[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

说明书

本申请公开了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，首先采集获取原始风电功率数据和风速数据，对采集的数据进行信号预处理，使用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，可以对风电信号进行有效模态分解，然后使用卷积神经网络‑门控循环单元预测模型(CNN‑GRU)提取分解产生的时间子序列与风速之间耦合关系的隐含特征，进一步提取各个时间子序列之间的时间相关性，最后输出风电功率的预测值，可以更有效地预测风电功率、具有最佳的预测性能，因此拥有较好的应用前景。

技术领域

本申请涉及电力系统风电功率预测技术领域，尤其涉及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。

背景技术

现有技术中风电功率预测精度有限，电力系统的稳定性和电网平衡受到极大影响，用户用电质量难以得到保证。同时，电力部门对于风电预测精度的惩罚机制，也成为减少风电场利润的重要因素之一。相关统计表明，风电场每年因风电预测精度问题导致的平均罚款接近20万元/场站；其中部分地区高达200万元/场站。

因此，为了保证大规模风电并网后的安全经济运行，提高风电预测精度水平已成为当前电力系统亟待解决的关键问题。迄今为止，国内外学者在风电功率预测方面的研究主要归为物理模型、统计模型和人工智能三种模型。物理模型使用物理因素、气象数据来估计未来的风电功率，但在短期预测中效果不佳。统计模型假设风速数据是正态分布并且是线性相关的，这与实际情况不相符，因此其预测性能往往不能得以保证。随着机器学习的迅速发展，国内外研究人员近年来尝试将其应用于风电预测中。这些方法包括人工神经网络(artificial intelligent network，ANN)、支持向量机(support vector machine，SVM)和极限学习机(extreme learningmachine，ELM)等。

如果能够有效挖掘输入参数之间隐藏的耦合关系及提取特征的时间相关性，将有助于改善预测精度。但由于天气系统的复杂性，风电功率系列是非平稳和复杂的信号，导致单一的预测模型不能精确预测风电功率序列。

发明内容

本申请提供了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，以解决现有技术中的风电功率预测模型不能精确预测风电功率序列，预测精度低的问题。

本申请采用的技术方案如下：

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，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

优选地，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)。

优选地，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；