【技术实现步骤摘要】
本专利技术属于风电功率预测，具体涉及一种短期风电功率预测方法。
技术介绍
1、在各种可再生资源中，风能以其价格低廉、分布广泛、清洁低碳等特点受到广泛关注，但风力发电的固有波动性和随机性导致分风电功率的波形呈现出非线性的特征，使得风电并网存在风险。精确的短期风电功率预测可以辅助电力调度人员调整发电计划，有效地提高风能利用率，缓解电网调峰调频压力。
2、现有研究中关于风电预测的模型大致可以分为三类：物理模型、统计模型和深度学习模型。但是单一模型很难达到最优的预测结果，因此近年来涌现出很多策略性地集成多个模型的研究，取得了更优越的性能，称为组合预测方法，组合预测方法最常用的思想是针对待预测对象的特性添加合适的数据处理技术，其中数据分解技术是降低风电数据的波动性的重要手段。
3、常用的分解方法有小波变换(wt)、经验模态分解(emd)与变分模态分解(vmd)等，相较于emd等信号分解法，vmd具有收敛速度快、鲁棒性强等优点，且vmd可以有效减免端点效应、过包络、欠包络等问题，但分解过程中的参数设置对分解效果影响极大。基于这一点，现有技术中利用vmd结合筛选算法以筛选关键特征，使得风电功率预测的精度得到了提升，但通常在选取vmd超参数的过程中都没有充分利用vmd过程中的理论支撑，缺乏一定的普适性，且在选取特征时都以风电功率为目标进行特征筛选，忽视了数据分解产生的大量imf本身的独特性和相互之间的关联性。
4、因此，需要一种预测精度和泛化能力更好的风电功率预测方法。
技术实现思
1、有鉴于此，为解决上述现有技术的不足，本专利技术的目的在于提供一种基于组合预测模型的短期风电功率预测方法，由改进变分模态分解(ivmd)、最小绝对收缩和选择算子(lasso)、双向门控循环单元(bigru)组合，完成短期风电功率预测，该方法的预测精度和泛化能力更优越，解决了现有技术中缺乏一定普适性的问题。
2、为实现上述目的，本专利技术所采用的技术方案是：
3、一种基于组合预测模型的短期风电功率预测方法，包括以下步骤：
4、s1：对原始数据进行预处理；
5、s2：将预处理后的数据划分为风电功率序列与气象特征序列两部分；
6、s3：基于ivmd对风电功率序列进行分解，得到包含一系列imf的imfs；
7、s4：引入基于lasso的特征筛选模块，根据待预测的各imf筛选风电功率序列、气象特征序列率与imfs中的关键特征；
8、s5：针对各imf构建bigru模型，将上述步骤筛选得到的关键特征作为输入特征，建立输入与输出之间的联系；
9、s6：计算各imf的预测误差，不断调整参数直到达到目标误差或者迭代次数，得到最优预测误差；
10、s7：将最优预测误差对应的模型参数保存为最优模型参数；
11、s8：加载最优模型参数对各个imf进行预测，并将预测结果相加得到风电功率的预测结果。
12、进一步地，所述s3中，ivmd为改进后的vmd，利用vmd所构建变分模态分解模型中各个分量的稀疏先验知识，将最优参数问题转化为最优稀疏度问题，定义稀疏指标以确认最佳分解模态数k，以分解降低风电功率的波动性。
13、更进一步地，所述s3中，具体包括以下步骤：
14、s31：变分模态分解模型的参数初始化；
15、s32：对vmd分解得到的imfs分别求取边际谱，然后计算每个imf对应的边际谱的稀疏度；
16、考虑不同频率成分在信号中的能量贡献程度不同，引入能量权值因子来给不同分量的边际谱的稀疏度分配权重；
17、s33：取k个分量边际谱稀疏度的平均值作为该分解模态数k下vmd的稀疏指标sk；
18、s34：当k值下得稀疏指标相较于(k-1)的稀疏指标下降，选取k-1为该vmd过程的最优k值；否则将k递增，并继续迭代；
19、其中，k为分解模态数，不同的k表示该边际谱分解的模态数量不同。
20、具体地，所述s32中，所述能量权值因子为该分量对应的边际谱上最大幅值与k个分量中对应边际谱上最大幅值最大的分量所对应得边际谱上最大幅值的比值。
21、进一步地，在所述s4中，将imfs与气象特征序列作为特征矩阵，待预测的imf作为目标向量，通过lasso筛选得到待预测的imf的关键特征，以实现将相关性较低的模块权重置零以实现降低特征维度。
22、更进一步地，在所述s4中，采用交叉验证参数选择方法来确定最优惩罚系数。
