[发明专利]一种集成深度学习和数据去噪的短期风速预测方法

说明书

本发明公开了一种集成深度学习和数据去噪的短期风速预测方法，步骤为：1)利用离散小波变换对风速序列A进行分解。2)利用小波软阈值去噪方法区分离散小波变换后的噪声信号和有效信号；3)将噪声信号的小波变换系数设为零，并重建风速时间序列，得到去噪后的风速序列B；4)利用风速序列B训练门控循环单元神经网络，得到风速预测模型；6)将实时风速输入到风速预测模型中，完成未来多步风速预测。本发明可以实现短期风速高质量的预测，以确保电力系统的经济调度和安全运行。

技术领域

本发明涉及风电功率预测领域，具体是一种集成深度学习和数据去噪的短期风速预测方法。

背景技术

在当今能源危机的背景下，可再生能源的开发和利用已成为政府和研究机构关注的焦点。截至2017年底，全球可再生能源装机容量已连续三年保持年均8％的增长率，装机容量已达2179GW。其中，风电装机容量是可再生能源的重要组成部分，占据第二大份额(23.59％)。同时，2017年风电装机容量增加94GW，同比增长10％。与水力、化石燃料、核能等其他能源相比，风力的大小主要取决于风速、风向、大气压等自然条件。而风速具有随机性、波动性和不可预测性，因此，风速的预测值难以准确获取。风速预测不佳，导致我国等一些国家采用了风力限电政策，这是对可再生能源的巨大浪费，大大降低了风电场业主的利润，从而极大地抑制了风电产业的发展。为了灵活地控制风力输出，为电力调度员提供方便，需要开发出有效的风速预测方法。

风速预测方法一般分为两大类：统计学习方法和物理方法。物理预报模型通过建立风的气动模型(例如方程组)来计算未来的风速值，从而能够在长期预报中得到准确的风速预报。统计学习方法通过风速的历史数据来预测风速值，在短期风速预测中效果较好。统计学习方法可分为两类：单一预测方法和整体预测方法(即预测模型与数据预处理技术相结合)。单一预测方法本身存在局限性，而整体预测方法可以更好地从数据中提取特征，因此，单一预测方法普遍不如整体预测方法。所以，整体预测方法被广泛地用于风速预测中，这也是本专利研究的重点。

但是，传统的机器学习方法缺乏深度提取能力，无法从数据中有效地提取时间序列信息。一种可行的解决方案便是采用深度学习方法。近年来，随着计算能力的提高和大数据技术的进步，深度学习方法得到了快速发展。深度学习的优势之一在于，与其他机器学习方法相比，它可以在每个计算步骤上自动构造更复杂的特征。在风速预测中，深度学习是提高风速预测精度的有效方法。但是，CNN或LSTM的模型参数通常很大，使得模型训练困难，容易被过度拟合。一种新型循环神经网络(RNN)方法门控循环单元(GRU)，专门用于解决上述问题。在LSTM的基础上，对GRU的结构进行优化、集成和升级，有效地提高了GRU的预测速度。而有关于用于风速预测的GRU的研究报道很少。而且，以往的许多研究只关注了预测精度，忽略了预测效率和结果波动性的重要性，这是需要改进的。因此，便选择GRU作为预测方法。结果的波动性表明，如果重复执行预测过程，则每个预测过程获得的结果的大小都会变化。

一方面，模型的预测速度很重要。模型的预测速度越快，风电企业可以更快地得到预测风速值，并根据最新获得的数据更新预测结果，从而制定出更好的风力发电调度方案。另一方面，结果的小波动性也很重要，它反映了一个算法在一个预测时间内获得的预测结果的可信度和可靠性。从实践的角度看，一个好的预测模型必须具备对不同地点良好的适应性，而关于风场预测模型适应性的研究报道较少。

除了预测算法之外，集成模型的另一个关键技术在于数据预处理。目前，广泛应用的数据预处理方法是基于分解的方法(如经验模式分解，EMD)。然而，新获得的数据将极大地影响初始分解子序列的值，因此基于EMD的预测方法在实际预测中很难使用，这导致在通过逆变换将结果的子序列转换回实际值之后，最终预测的精度降低。

发明内容

本发明的目的是解决现有技术中存在的问题。

为实现本发明目的而采用的技术方案是这样的，一种集成深度学习和数据去噪的短期风速预测方法，主要包括以下步骤：