的值，n值越大，精度越高，计算次数越多，计算效率越低；pn(k)表示pn的第k个数据；p0(m)表示p0的第m个数据；xn为系数，e为自然常数，i为虚数单位。
[0031]
进一步地，所述预测模块具体用于，对所述待测风机的各频域段历史功率数据p1、p2、p3……
pn分别预测下一时刻功率数据，其预测方法采用灰色预测、神经网络预测或最小二乘法拟合；
[0032]
当使用傅里叶变换对所述待测风机的历史功率数据p0进行频域分解时，各频域段历史功率数据p1、p2、p3……
pn的公式为直接将m+1代入k，得到各频域段历史功率数据p1、p2、p3……
pn的各频域段下一时刻预测功率数据p1、p2、p3……
pn，即为：
[0033]
进一步地，所述合成模块具体用于，通过傅里叶逆变换对所述包含预测功率数据的各频域段目标功率数据p1'、p2'、p3'
……
pn'进行合成，设p1'、p2'、p3'
……
pn'中分别增加了a个预测功率数据，则p1'、p2'、p3'
……
pn'分别包含m+a个数据，傅里叶逆变换公式为：
[0034][0035]
其中，p'0(t)为p'0的第t个数据，p1'(t)、p2'(t)、p3'(t)
…
pn'(t)分别为p1'、p2'、p3'
……
pn'的第t个数据，e为自然常数，i为虚数单位。
[0036]
进一步地，所述预测模块还用于，当预测多个下一时刻功率数据时，重复所述预测模块和加入模块的执行动作，完成全部下一时刻功率数据预测后，进行所述合成模块的执行动作。
[0037]
本发明提供的基于频域分解的风电功率预测方法及系统具有以下优点：
[0038]
1、将风电功率数据在频域进行分解，对分解后的数据分别进行预测，预测后再将各频段数据合成，得到预测结果，能够有效解决风电功率波动大的问题；
[0039]
2、该预测方法通用性、灵活性较高，对风电功率数据的频域分解与功率预测均可以采用现有各种成熟有效的方法，并可以进行灵活搭配，解决不同特点的风电功率预测问题。
附图说明
[0040]
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。
[0041]
图1为本发明基于频域分解的风电功率预测方法的流程图。
具体实施方式
[0042]
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的基于频域分解的风电功率预测方法及系统其具体实施方式、结构、特征及其功效，详细说明如后。显然，所描述的实施例为本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
[0043]
在本实施例中提供了一种基于频域分解的风电功率预测方法，如图1所示，基于频域分解的风电功率预测方法包括：
[0044]
步骤s1：获取待测风机的历史功率数据p0；
[0045]
步骤s2：对所述待测风机的历史功率数据p0进行频域分解，得到多个频域段的历史功率数据，分别设为p1、p2、p3……
pn；
[0046]
步骤s3：对所述待测风机的各频域段历史功率数据p1、p2、p3……
pn分别预测下一时刻功率数据，对应得到所述待测风机的各频域段预测功率数据p1、p2、p3……
pn；
[0047]
步骤s4：将所述待测风机的各频域段预测功率数据p1、p2、p3……
pn分别加入到各频域段历史功率数据p1、p2、p3……
pn，对应得到包含预测功率数据的各频域段目标功率数据p1'、p2'、p3'
……
pn'；
[0048]
步骤s5：对包含预测功率数据的各频域段目标功率数据p1'、p2'、p3'
……
pn'进行合成，得到包含预测功率数据的所述待测风机的目标功率数据p'0。
[0049]
优选地，对所述待测风机的历史功率数据p0进行频域分解的方式包括傅里叶变换、小波分解或小波包分解(包括且不仅限于这些频域分解方法)，设历史功率数据p0包含m个数据；
[0050]
通过傅里叶变换对所述待测风机的历史功率数据p0进行频域分解，以傅里叶变换为例，其分解公式为：
[0051][0052]