23、进一步地，所述s5中，由两个方向相反的gru模型组成bigru模型实现深度特征提取。
24、本专利技术还提供一种基于组合预测模型的短期风电功率预测系统，包括：
25、获取模块，用于获取输入数据，包括气象数据和历史风电功率数据在内；
26、处理模块，用于将输入数据输入至基于ivmd-lasso-bigru的组合预测模型并进行处理；
27、输出模块，用于输出风电功率的预测数据；
28、所述处理模块包括：
29、预处理模块，用于获取风电场历史某段时间的风电功率数据的原始数据集和从原始数据集中提取数据特征，将预处理后的数据划分为风电功率序列与气象特征序列两部分；
30、数据分解模块，用于对对风电功率序列进行数据分解，得到imfs；
31、数据筛选模块，用于根据imfs和气象特征序列筛选得到待预测的各imf的关键特征；
32、预测模块，用于根据关键特征得到各imf的预测误差，在满足循环的条件下，不断迭代对模型进行训练，得到最优模型参数。
33、本专利技术的有益效果是：
34、1、本专利技术有效的结合了ivmd与lasso的优势，采用的改进变分模态分解，具有更好的分解效果，能更为有效的降低风电功率序列的波动性，lasso算法对特征能够进行更准确的筛选，降低了数据维度，提高了模型计算效率；
35、2、通过构建稀疏指标，利用vmd所构建变分模型中各个分量的稀疏先验知识将最优参数问题转化为最优稀疏度问题，有更强的理论支撑的同时，具有更好的分解效果，能更为有效的降低风电功率序列的波动性；
36、3、利用bigru模型进行时序信息挖掘，完成短期风电功率预测，建立输入与输出之间的联系，准确度更高。
本文档来自技高网...【技术保护点】
1.一种基于组合预测模型的短期风电功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于组合预测模型的短期风电功率预测方法，其特征在于，所述S3中，IVMD为改进后的VMD，利用VMD所构建变分模态分解模型中各个分量的稀疏先验知识，将最优参数问题转化为最优稀疏度问题，定义稀疏指标以确认最佳分解模态数K，以分解降低风电功率的波动性。
3.根据权利要求2所述的一种基于组合预测模型的短期风电功率预测方法，其特征在于，所述S3中，具体包括以下步骤：
4.根据权利要求3所述的一种基于组合预测模型的短期风电功率预测方法，其特征在于，所述S32中，所述能量权值因子为该分量对应的边际谱上最大幅值与k个分量中对应边际谱上最大幅值最大的分量所对应得边际谱上最大幅值的比值。
5.根据权利要求1所述的一种基于组合预测模型的短期风电功率预测方法，其特征在于，在所述S4中，将IMFs与气象特征序列作为特征矩阵，待预测的IMF作为目标向量，通过LASSO筛选得到待预测的IMF的关键特征，以实现将相关性较低的模块权重置零以实现降低特征维度。p>
6.根据权利要求5所述的一种基于组合预测模型的短期风电功率预测方法，其特征在于，在所述S4中，采用交叉验证参数选择方法来确定最优惩罚系数。
7.根据权利要求1所述的一种基于组合预测模型的短期风电功率预测方法，其特征在于，所述S5中，由两个方向相反的GRU模型组成BiGRU模型实现深度特征提取。
...【技术特征摘要】
1.一种基于组合预测模型的短期风电功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于组合预测模型的短期风电功率预测方法，其特征在于，所述s3中，ivmd为改进后的vmd，利用vmd所构建变分模态分解模型中各个分量的稀疏先验知识，将最优参数问题转化为最优稀疏度问题，定义稀疏指标以确认最佳分解模态数k，以分解降低风电功率的波动性。
3.根据权利要求2所述的一种基于组合预测模型的短期风电功率预测方法，其特征在于，所述s3中，具体包括以下步骤：
4.根据权利要求3所述的一种基于组合预测模型的短期风电功率预测方法，其特征在于，所述s32中，所述能量权值因子为该分量对应的边际谱上最大幅值与k个分量中对...
【专利技术属性】
技术研发人员：郑国强，胡淼森，宿忠娥，王国栋，孔令瑞，穆昱，马华红，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。