[发明专利]一种深度学习的短期功率预测方法

说明书

本发明涉及新能源技术领域，尤其涉及了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，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，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。该深度学习的短期功率预测方法，风电场次日0‑24h日前功率预测准确率应大于等于80％，提升了风电功率的预测精度，不仅有助于电网调峰工作，增强电网的风电接纳能力，改善电力系统运行的安全性与经济性，而且对于保障风电一体化和电力系统的稳定运行起到至关重要的作用。

技术领域

本发明涉及新能源技术领域，具体为一种深度学习的短期功率预测方法。

背景技术

现如今全世界正处于不可再生能源濒危的状态，而风能作为可再生能源之一，成为目前最具开发性的代表能源，风力发电具有成本价格低廉、绿色可持续发展、经济规模显著等优点，目前针对风功率预测模型的研究越来越多，主要有四种：物理方法，统计方法，人工智能法与组合预测法，提高风电场短期功率预测精度，不仅可以为风电场制定合适的发电、配电和维护策略，而且可以提高风电并网的稳健性。

但是，由于其受到海拔、气压、温度、地形等环境因素的影响，风速具有随机性、不稳定性和波动性等特性，而风机的运行效率与风速有着密不可分的关系，另外，大规模的风电并网必定会对电网调度产生消极影响。

发明内容

本发明的目的在于提供一种深度学习的短期功率预测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：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，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。

优选的，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。

优选的，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。

优选的，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。

优选的，所述CEEMD分解方法包括以下步骤：