一种基于深度神经网络的超短期风电功率预测方法技术

本发明专利技术公开了一种基于深度神经网络的超短期风电功率预测方法，具体步骤如下：步骤S1：建立VMD

【技术实现步骤摘要】
一种基于深度神经网络的超短期风电功率预测方法


[0001]本专利技术涉及风电功率预测
，尤其是涉及一种基于深度神经网络的超短期风电功率预测方法。

技术介绍

[0002]常见的清洁再生能源类型主要包括:太阳能、氢能、风能、地热能、水能等。风能具备着无污染、对环境友好、既可陆建又可海建、运营和维护成本低等优点，被人们广泛使用，风力发电取得了空前发展，风电并网的比例逐年提升，但要实现动力系统的供需平衡、维护并电网运营的稳定性,就必然要对整个动力系统的总发电量进行规划和调整，但是在电力系统中风力发电实现供应与需求之间均衡发展具有不确定性。这主要由于风力发电的大小受风力的影响较大,而且风力还具有波动、非线性、随机性等特征，这就为并网的稳定、供需侧之间的平衡带来了巨大考验。因此提高风电功率预测的准确性是保证电力系统调度部门合理制定调度方案、提高风力发电并网的稳定性、经济性、保证电力系统供需侧平衡的重要手段之一。
[0003]根据所预测的时间尺度进行分类,又可分成超短期预测、短时预测、中长期预测。超短期预报还能够实现对电力系统的即时调节,以缓解供电调频等问题。在《风力风电功率预测规范》中规定了超短期分辨率为15min/次,每15分钟对风力电功率作出提前0
‑
4h之间任意时间段的预报。超短期的风速预测或者风电功率的预测通常采用风电场的历史数据，对于提前0
‑
3小时的预测，因为气象变化主要由大气条件的持续性决定，采用单一的数据预测出风速或风电功率，但是由于风速是一个不平稳和波动较强的信号，单一数据进行预测方法造成预测精度低。

