[发明专利]一种基于EMD-LSTM的短期风电功率预测方法

说明书

本申请提供一种基于EMD‑LSTM的短期风电功率预测方法，获取风场的历史数据，历史数据包括天气预报数据和历史风电功率数据；对历史数据进行归一化处理，得到待处理历史数据；根据经验模态分解对待处理历史数据进行分解，以及，平稳化处理，得到多组子序列；对各组子序列进行相关性筛选，筛选出n+1组待处理子序列；对待处理子序列和待处理历史数据通过长短期记忆网络模型预测，得到n+1个预测值，预测值为待处理子序列分量的预测值；对n+1个预测值进行反归一化处理，并叠加得到最终预测结果。本申请使用预测方法需要调整的参数少，同时可以处理较长时间的非线性序列预测问题，能够及时准确的预测风电功率，从而实现对风电场精确调度运行。

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EMD-LSTM的短期风电功率预测方法。

背景技术

可再生能源如风电、光伏发电等在近年来得到快速发展，越来越多的可再生能源接入电网，对电网带来了新的挑战。

风电是一种具有间歇性和波动性的可再生能源，这种特性对于并网、调度等带来一定不利影响，风力发电的预测技术成为缓解这种影响的一种有效方式，它可以根据风力发电的预测数据进行日前或实时的调度。然而，传统风力发电的预测方法的预测精度低，不能准确的预测风电功率，从而根据预测值对风电场的调度不准确。

发明内容

本申请提供了一种基于EMD-LSTM的短期风电功率预测方法，以解决技术问题。

为了达到上述目的，本申请实施例采用以下技术方案：

提供一种基于EMD-LSTM的短期风电功率预测方法，所述方法包括：

获取风场的历史数据，所述历史数据包括天气预报数据和历史风电功率数据；

对所述历史数据进行归一化处理，得到待处理历史数据；

根据经验模态分解对待处理历史数据进行分解，以及，平稳化处理，得到多组子序列；

对各组子序列进行相关性筛选，筛选出n+1组待处理子序列；

对所述待处理子序列和所述待处理历史数据通过长短期记忆网络模型预测，得到n+1个预测值，所述预测值为待处理子序列分量的预测值；

对所述n+1个预测值进行反归一化处理，并叠加得到最终预测结果。

进一步地，对所述历史数据进行归一化处理，归一化公式为：

式中，y与y^*分别表示归一化前后的数据；y_max与y_min分别表示归一化前的最大值和最小值。

进一步地，所述历史风电功率数据包括历史最大风电功率数据、历史最小风电功率数据和历史平均风电功率数据。

进一步地，所述根据经验模态分解对待处理历史数据进行分解，包括：

根据所述历史平均风电功率数据，确定各种特征向量的局部极大值点和极小值点；

通过三次样条曲线函数构造每种特征向量的上包络线a(t)和下包络线b(t)；

通过所述上包络线和下包络线，确定每种特征向量的平均值

计算原始历史平均风电功率序列y(t)，并和平均值c(t)作差，得到特征向量的差值d(t)＝y(t)-c(t)；

如果特征向量的差值d(t)符合经验模态分解的分量条件时，所述特征向量的差值d(t)为所述原始历史平均风电功率序列y(t)的最大频率分量l₁(t)；