[发明专利]基于二次模态分解和级联深度学习的风电功率预测方法

权利要求书

1.一种基于二次模态分解和级联深度学习的风电功率预测方法，其特征在于，包括以下步骤：

采集原始风电功率数据和风速数据；

对采集到的所述原始风电功率数据和风速数据进行信号预处理；

对预处理后的风电功率数据和风速数据进行二次模态分解，将风电功率和风速时间序列分解成一系列相对平稳的子序列；

通过CNN-GRU的级联式深度学习模型提取所述二次模态分解后产生的各个时间子序列与风速之间的耦合关系特征，得到各个时间子序列的风电功率预测结果；

叠加所述各个时间子序列的风电功率预测结果，输出总的风电功率预测值

2.根据权利要求1所述的一种基于二次模态分解和级联深度学习的风电功率预测方法，其特征在于，所述对采集所述原始风电功率数据和风速数据进行信号预处理，包括：

将采集到的所述原始风电功率数据和风速数据整理成关于时间的序列x(t)；

在所述原始风电功率和风速时间序列x(t)中加入高斯白噪声w(t)，生成包含噪声的信号X(t)。

3.根据权利要求2所述的一种基于二次模态分解和级联深度学习的风电功率预测方法，其特征在于，所述对预处理后的风电功率数据和风速数据进行二次模态分解，将风电功率和风速时间序列分解成一系列相对平稳的子序列，包括：

对预处理后的风电功率数据和风速数据先进行集合经验模态分解，得到新序列；

分解后的所述新序列若满足IMF特征，再进行小波包变换分解；

得到风电功率子序列、风速子序列、风向的正弦序列和风向的余弦序列。

4.根据权利要求3所述的一种基于二次模态分解和级联深度学习的风电功率预测方法，其特征在于，所述对预处理后的风电功率数据和风速数据进行二次模态分解，将风电功率和风速时间序列分解成一系列相对平稳的子序列，具体包括：

确定X(t)的局部极大值和极小值，并利用三次样条拟合曲线连接X(t)的局部极大值和局部极小值点，构成X(t)的上包络线u(t)和下包络线l(t)；

计算上下包络线的均值m(t)＝u(t)+l(t)；

用X(t)减去m(t)，得到新序列h(t)＝X(t)-m(t)；

若所述新序列h(t)满足IMF特征，则令X_IMF(t)＝h(t)；

若所述新序列h(t)不满足IMF特征，则令X(t)＝h(t)，重新确定X(t)的局部极大值和极小值；

从初始信号X(t)中减去IMF分量X_IMF(t)，得到差值序列r(t)＝X(t)-X_IMF1(t)；

若剩余序列只有一个局部极值点或是一个单调函数，则分解完毕；若否，则令X(t)＝r(t)为分解对象，重新确定X(t)的局部极大值和极小值继续进行分解；

使用小波包分解对频率较高的X_IMF1(t)进行进一步分解，将X_IMF1(t)子序列最终映射到2ⁱ(i为分解的层数)个小波包子空间中；

得到风电功率子序列、风速子序列、风向的正弦序列和风向的余弦序列。

5.根据权利要求4所述的一种基于二次模态分解和级联深度学习的风电功率预测方法，其特征在于，所述通过CNN-GRU的级联式深度学习模型提取所述二次模态分解后产生的各个时间子序列与风速之间的耦合关系特征，得到各个时间子序列的风电功率预测结果，包括：

将所述风电功率子序列、风速子序列、风向的正弦序列和风向的余弦序列拼接起来，形成1个m@T×n的时间序列，其中T为时间步长，n为特征数，m为通道数量；

搭建3个卷积层、1个扁平层的卷积神经网络CNN模型，各个卷积核的数目分别为4、8和16；

设定所述卷积层的输入为1@6×4的张量W_c，通过所述扁平层将最终的特征图谱排列成1个y＝(y1，y2，...，y)^T的一维向量；

搭建3个网络层的门控循环单元GRU，输入经过卷积操作的特征向量y，进一步提取各个时间子序列之间的时间相关性，最后输出各个时间子序列的风电功率预测结果