[发明专利]一种基于CEEMD-LZC和流形学习的短期风电功率预测方法和装置

说明书

本申请公开了一种基于CEEMD‑LZC和流形学习的短期风电功率预测方法和装置，其中方法包括：对待预测风电功率数据进行CEEMD分解，得到若干个第一分量；计算若干个第一分量的Lempel‑Ziv复杂度，将满足预置条件的Lempel‑Ziv复杂度对应的第一分量进行叠加，得到第一模态序列；将第一模态序列和降维后的待预测气象数据输入到预置极限学习机中，输出待预测风电功率数据和待预测气象数据的风电功率预测结果，解决了现有的短期风电功率预测方法存在风电功率预测准确率不高的技术问题。

技术领域

本申请涉及风电功率预测技术领域，尤其涉及一种基于CEEMD-LZC和流形学习的短期风电功率预测方法和装置。

背景技术

短期风电功率预测是通过在24～72小时内的风电场功率进行预测，准确预测风电场的出力，可以解决风电随机波动带来的调频、调压和调度运行等问题。现有的短期风电功率预测方法主要包括物理方法、统计方法和建模方法；物理方法是通过数值天气预报系统得到风速、风向、气压和气温等气象数据，然后风机周围的物理信息得到风力发电机组的风速和风向等信息，最后根据风机的功率曲线计算得到风机的实际输出功率；统计方法是根据历史风电相关数据在天气状况和输出功率之间建立映射关系，然后进行风电功率预测；建模方法主要是通过卷积神经网络或支持向量机等模型进行风电功率预测。由于风电功率数据本身具有随机波动性、非线性和非平稳性的特点，使得风电功率预测准确性不高。

发明内容

本申请提供了一种基于CEEMD-LZC和流形学习的短期风电功率预测方法和装置，用于解决现有的短期风电功率预测方法存在风电功率预测准确率不高的技术问题。

有鉴于此，本申请第一方面提供了一种基于CEEMD-LZC和流形学习的短期风电功率预测方法，包括：

对待预测风电功率数据进行CEEMD分解，得到若干个第一分量；

计算若干个所述第一分量的Lempel-Ziv复杂度，将满足预置条件的所述Lempel-Ziv复杂度对应的所述第一分量进行叠加，得到第一模态序列；

将所述第一模态序列和降维后的待预测气象数据输入到预置极限学习机中，输出所述待预测风电功率数据和所述待预测气象数据的风电功率预测结果。

优选地，所述将所述第一模态序列和降维处理后的待预测气象数据输入到预置极限学习机中，输出所述待预测风电功率数据和所述待预测气象数据的风电功率预测结果，之前还包括：

获取待训练风电功率数据和待训练气象数据；

对所述待训练风电功率数据进行CEEMD分解，得到若干个第二分量；

计算若干个所述第二分量的Lempel-Ziv复杂度，将满足所述预置条件的所述Lempel-Ziv复杂度对应的所述第二分量进行叠加，得到第二模态序列；

将所述第二模态序列和降维后的所述待训练气象数据输入到极限学习机，对所述极限学习机进行训练；

当所述极限学习机达到收敛条件时，得到训练好的所述极限学习机，将训练好的所述极限学习机作为所述预置极限学习机。

优选地，所述将所述第一模态序列和降维处理后的所述待预测气象数据输入到预置极限学习机中，输出所述待预测风电功率数据和所述待预测气象数据的风电功率预测结果，之前还包括：

基于穷举法在预置范围内选取参数；

基于预置维数和所述参数，根据局部线性嵌入方法对所述待训练气象数据进行降维处理，得到若干个低维数据；

将每个所述低维数据输入到残差函数中，得到若干个残差值，所述残差函数为：

e＝1-ρ²(D_x,D_y)；