一种考虑深层特征和能力约束的超短期风功率预测方法技术

本发明专利技术提供一种考虑深层特征和能力约束的超短期风功率预测方法，首先基于多样式插值法对原始风功率数据缺失值进行填充、异常值处理、平滑处理以及小波去噪处理，然后对小波去噪后的风功率数据进行归一化处理，并对归一化的数据集进行变分模态分解VMD，提取不同模态分量的特征变量，利用随机森林算法提取重要性大于K的特征变量，形成最终的样本集，用于对建立的基于深度神经网络的风功率时间序列预测模型进行训练。本发明专利技术方法不仅可以约束输入输出数据去除数据中的异常值，还可以深度挖掘原始风功率序列中的有效特征，提升超短期风功率预测精度，预测精度的提高有利于改善电网、风电场等工程的资源配置问题。电场等工程的资源配置问题。

【技术实现步骤摘要】
一种考虑深层特征和能力约束的超短期风功率预测方法


[0001]本专利技术涉及风功率预测领域，具体涉及一种考虑深层特征和能力约束的超短期风功率预测方法。

技术介绍

[0002]风能具有波动性、随机性以及间歇性等特点，会造成风力发电功率波动性大以及输出功率不平稳等问题，进而影响电网安全运行。风机以及风电场短期风功率预测能够提前获得风机以及风电场的风功率变化趋势，有益于提前应对发电功率波动性大、输出功率不平稳等问题。因此，研究风功率预测技术，提高风功率预测的精度，具有重要意义。
[0003]超短期风功率预测方法主要分为数理统计方法和神经网络方法。数理统计方法主要是通过分析数据间所存在的规律进行统计学预测。由于风功率数据具有随机性，因此采用数理统计方法的风功率预测精度难以满足实际需要。人工神经网络方法对非线性时间序列数据具有良好的拟合效果，因此，采用神经网络方法比数理统计的方法在超短期风功率预测方面更有优势。
[0004]为了得到更高精度的超短期风功率预测模型，需要从原始风功率序列中挖掘出更深层次的特征，如频谱特征等，通过提取强相关性的特征采用神经网络的方法构建考虑深层特征的风功率模型。

