[发明专利]基于格拉姆矩阵和卷积神经网络的风电超短期功率预测方法

说明书

本发明涉及一种基于格拉姆矩阵和卷积神经网络的风电超短期功率预测方法。适用于风力发电功率预测领域。本发明所采用的技术方案是：一种基于格拉姆矩阵和卷积神经网络的风电超短期功率预测方法，其特征在于：获取历史风速、历史风向和历史功率，包括待预测时刻之前n个时刻的风速、风向和功率；对历史功率数据进行VMD分解，获得m个不同中心频率的特征信号；对历史风速、历史风向和特征信号进行归一化处理；对归一化后的历史风速、历史风向和特征信号进行数据融合，并基于数据融合得到的数据构造格拉姆矩阵；将格拉姆矩阵输入经训练的风电功率预测模型，得到功率预测结果；所述风电功率预测模型基于卷积神经网络构建。

技术领域

本发明涉及一种基于格拉姆矩阵和卷积神经网络的风电超短期功率预测方法。适用于风力发电功率预测领域。

背景技术

风能作为新型能源，由于其储量无限、安全、清洁等特点使用广泛，得到各国的大力发展。风速的非平稳性导致风力发电功率的随机性和波动性较大，给大规模风力发电并网的安全稳定和经济运行带来了挑战，风力发电功率预测的精确率有待提高。

短期和超短期预测可以为电力调度和风电发电并网安全提供可靠的电力暂态信息，因此，风电功率预测研究主要集中在短期和超短期风电功率预测上。

风电功率预测大致分为以下四种类型:(1)物理方法；(2)统计方法；(3)深度学习方法；(4)混合方法。

由于建模简单、精确率较高，深度学习方法应用非常广泛。目前深度学习方法常用的神经网络主体结构主要包括卷积神经网络(CNN)、循环神经网络(RNN)。

卷积神经网络主要用于处理二维以上的数据信号(如图像)，循环神经网络主要用于处理一维的数据信号，例如时序信号。卷积神经网络在图像领域取得了巨大的成功，主要源于其网络结构强大的特征提取能力。卷积神经网络可以获得图像的多层特征，并可以通过残差结构，跳跃连接等方式，实现深层特征与浅层特征的融合，大幅提高网络的预测能力。

发明内容

本发明要解决的技术问题是：提供一种基于格拉姆矩阵和卷积神经网络的风电超短期功率预测方法。

本发明所采用的技术方案是：一种基于格拉姆矩阵和卷积神经网络的风电超短期功率预测方法，其特征在于：

获取历史风速、历史风向和历史功率，包括待预测时刻之前n个时刻的风速、风向和功率；

对历史功率数据进行VMD分解，获得m个不同中心频率的特征信号；

对历史风速、历史风向和特征信号进行归一化处理；

对归一化后的历史风速、历史风向和特征信号进行数据融合，并基于数据融合得到的数据构造格拉姆矩阵；

将格拉姆矩阵输入经训练的风电功率预测模型，得到功率预测结果；所述风电功率预测模型基于卷积神经网络构建。

所述对归一化后的历史风速、历史风向和特征信号进行数据融合，包括：

历史风速和历史风向经归一化后获得2个1*n的向量，特征信号经归一化后获得m个1*n的向量；

将历史风速、历史风向和特征信号数据融合，得到(m+2)个1*n的向量。

所述基于数据融合得到的数据构造格拉姆矩阵，包括：

将数据融合得到的(m+2)个1*n的向量进行展开后，获得(m+2)*n个1*1的向量；

对(m+2)*n个1*1的向量进行格拉姆矩阵的构造，获取1个((m+2)*n)*((m+2)*n)的矩阵。

所述风电功率预测模型的训练，包括：