一种基于EMD-LSTM的短期风电功率预测方法技术

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。

【技术实现步骤摘要】
一种基于EMD-LSTM的短期风电功率预测方法
本申请涉及风电功率预测
，尤其涉及一种基于EMD-LSTM的短期风电功率预测方法。
技术介绍
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。
技术实现思路
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；ymax与ymin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)；对原始历史平均风电功率序列y(t)和最大频率分量li(t)作差，得到剩余分量序列ri(t)(i＝1，2，…，n)；如果剩余分量序列ri(t)是单调函数或常量时，则结束经验模态分解过程。进一步地，所述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，其中，对所述长短期记忆网络模型进行优化，包括：输入层与输出层之间神经元的个数M由训练集数据的特征决定；通过神经元个数公式和评价指标最优的条件下选取神经元的个数M，所述神经元个数公式为：式中，n和m分别为输出层和输入层的节点数，a为[0，10]之间的常数；根据所述神经元的个数M逐步增加网络层数来测试模型和平均相对误差的评价指标，得到网络层；根据所述网络层，得到优化后的长短期记忆网络模型。本申请提供基于EMD-LSTM的短期风电功率预测方法，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。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。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本申请一种基于EMD-LSTM的短期风电功率预测方法的流程图；图2为本申请又一种基于EMD-LSTM的短期风电功率预测方法的预测流程图；图3为本申请的EMD-LSTM预测模型的经验模态分解示意图；图4为本申请的EMD-LSTM模型风电功率预测结果与实际功率结果的对比图。具体实施方式为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本实施例中，相关术语说明如下：经验模态分解方法，简称EMD，EmpiricalModeDecomposition循环神经网络预测模型，简称RNN，RecurrentNeuralNetwork基于经验模态分解的循环神经网络预测模型，简称EMD-RNN支持向量机预测模型，简称SVM基于经验模态分解的支持向量机预测模型，简称EMD-SVM长短期记忆网络预测模型，简称LSTM，LongShort-TermMemory基于经验模态分解的长短期记忆网络预测模型，简称EMD-LSTM下面结合附图对本申请做进一步详细描述：本申请实施例提供一种基于EMD-LSTM的短期风电功率预测方法，如图1、图2所示，所述方法包括如下步骤：步骤S101、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；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。步骤S102、对所述历史数据进行归一化处理，得到待处理历史数据；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*分别表示归一化本文档来自技高网...

【技术保护点】
1.一种基于EMD-LSTM的短期风电功率预测方法，其特征在于，所述方法包括：/n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；/n对所述历史数据进行归一化处理，得到待处理历史数据；/n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；/n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；/n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；/n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。/n

【技术特征摘要】
1.一种基于EMD-LSTM的短期风电功率预测方法，其特征在于，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。


2.根据权利要求1所述的一种基于EMD-LSTM的短期风电功率预测方法，其特征在于，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；ymax与ymin分别表示归一化前的最大值和最小值。


3.根据权利要求2所述的一种基于EMD-LSTM的短期风电功率预测方法，其特征在于，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。


4.根据权利要求3所述的一种基于EMD-LSTM的短期风电功率预测方法，其特征在于，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...

【专利技术属性】
技术研发人员：田小航，赵燕团，金仕琦，张忠才，王荣泰，徐文力，陈辛，
申请(专利权)人：云南电力技术有限责任公司，
类型：发明
国别省市：云南;53