[发明专利]一种深度学习的短期功率预测方法

权利要求书

1.一种深度学习的短期功率预测方法，包括EMD分解方法、CEEMD分解方法、BP神经网络、SVM模型和GRU算法，其特征在于：所述EMD分解方法、CEEMD分解方法、BP神经网络、SVM模型和GRU算法共同组成组合模型。

2.根据权利要求1所述的一种深度学习的短期功率预测方法，其特征在于：所述EMD以及CEEMD对原始风电功率进行分解，得到各个不同的分量，将各个分量应用BP神经网络、SVM模型以及GRU模型进行建模，得到短期风电功率预测结果。

3.根据权利要求1所述的一种深度学习的短期功率预测方法，其特征在于：所述EMD分解方法包括以下步骤：

1)通过原始信号，找出上下极值点，并画出上下包络线；

2)由画出的上下包络线，求解出上下包络线的均值，从而画出均值包络线；

3)用原始信号减去均值信号，得出中间信号；

4)通过IMF的两个约束条件来判断均值信号是否为IMF信号；如果满足要求，则将该信号记为第一个分量；如果不满足条件，则以该信号为新的原始信号，并进行步骤(1)-(3)，直到满足条件为止；

5)将分解出的第一个分量记为IMF1，然后用原始信号减去分量IMF1得到新的原始信号，再重复进行步骤(1)-(3)，得到分量IMF2，以此类推，直到原始信号被完全分解。

4.根据权利要求1所述的一种深度学习的短期功率预测方法，其特征在于：所述CEEMD分解方法包括EEMD分解方法，所述EEMD分解方法包括以下步骤：

1)将原始信号处理次数设定为m；

2)将不同幅值的随机白噪声分别添加到这m个原始信号当中，从而形成一系列新的原始信号；

3)对新得到的原始信号进行EMD分解后，得到一系列新的最终IMF分量；

4)对得出的IMF分量分别求取平均值，导出EEMD分解的最终结果。

5.根据权利要求1所述的一种深度学习的短期功率预测方法，其特征在于：所述CEEMD分解方法包括以下步骤：

1)在原始信号x(t)中加入一组符号为一正一负的白噪声n⁺₁(t)和n^-₁(t)得到m⁺₁(t)和m^-₁(t)；

2)对m⁺₁(t)和m^-₁(t)进行EMD分解，分别得出一列模态函数(IMF)；

3)在原始信号x(t)中加入不同高斯白噪声信号，重复步骤(1)、(2)，得到N组本征模态函数C_iN+、r_N+和C_iN-、r_N-；

4)分别对本征模态函数和剩余分量求取均值，公式如下所示，导出最终的模态分量IMF。