[发明专利]一种基于集成经验模态分解与深度信念网络的短期风功率预测方法

权利要求书

1.一种基于集成经验模态分解与深度信念网络的短期风功率预测方法，其特征在于：包括以下步骤：

(1)采用集成经验模态分解将原始风功率序列分解为一系列特征互异的本征模态函数；

(2)计算原始风功率序列及各本征模态函数的样本熵，分别记为SampEn_original和SampEn_IMF，将|SampEn_original-SampEn_IMF|<θ/2的模态函数合并为细节分量，将SampEn_original-SampEn_IMF>θ/2的模态函数合并为趋势分量，将SampEn_IMF-SampEn_original>θ/2的模态函数合并为随机分量；

(3)对细节分量、趋势分量和随机分量分别进行零均值化处理，采用偏自相关函数对细节分量、趋势分量和随机分量分别选取出与待预测时刻风功率相关性最高的输入变量集合，依据各分量输入变量集合分别构建训练样本集；

(4)对细节分量、趋势分量和随机分量分别建立短期风功率深度信念网络预测模型，将各分量预测结果叠加，从而获得最终的短期风功率预测值，完成短期风功率预测。

2.根据权利要求1所述的一种基于集成经验模态分解与深度信念网络的短期风功率预测方法，其特征在于：所述步骤(1)还包括：对原始风功率时间序列进行异常值检测与修正。

3.根据权利要求1或2所述的一种基于集成经验模态分解与深度信念网络的短期风功率预测方法，其特征在于：所述步骤(1)中采用集成经验模态分解将原始风功率序列分解为一系列特征互异的本征模态函数，具体过程为：

1.1在原始风功率序列f(t)中叠加随机高斯白噪声信号ω_j(t)，获得待分解信号F_j(t)，

F_j(t)＝f(t)+ω_j(t)

式中：j＝1,2,…,N，N为高斯白噪声总组数，ω_j(t)为第j组高斯白噪声信号，f(t)为原始风功率序列；

1.2对F_j(t)进行EMD分解，得到n个IMF分量和一个趋势分量，即：

c_j,i(t)＝h_j,k(t)

r_j,k(t)＝r_j,k-1(t)-c_j,i(t)

式中：h_j,k(t)为第j组第k次IMF过程分量筛选值，c_j,i(t)为第j组第i个IMF分量，r_j,k(t)为第j组第k次计算过程剩余分量，即对于第j组高斯白噪声信号，进行第k次迭代计算时获得的剩余分量，当迭代过程结束后，获得最终的第j组趋势分量r_j(t)；

1.3根据高斯零均值理论，采用集合平均的方法消除风功率序列中白噪声信号的波动，

原始风功率序列对应的本征模态分量c′_i(t)与剩余分量r′(t)为：

ci′(t)=1NΣj=1Ncj,i(t)]]>

r′(t)=1NΣj=1Nrj(t)]]>

式中：c′_i(t)为第i个原始风功率序列IMF分量，n为IMF分量总数，r′(t)为风功率序列剩余分量；r_j(t)为第j组趋势分量；

1.4得到由原始风功率序列f(t)的分解出来的本征模态函数为：

f(t)=Σi=1nci′(t)+r′(t).]]> 1