[发明专利]基于去趋势分析和门控循环网络的风电厂风速预测方法

说明书

本发明涉及一种基于去趋势分析和门控循环网络的风电厂风速预测方法，该方法使用历史真实风速数据分解得到不同时间尺度的分量用以训练预测模型，通过去趋势分析获取噪声分量的量化指标从而剔除噪声数据，在进行功率预测时，能够根据当前及之前若干时刻功率数据对下一时刻的功率进行预测。本发明具有不易发生过拟合，泛化误差小，模型噪声鲁棒性强等优点，能够适应实际生产需要。

技术领域

本发明涉及电力系统领域，具体涉及一种基于去趋势分析和门控循环网络的风电厂风速预测方法。

背景技术

近年来，风电作为清洁能源得到了长足的发展，有些省份，风力发电的装机容量已经占比15%以上。风力发电具有间歇性，随机性，不稳定性等特性，给风电并网后电力系统的安全运行带来极大挑战，也限制了风电能源的进一步发展。提高风速或者风电厂输出功率预测的准确性，能够更好实现风电与传统能源的协调调度，降低备用容量的配比，提高风电的上网比率。

然而，传统的风速预测方法存在预测精度不高，容易发生过拟合，对不良数据敏感，建模数据难以获取等问题。这些问题的存在，使得传统算法难以满足实际生产需要。

发明内容

有鉴于此，本发明的目的在于提供一种基于去趋势分析和门控循环网络的风电厂风速预测方法，

为实现上述目的，本发明采用如下技术方案：

一种基于去趋势分析和门控循环网络的风电厂风速预测方法，包括以下步骤：

步骤S1：获取风电厂的风速历史数据，并构建功率历史数据时间序列；

步骤S2：采用变分模态分解将功率历史数据时间序列分为15个子序列；

步骤S3：采用去趋势分析，计算每个序列的尺度参数，尺度参数大于0.5的视为有用分量，小于0.5的视为噪声分量滤去；

步骤S4：根据功率历史数据时间序列，对每个有用分量取待预测采样点及其前15个功率历史数据采样点构成一组数据,视为训练数据集的子数据集；

步骤S5：对每一有用序列构建随机森林预测模型，并通过对应的训练数据集的子数据集训练随机森林预测模型，其中尺度参数大于1的用2隐含层网络建模，尺度参数小于1的用4隐含层网络建模；

步骤S6：输入时有用分量临近的15个时刻风速历史数据采样值，分别输入对应的训练后随机森林预测模型，即可得到下一时刻该分量预测结果；

步骤S7:对每个有用分量的预测结果叠加，得到下一时刻风速的预测结果。

进一步的，所述功率历史数据采样频率为每10分钟采样一次。

进一步的，所述步骤S4具体为：将每个有用分量取每一个采样点及其前15个风速采样点构成一组数据，前15个功率历史数据视为相关变量，待预测采样点点视为结果变量，得到一组训练数据集的子数据集。

1. 进一步的，所述随机森林预测模型构建具体为：

其中，为重置门的当前状态，其值较大时会获取更多短期记忆信息，重置门控制输入与前一时刻系统输出的结合形态; 为更新门当前状态，其值较大时会获取更多长时记忆信息，其决定了前一时刻信息流入当前时刻的量，为候选激活值。

本发明与现有技术相比具有以下有益效果：

1、本发明不容易发生过拟合问题，泛化能力强，门控循环网络能够有效挖掘数据的时序关联。

2、本发明通过去趋势分析滤去噪声，对异常数据不敏感，预测结果不易受极端值影响。

附图说明

图1是本发明方法流程图；