技术实现思路

[0005]针对目前现有技术存在的缺陷，本专利技术的目的是，提供一种考虑深层特征和能力约束的超短期风功率预测方法，提出了一种“变分模态分解
‑
特征提取
‑
随机森林
‑
深度神经网络”的混合风功率预测方法，这种混合预测方法在超短期风功率预测中有着更高的精度。
[0006]为实现上述目的，本专利技术提供一种考虑深层特征和能力约束的超短期风功率预测方法，包括：
[0007]步骤1：以采样周期Δt按时序提取时间L1内的风功率原始数据，构建风机运行原始数据集YT0＝{(Y(t
n
)0)|n＝1,2,...,N}；其中，t
n
代表第n个采样点对应的时间，N为采样点总数，t
n+1
‑
t
n
＝Δt，L1＝(N
‑
1)Δt，Y(t
n
)0为t
n
时刻风功率的原始数据；
[0008]步骤2：对原始数据进行预处理，构建样本集；包括：
[0009]步骤2.1：基于多样式插值法对原始数据集YT0中的风功率数据缺失值进行填充；多样式插值法是根据缺失值类型进行数据插值的算法，公式如(1)所示；
[0010][0011]其中，连续缺失风功率数据是指连续2个以上时刻缺失风功率值的数据；非连续缺失风功率数据是指相邻3个时刻中，只有中间时刻缺失数据的风功率数据。得到风机运行数
据集为YT1＝{(Y(t
n
)1)|n＝1,2,...,N}，YT1∈R
N
×1；其中，Y(t
n
)1为基于多样式插值法处理后第t
n
时刻的风功率数据；
[0012]步骤2.2：对基于多样式插值法处理后的风功率数据进行综合异常值处理；包括如下步骤：
[0013]步骤2.2.1：若基于多样式插值法处理后的风功率数据Y(t
n
)1大于风机的最大额定功率值Y(t
n
)
emax
，则需要对此数据进行处理，公式如(2)所示；
[0014]Y(t
n
)2＝{Y(t
n
)
emax
|if(Y(t
n
)1＞Y(t
n
)
emax
}
ꢀꢀ
(2)
[0015]其中，Y(t
n
)
emax
是风机最大额定功率值；得到风机运行数据集为YT2＝{(Y(t
n
)2)|n＝1,2,...,N}，YT2∈R
N
×1；其中，Y(t
n
)2为基于LDIAOM异常值处理后t
n
时刻的风功率数据；
[0016]步骤2.2.2：对Y(t
n
)2进行基于随机标准差的异常值处理，得到风机运行数据集为YT3＝{(Y(t
n
)3)|n＝1,2,...,N}，YT3∈R
N
×1；其中，Y(t
n
)3为基于随机标准差的异常值处理后t
n
时刻风功率数据；基于随机标准差的异常值处理，具体步骤如下：
[0017]步骤2.2.2.1：计算风功率数据集YT2的算术平均值计算公式如(3)所示：
[0018][0019]其中，N为YT2风功率数据集中风功率个数：
[0020]步骤2.2.2.2：得到以后，按照公式(4)计算标准偏差σ：
[0021][0022]步骤2.2.2.3：确定风功率标准区间Ω
K
为：
[0023][0024]其中，K＝1，2，...，N；
[0025]步骤2.2.2.4：如果风功率值Y(t
n
)2不属于标准区间Ω
K
，则将Y(t
n
)2替换为Y(t
n
)3；
[0026][0027]步骤2.3：对异常值处理后的风功率数据进行平滑处理，得到风机运行数据集为YT4＝{(Y(t
n
)4)|n＝1,2,
…
,N}，YT4∈R
N
×1；平滑处理计算公式如(7)所示，其中，Y(t
n
)4为平滑处理后t
n
时刻风功率数据；
[0028][0029]步骤2.4：对平滑处理后的风功率数据Y(t
n
)4进行小波去噪处理；包括：
[0030]步骤2.4.1：对Y(t
n
)4进行小波分解，以M为设定的分解尺度，得到分解信号
[0031]步骤2.4.2：经过小波分解后得到近似系数和细节系数，近似系数主要代表真实信号，细节系数主要包含噪声信号，因此，为了减少噪声信号需要对细节系数采用软阈值函数进行噪声信号的处理，软阈值公式为：
[0032][0033]其中，w代表小波系数，thr代表给定阈值，w
thr
表示阀值处理后的小波系数；
[0034]最后根据去噪后的小波系数进行小波重构，得到去噪后的信号YT5＝{(Y(t
n
)5)|n＝1,2,...,N}，YT5∈R
N
×1，其中，Y(t
n
)5为小波去噪后t
n
时刻风功率数据；
[0035]步骤2.5：对小波去噪后的风功率数据进行归一化处理，得到归一化的数据集合为YT6＝{(Y(t
n
)6)|n＝1,2,
…
,N}，计算公式如(9)所示；
[0036][0037]其中，Y(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑深层特征和能力约束的超短期风功率预测方法，其特征在于，包括：步骤1：以采样周期Δt按时序提取时间L1内的风功率原始数据，构建风机运行原始数据集；步骤2：对原始数据进行预处理，构建样本集；步骤3：建立基于深度神经网络DNN的风功率时间序列预测模型，利用训练集对预测模型进行训练；步骤4：针对获取的实际风功率数据，利用训练后的预测模型输出风功率的预测值，如果输出的风功率预测值大于风机的最大额定功率值Y(t
n
)
emax
，则需要对该预测值进行基于LDIAOM的异常值处理，得到最终的风功率数据集。2.根据权利要求1所述的一种考虑深层特征和能力约束的超短期风功率预测方法，其特征在于，所述步骤2包括：步骤2.1：基于多样式插值法对原始数据集YT0中的风功率数据缺失值进行填充；步骤2.2：对基于多样式插值法处理后的风功率数据进行综合异常值处理；步骤2.3：对异常值处理后的风功率数据进行平滑处理；步骤2.4：对平滑处理后的风功率数据进行小波去噪处理；步骤2.5：对小波去噪后的风功率数据进行归一化处理；步骤2.6：对归一化的数据集进行变分模态分解VMD，提取不同模态分量的特征变量；步骤2.7：利用随机森林算法计算特征变量的重要性，根据特征重要性进行特征变量的选择，提取重要性大于K的特征变量；步骤2.8：将选择出的特征变量、分解后的风功率数据以及归一化后的风功率数据的组合作为样本集。3.根据权利要求1所述的一种考虑深层特征和能力约束的超短期风功率预测方法，其特征在于，所述步骤2.1中多样式插值法是根据缺失值类型进行数据插值的算法，公式如(1)所示；其中，连续缺失风功率数据是指连续2个以上时刻缺失风功率值的数据；非连续缺失风功率数据是指相邻3个时刻中，只有中间时刻缺失数据的风功率数据，得到风机运行数据集为YT1＝{(Y(t
n
)1)|n＝1,2,...,N}，YT1∈R
N
×1；其中，Y(t
n
)1为基于多样式插值法处理后第t
n
时刻的风功率数据。4.根据权利要求3所述的一种考虑深层特征和能力约束的超短期风功率预测方法，其特征在于，所述步骤2.2包括：步骤2.2.1：若基于多样式插值法处理后的风功率数据Y(t
n
)1大于风机的最大额定功率值Y(t
n
)
emax
，则需要对此数据进行处理，公式如(2)所示；Y(t
n
)2＝{Y(t
n
)
emax
|if(Y(t
n
)1＞Y(t
n
)
emax
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，Y(t
n
)
emax
是风机最大额定功率值；得到风机运行数据集为YT2＝{(Y(t
n
)2)|n＝1,2,...,N}，YT2∈R
N
×1；其中，Y(t
n
)2为基于LDIAOM异常值处理后t
n
时刻的风功率数据；
步骤2.2.2：对Y(t
n
)2进行基于随机标准差的异常值处理，得到风机运行数据集为YT3＝{(Y(t
n
)3)|n＝1,2,...,N}，YT3∈R
N
×1；其中，Y(t
n
)3为基于随机标准差的异常值处理后t
n
时刻风功率数据。5.根据权利要求4所述的一种考虑深层特征和能力约束的超短期风功率预测方法，其特征在于，所述步骤2.2.2基于随机标准差的异常值处理，具体步骤如下：步骤2.2.2.1：计算风功率数据集YT2的算术平均值计算公式如(3)所示：其中，N为YT2风功率数据集中风功率个数：步骤2.2.2.2：得到以后，按照公式(4)计算标准偏差σ：步骤2.2.2.3：确定风功率标准区间Ω
K
为：其中，K＝1，2，...，N；步骤2.2.2.4：如果风功...

【专利技术属性】
技术研发人员：申艳杰，
申请(专利权)人：申艳杰，
类型：发明
国别省市：