[发明专利]一种风光一体化功率预测方法

权利要求书

1.一种风光一体化功率预测方法，其特征在于：包括以下步骤：

步骤S1、选择模型输入数据；

步骤S2、通过DT-CWT对偶树复小波对光伏、风电原始功率数据进行降噪处理；

步骤S3、将处理后的数据进行LSTM多端口长短时记忆网络预测模型训练；

步骤S4、利用最小二乘法对风电预测功率P_y1、光伏预测功率P_y2的数据进行拟合，最终得到风电预测功率P_y1、光伏预测功率P_y2的预测曲线。

2.根据权利要求1所述的风光一体化功率预测方法，其特征在于：在所述步骤S1中，所述模型输入数据包含风电输出功率P1、光伏输出功率P2、风速f₁、环境温度f₂、湿度f₃、设备装机容量f₄以及设备运行电压f₅、总辐射g₁、环境温度g₂、组件温度g₃、海拔高度g₄、入射角g₅。

3.根据权利要求1所述的风光一体化功率预测方法，其特征在于：在所述步骤S1中，所述DT-CWT对偶树复小波包含上枝和下枝两个平行树，上枝为对偶数复小波变换的实部，下枝为DT-CWT的虚部，实部与虚部分别由两个高通滤波器与低通滤波器组成。

4.根据权利要求2所述的风光一体化功率预测方法，其特征在于：在所述步骤S3中，所述LSTM多端口长短时记忆网络预测模型为：

f_t＝σ(W_fg[h_t-1,x_t]+b_f)

i_t＝σ(W_ig[h_t-1,x_t]+b_i)

g_t＝tanh(W_gg[h_t-1,x_t]+b_g)

o_t＝σ(W_og[h_t-1,x_t]+b_o)

c_t＝f_t*c_t-1+i_t*g_t

h_t＝o_t*tanh(c_t)

其中，f_t,i_t,g_t,o_t分别是遗忘门、输入门、更新门、输出门的输出值，W_f、W_i、W_g、W_o分别为各个门的链接权重，b_f、b_i、b_g、b_o分别为各个门的偏移量，四个门的输入包括LSTM的t-1时刻的输出值ht-1和当前时刻的输入值x_t，C_t临时信息存储单元，σ是sigmoid激励函数。

5.根据权利要求2所述的风光一体化功率预测方法，其特征在于：在所述步骤S3中，还包括将降噪后的风电输出功率P_h1及影响因素形成风电输入矩阵X₁、降噪后的光伏输出功率P_h2及影响因素光伏输入矩阵X₂，X₁与X₂矩阵模型为：

X₁＝[P_h1 f₁ f₂ f₃ f₄ f₅]

X₁＝[P_h2 g₁ g₂ g₃ g₄ g₅]。