其中，n为小于m的任意正整数，实际计算时，可以根据精度要求确定n的值，n值越大，精度越高，计算次数越多，计算效率越低；pn(k)表示pn的第k个数据；p0(m)表示p0的第m个数据；xn为系数，e为自然常数，i为虚数单位。
[0053]
优选地，对所述待测风机的各频域段历史功率数据p1、p2、p3……
pn分别预测下一时刻功率数据，其预测方法采用灰色预测、神经网络预测或最小二乘法拟合(包括且不仅限于这些预测方法)；
[0054]
当步骤s2中使用傅里叶变换对所述待测风机的历史功率数据p0进行频域分解时，各频域段历史功率数据p1、p2、p3……
pn的公式为直接将m+1代入k，得到各频域段历史功率数据p1、p2、p3……
pn的各频域段下一时刻预测功率数据p1、p2、p3……
pn，即为：
[0055]
优选地，通过傅里叶逆变换对所述包含预测功率数据的各频域段目标功率数据p1'、p2'、p3'
……
pn'进行合成，设p1'、p2'、p3'
……
pn'中分别增加了a个预测功率数据，则p1'、p2'、p3'
……
pn'分别包含m+a个数据，得到包含风机预测功率的数据p'0，合成方法由步骤s2中采用的频域分解方法确定，对p1'、p2'、p3'
……
pn'做其逆变换，以傅里叶逆变换为例，其变换公式为：
[0056][0057]
其中，p'0(t)为p'0的第t个数据，p1'(t)、p2'(t)、p3'(t)
…
pn'(t)分别为p1'、p2'、p3'
……
pn'的第t个数据，e为自然常数，i为虚数单位。
[0058]
优选地，若需要预测多个下一时刻功率数据时，则重复步骤s3～s4，完成全部下一时刻功率数据预测后，进入步骤s5。
[0059]
作为本发明的另一实施例，提供一种基于频域分解的风电功率预测系统，其中，包括：
[0060]
获取模块，用于获取待测风机的历史功率数据p0；
[0061]
分解模块，用于对所述待测风机的历史功率数据p0进行频域分解，得到多个频域段的历史功率数据，分别设为p1、p2、p3……
pn；
[0062]
预测模块，用于对所述待测风机的各频域段历史功率数据p1、p2、p3……
pn分别预测下一时刻功率数据，对应得到所述待测风机的各频域段预测功率数据p1、p2、p3……
pn；
[0063]
加入模块，用于将所述待测风机的各频域段预测功率数据p1、p2、p3……
pn分别加入到各频域段历史功率数据p1、p2、p3……
pn，对应得到包含预测功率数据的各频域段目标功率数据p1'、p2'、p3'
……
pn'；
[0064]
合成模块，用于对包含预测功率数据的各频域段目标功率数据p1'、p2'、p3'
……
pn'进行合成，得到包含预测功率数据的所述待测风机的目标功率数据p'0。
[0065]
优选地，所述分解模块具体用于，对所述待测风机的历史功率数据p0进行频域分解的方式包括傅里叶变换、小波分解或小波包分解，设历史功率数据p0包含m个数据；
[0066]
通过傅里叶变换对所述待测风机的历史功率数据p0进行频域分解，其分解公式为：
[0067][0068]
其中，n为小于m的任意正整数，实际计算时，可以根据精度要求确定n的值，n值越大，精度越高，计算次数越多，计算效率越低；pn(k)表示pn的第k个数据；p0(m)表示p0的第m个数据；xn为系数，e为自然常数，i为虚数单位。
[0069]
优选地，所述预测模块具体用于，对所述待测风机的各频域段历史功率数据p1、p2、p3……
pn分别预测下一时刻功率数据，其预测方法采用灰色预测、神经网络预测或最小二乘法拟合；
[0070]
当使用傅里叶变换对所述待测风机的历史功率数据p0进行频域分解时，各频域段历史功率数据p1、p2、p3……
pn的公式为直接将m+1代入k，得到各频域段历史功率数据p1、p2、p3……
pn的各频域段下一时刻预测功率数据p1、p2、p3……
pn，即为：
[0071]
优选地，所述合成模块具体用于，通过傅里叶逆变换对所述包含预测功率数据的各频域段目标功率数据p1'、p2'、p3'
……
pn'进行合成，设p1'、p2'、p3'
……
pn'中分别增加了a个预测功率数据，则p1'、p2'、p3'
……
pn'分别包含m+a个数据，傅里叶逆变换公式为：
[0072][0073]
