[发明专利]一种基于SSA-GRU-MSAR的风电功率预测方法

说明书

本发明涉及一种基于SSA‑GRU‑MSAR的风电功率预测方法，包括：S1、采集风电厂的历史风力特征数据和相应的历史实际风功率，进行数据补全，得到风力历史特征值并划分为训练集和测试集，然后进行归一化处理；S2、训练集经功率信号分解后输入到经麻雀算法优化的GRU模型中，再将测试集输入完成训练的GRU模型，得到风力历史预测值，与历史实际风功率输入误差模型进行误差修正，并调整模型参数；S3、获取实时风力特征数据，进行数据处理得到风力实时特征值，输入GRU模型中，得到风力实时预测值，并输入误差模型进行误差修正，反归一化处理后得到实时风功率。与现有技术相比，本发明具有减少风电厂对电力系统的冲击，提高电网运行的经济性、安全性和可靠性等优点。

技术领域

本发明涉及风电厂预测技术领域，尤其是涉及一种基于SSA-GRU-MSAR的风电功率预测方法。

背景技术

风功率预测的主要方法有以下三种：统计方法、物理方法和学习方法，三种预测方法都对应着不同的数据类型和预测时长。物理方法需要收集风场的风向、风速、气压等数值天气数据，通过这些间接的物理数据，推算得到风功率的预测值。统计方法运用统计学原理，寻找风功率的预测值与历史数据间的内在关系，卡尔曼滤波模型、小波模型以及回归分析模型都是常用的统计预测模型。学习方法利用深度学习算法构建学习模型，通过原始数据的训练和测试，优化调整学习模型的参数，使得学习后的模型能够从新的输入数据中快速精准地得到风功率预测结果。目前主流方案是结合数值天气预报和机器学习算法对风功率进行时序预测，如LSTM(长短时记忆神经网络)、GRU(门控循环神经网络)等，包含超短期预报(未来4个小时共16个时刻)和短期预报(未来三天共288个时刻)。

其中物理方法在长期预测中表现良好，但由于预测模型与历史的数据不存在任何关联，从而导致在短期预测中，预测结果的精度不高。统计学模型在解决预测时间延迟方面表现良好，但在长期预测中，预测结果精度较低。LSTM深度学习模型的结构复杂，该模型需要很长的训练时间，使得预测的效率比较低下，GRU和LSTM作用相似，能够解决传统RNN(循环神经网络)存在的梯度消失和梯度爆炸问题，GRU所拥有特殊的门结构，使得GRU在预测精度和预测速度上优于LSTM而被广泛使用。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于SSA-GRU-MSAR的风电功率预测方法，准确地对风电厂未来风功率的预测，有效地减少和避免风电厂对电力系统产生的冲击，提高电网运行的经济性、安全性和可靠性。

本发明的目的可以通过以下技术方案来实现：

一种基于SSA-GRU-MSAR的风电功率预测方法，具体包括以下步骤：

S1、采集风电厂的历史风力特征数据和相应的历史实际风功率，对历史风力特征数据进行数据补全处理，得到风力历史特征值并划分为训练集和测试集，并将训练集和测试集中的风力历史特征值和历史实际风功率进行归一化处理；

S2、训练集中的风力历史特征值经功率信号分解后输入到经麻雀算法(SSA)优化的GRU模型中进行训练，再将测试集中的风力历史特征值输入完成训练的GRU模型中，得到风力历史预测值，将历史实际风功率与风力历史预测值输入误差模型进行误差修正，并调整误差模型的模型参数；

S3、获取实时风力特征数据，将实时风力特征数据进行数据补全和归一化处理得到风力实时特征值，输入完成训练的GRU模型中，得到风力实时预测值，并输入误差模型进行误差修正，修正后的风力实时预测值经过反归一化处理，得到实时风功率。

所述步骤S1中采用邻近均值法进行数据补全处理。

进一步地，所述数据补全处理中需要进行补全的数据类型包括数据缺失值和数据异常值。

所述步骤S1和S3中采用最小最大值标准化方法(MinMaxScaler)进行归一化处理。