技术实现思路

[0004]本专利技术的目的是为了解决上述存在的技术问题。
[0005]为实现上述目的，本专利技术提供了一种基于深度神经网络的超短期风电功率预测方法，具体步骤如下：
[0006]步骤S1：建立VMD
‑
ISSA
‑
ELMAN超短期风速预测模型，并通过前一时段风速数据进行风速预测得到预测风速；
[0007]步骤S2：对历史风电功率数据进行数据清洗，将清洗后的数据通过ISSA
‑
ELMAN预测模型进行风速与功率的曲线拟合得到风速与功率曲线；
[0008]步骤S3：通过预测风速和风速与功率曲线得到预测风电功率。
[0009]优选的，步骤S1具体为：
[0010]步骤S11：通过前一时间段的风速数据进行VMD分解，并通过中心频率阀确定IMF分量的个数；
[0011]步骤S12：通过ISSA算法对ELMAN神经网络的权值和阈值进行寻优；
[0012]步骤S13：建立ELMAN神经网络并进行训练和测试，确定ELMAN神经网络拓扑结构；
[0013]步骤S14：更新ELMAN神经网络的值和阈值得到基于ISSA算法的ELMAN神经网络；
[0014]步骤S15：将分解后的IMF分量进行相关处理后输入基于ISSA算法的ELMAN神经网络中得到风速预测分量，将风速预测分量进行叠加得到下一时刻的预测风量。
[0015]优选的，通过改进的Tent映射和反向学习算法改进SSA算法得到ISSA算法，ISSA算法寻优步骤如下：
[0016]首先，对种群进行初始化，设置种群参数；
[0017]所述种群参数包括种群规模N、变量维数d、发现者PD、警戒者SD的个数、搜索边界值ub和lb、迭代的最大次数T、安全值R2以及警戒值ST；
[0018]其次，通过改进的Tent映射法确定多个优化的初始种群；
[0019]再次，对每个麻雀种群的适应度进行计算，筛选出当前最优值和最优值对应的麻雀位置，选择适应度靠前的麻雀作为发现者，随机选择种群作为警戒者，剩下为跟随者；
[0020]最后，对发现者、跟随者以及警戒者进行位置更新，迭代一次计算一次种群适应度，直到到达迭代次数，得到最优麻雀位置，输出最优结果；
[0021]优选的，通过改进的Tent映射法确定最优初始种群，具体步骤如下：
[0022]生成混沌序列并构成混沌序列矩阵Z，公式如下：
[0023][0024]其中，i＝(1,2,...N)；j＝(1,2,...d
‑
1)，a＝0.5；
[0025]根据改进的Tent映射公式生成初始种群，改进的Tent映射公式如下：
[0026][0027]根据改进的Tent映射公式将产生的混沌粒子映射到麻雀个体上实现种群多样性，公式如下：
[0028]X
i
＝lb+Z
i
×
(ub
‑
lb)
[0029]其中，X
i
为第i组麻雀的位置；
[0030]根据反向学习算法获取反向种群，公式如下：
[0031]X
i
′
＝lb+ub
‑
X
i
[0032]根据适应度函数大小对初始种群进行反向种群评估，选择适应度在设定范围内的多个种群作为初始种群。
[0033]优选的，风速预测分量进行叠加公式如下：
[0034][0035]其中，M为风速预测分量的个数。
[0036]优选的，步骤S21：采用3σ法对异常数据进行识别并进行剔除；
[0037]步骤S22：采用四分位算法对异常数据进行识别和剔除，再通过四点插值法对剔除后的数据填充得到清洗后的风电功率数据；
[0038]步骤S23：采用ISSA
‑
ELMAN预测模型进行风速与功率的曲线拟合得到风速与功率曲线。
[0039]因此，本专利技术采用上述一种基于深度神经网络的超短期风电功率预测方法，具有以下效益效果：采用VMD
‑
ISSA
‑
ELMAN超短期风速预测模型进行风速预测，对风速数据进行VMD分解，减弱了预测的滞后性，降低风速的非平稳性，提高预测精度；同时优化了风速预测模型，相较单一模型的预测，使得风速预测更加精准。
[0040]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0041]图1为本专利技术一种基于深度神经网络的超短期风电功率预测方法流程图；
[0042]图2分量处理方式图。
具体实施方式
[0043]实施例
[0044]在本专利技术的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该专利技术产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0045]在本专利技术的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的超短期风电功率预测方法，其特征在于，具体步骤如下：步骤S1：建立VMD
‑
ISSA
‑
ELMAN超短期风速预测模型，并通过前一时段风速数据进行风速预测得到预测风速；步骤S2：对历史风电功率数据进行数据清洗，将清洗后的数据通过ISSA
‑
ELMAN预测模型进行风速与功率的曲线拟合得到风速与功率曲线；步骤S3：通过预测风速和风速与功率曲线得到预测风电功率。2.根据权利要求1所述的一种基于深度神经网络的超短期风电功率预测方法，其特征在于，步骤S1具体为：步骤S11：通过前一时间段的风速数据进行VMD分解，并通过中心频率阀确定IMF分量的个数；步骤S12：过ISSA算法对ELMAN神经网络的权值和阈值进行寻优；步骤S13：对建立ELMAN神经网络并进行训练和测试，确定ELMAN神经网络拓扑结构；步骤S14：更新ELMAN神经网络的值和阈值得到基于ISSA算法的ELMAN神经网络；步骤S15：将分解后的IMF分量进行相关处理后输入基于ISSA算法的ELMAN神经网络中得到风速预测分量，将风速预测分量进行叠加得到下一时刻的预测风量。3.根据权利要求2所述的一种基于深度神经网络的超短期风电功率预测方法，其特征在于，通过改进的Tent映射和反向学习算法改进SSA算法得到ISSA算法，ISSA算法寻优步骤如下：首先，对种群进行初始化，设置种群参数；所述种群参数包括种群规模N、变量维数d、发现者PD、警戒者SD的个数、搜索边界值ub和lb、迭代的最大次数T、安全值R2以及警戒值ST；其次，通过改进的Tent映射法确定多个优化的初始种群；再次，对每个麻雀种群的适应度进行计算，筛选出当前最优值和最优值对应的麻雀位置，选择适应度靠前的麻雀作为发现者，随机选择种群作为警戒者，剩下为跟...

【专利技术属性】
技术研发人员：王宁，韩则胤，王恩路，沈忠鹏，刘发炳，
申请(专利权)人：中广核风电有限公司，
类型：发明
国别省市：