其中，p'0(t)为p'0的第t个数据，p1'(t)、p2'(t)、p3'(t)
…
pn'(t)分别为p1'、p2'、p3'
……
pn'的第t个数据，e为自然常数，i为虚数单位。
[0074]
优选地，所述预测模块还用于，当预测多个下一时刻功率数据时，重复所述预测模块和加入模块的执行动作，完成全部下一时刻功率数据预测后，进行所述合成模块的执行动作。
[0075]
本发明针对风机功率波动较大的特点，提出了一种基于频域分解的风机功率预测方法。该方法首先对风机历史功率数据进行频域分解，得到不同频段的功率数据，然后对不同频段的功率数据分别进行预测，预测后再将各频段的功率数据进行合成，完成风机功率预测。该分析方法通用性、灵活性高，对风机功率数据的频域分解与功率预测均可以采用现有各种成熟有效的方法，并可以进行灵活搭配，解决不同特点的风电功率预测问题。
[0076]
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
技术特征：1.一种基于频域分解的风电功率预测方法，其特征在于，包括：步骤s1：获取待测风机的历史功率数据p0；步骤s2：对所述待测风机的历史功率数据p0进行频域分解，得到多个频域段的历史功率数据，分别设为p1、p2、p3......p
n
；步骤s3：对所述待测风机的各频域段历史功率数据p1、p2、p3......p
n
分别预测下一时刻功率数据，对应得到所述待测风机的各频域段预测功率数据p1、p2、p3......p
n
；步骤s4：将所述待测风机的各频域段预测功率数据p1、p2、p3......p
n
分别加入到各频域段历史功率数据p1、p2、p3......p
n
，对应得到包含预测功率数据的各频域段目标功率数据p1′
、p2′
、p3′
......p
n
′
；步骤s5：对包含预测功率数据的各频域段目标功率数据p1′
、p2′
、p3′
......p
n
′
进行合成，得到包含预测功率数据的所述待测风机的目标功率数据p
′0。2.根据权利要求1所述的基于频域分解的风电功率预测方法，其特征在于，对所述待测风机的历史功率数据p0进行频域分解的方式包括傅里叶变换、小波分解或小波包分解，设历史功率数据p0包含m个数据；通过傅里叶变换对所述待测风机的历史功率数据p0进行频域分解，其分解公式为：其中，n为小于m的任意正整数，实际计算时，可以根据精度要求确定n的值，n值越大，精度越高，计算次数越多，计算效率越低；p
n
(k)表示p
n
的第k个数据；p0(m)表示p0的第m个数据；x
n
为系数，e为自然常数，i为虚数单位。3.根据权利要求2所述的基于频域分解的风电功率预测方法，其特征在于，对所述待测风机的各频域段历史功率数据p1、p2、p3......p
n
分别预测下一时刻功率数据，其预测方法采用灰色预测、神经网络预测或最小二乘法拟合；当步骤s2中使用傅里叶变换对所述待测风机的历史功率数据p0进行频域分解时，各频域段历史功率数据p1、p2、p3......p
n
的公式为直接将m+1代入k，得到各频域段历史功率数据p1、p2、p3......p
n
的各频域段下一时刻预测功率数据p1、p2、p3......p
n
，即为：4.根据权利要求3所述的基于频域分解的风电功率预测方法，其特征在于，通过傅里叶逆变换对所述包含预测功率数据的各频域段目标功率数据p1′
、p2′
、p3′
......p
n
′
进行合成，设p1′
、p2′
、p3′
......p
n
′
中分别增加了a个预测功率数据，则p1′
、p2′
、p3′
......p
n
′
分别包含m+a个数据，傅里叶逆变换公式为：其中，p
′0(t)为p
′0的第t个数据，p1′
(t)、p2′
(t)、p3′
(t)
…
p
n
′
(t)分别为p1′
、p2′
、
p3′
......p
n
′
的第t个数据，e为自然常数，i为虚数单位。5.根据权利要求1所述的基于频域分解的风电功率预测方法，其特征在于，若需要预测多个下一时刻功率数据时，则重复步骤s3～s4，完成全部下一时刻功率数据预测后，进入步骤s5。6.一种基于频域分解的风电功率预测系统，其特征在于，包括：获取模块，用于获取待测风机的历史功率数据p0；分解模块，用于对所述待测风机的历史功率数据p0进行频域分解，得到多个频域段的历史功率数据，分别设为p1、p2、p3......p
n
；预测模块，用于对所述待测风机的各频域段历史功率数据p1、p2、p3......p
n
分别预测下一时刻功率数据，对应得到所述待测风机的各频域段预测功率数据p1、p2、p3......p
n
；加入模块，用于将所述待测风机的各频域段预测功率数据p1、p2、p3......p
n
分别加入到各频域段历史功率数据p1、p2、p3......p
n
，对应得到包含预测功率数据的各频域段目标功率数据p1′
、p2′
、p3′
......p
n
′
；合成模块，用于对包含预测功率数据的各频域段目标功率数据p1′
、p2′
、p3′
......p
n
′
进行合成，得到包含预测功率数据的所述待测风机的目标功率数据p
′0。7.根据权利要求6所述的基于频域分解的风电功率预测系统，其特征在于，所述分解模块具体用于，对所述待测风机的历史功率数据p0进行频域分解的方式包括傅里叶变换、小波分解或小波包分解，设历史功率数据p0包含m个数据；通过傅里叶变换对所述待测风机的历史功率数据p0进行频域分解，其分解公式为：其中，n为小于m的任意正整数，实际计算时，可以根据精度要求确定n的值，n值越大，精度越高，计算次数越多，计算效率越低；p
n
(k)表示p
n
的第k个数据；p0(m)表示p0的第m个数据；x
n
为系数，e为自然常数，i为虚数单位。8.根据权利要求7所述的基于频域分解的风电功率预测系统，其特征在于，所述预测模块具体用于，对所述待测风机的各频域段历史功率数据p1、p2、p3......p
n
分别预测下一时刻功率数据，其预测方法采用灰色预测、神经网络预测或最小二乘法拟合；当使用傅里叶变换对所述待测风机的历史功率数据p0进行频域分解时，各频域段历史功率数据p1、p2、p3......p
n
的公式为直接将m+1代入k，得到各频域段历史功率数据p1、p2、p3......p
n
的各频域段下一时刻预测功率数据p1、p2、p3......p
n
，即为：9.根据权利要求8所述的基于频域分解的风电功率预测系统，其特征在于，所述合成模块具体用于，通过傅里叶逆变换对所述包含预测功率数据的各频域段目标功率数据p1′
、p2′
、p3′
......p
n
′
进行合成，设p1′
、p2′
、p3′
......p
n
′
中分别增加了a个预测功率数据，则p1′
、p2′
、p3′
......p
n
′
分别包含m+a个数据，傅里叶逆变换公式为：
其中，p
′0(t)为p
′0的第t个数据，p1′
(t)、p2′
(t)、p3′
(t)
…
p
n
′
(t)分别为p1′
、p2′
、p3′
......p
n
′
的第t个数据，e为自然常数，i为虚数单位。10.根据权利要求6所述的基于频域分解的风电功率预测系统，其特征在于，所述预测模块还用于，当预测多个下一时刻功率数据时，重复所述预测模块和加入模块的执行动作，完成全部下一时刻功率数据预测后，进行所述合成模块的执行动作。
技术总结本发明涉及电力系统负荷预测技术领域，具体公开了一种基于频域分解的风电功率预测方法，包括：获取待测风机的历史功率数据；对待测风机的历史功率数据进行频域分解，得到多个频域段的历史功率数据；对待测风机的各频域段历史功率数据分别预测下一时刻功率数据，对应得到各频域段预测功率数据；将待测风机的各频域段预测功率数据分别加入到各频域段历史功率数据，对应得到各频域段目标功率数据；对各频域段目标功率数据进行合成，得到包含预测功率数据的所述待测风机的目标功率数据。本发明还公开了一种基于频域分解的风电功率预测系统。本发明提供的基于频域分解的风电功率预测方法，能够有效解决风电功率波动大的问题。能够有效解决风电功率波动大的问题。能够有效解决风电功率波动大的问题。
技术研发人员：董金哲 陈铭 严慧 杨光中 朱虹 张文程 刘志仁 张宇 邰钰 吕亚娟 刘远 王素云
受保护的技术使用者：国网江苏省电力有限公司无锡供电分公司
技术研发日：2022.06.22
技术公布日：2022/11/1
