【技术实现步骤摘要】
本专利技术涉及风电功率预测，尤其是涉及一种超短期风电功率预测方法。
技术介绍
1、风能是当今非常重要的清洁能源。然而，由于风能本身的随机性、波动性和间歇性，目前的风力发电具有高度的不确定性。风能的这种劣势，给大型风电场和现代电力系统相连提出了严峻挑战。准确的风电功率预测是保障电力系统稳定运行、促进风电消纳的基础之一。为此，我们提出了一种新型的风电功率预测网络。
2、目前风电功率预测领域有两种主流的分类标准。一种是根据时间分为超短期、短期、中期和长期，如表1所示；另一种是根据应用的方法分为物理方法、基于统计的方法及混合模型的方法。
3、表1 风电功率预测中的预测范围
4、；
5、物理方法通常使用数值天气预报(nwp)的数据对风电涡轮机进行建模，将预测的风速带到相关的风力涡轮机功率曲线（通常由涡轮机制造商提供）中来预测风力发电量。这种方法不需要用历史数据来训练，可解释性好，但它们依赖于物理数据，且计算较为复杂。如focken等人创建了一种物理预测模型，该模型从天气预报模型接收输入数据，并根据地形等因素作为边界层来预测未来48小时范围内的功率输出。
6、基于统计方法的模型一般基于建立nwps数据（如风速、风向和温度）与发电量之间的非线性和线性关系。为了定义这种统计关系，以前的历史数据将用作训练数据。然后，通过比较模型预测和在线测量功率来调整模型。之后，该模型就可以通过未来几个小时的nwp预测和在线测量来预测了。基于统计的方法又可以分为三类：时间序列分析、ml(机器学习)和深度
7、不同预测方法的组合被称为混合方法。这种方法的主要目的是保留每种技术的优点并提高整体准确性。有时组合预测可能并不总是带来更好的结果。但是，已有文献证明，在大多数情况下，能够改善预测效果。基于不同的模型组合，已经提出了很多方法。如hu t等人在《超短期风电功率时空预测：一种深度学习方法》使用cnn和神经网络一起对风电场进行功率预测，提出的模型不仅考虑的时间的影响还考虑了空间的影响，进一步提高了预测的精度。如wang j等人在2024年发表的《基于主成分分析-麻雀搜索算法-变分模态分解和双向长短期记忆网络的超短期海上风电功率预测》中提出了一种pca-ssa-vmd-bilstm网络，首先，利用主成分分析算法（pca）对多变量时间序列数据进行筛选，以降低数据维数;其次，应用ssa算法优化的变模态分解（vmd），将风电时间序列数据自适应分解为不同频率分量的集合，以消除原始数据中的噪声信号；在此基础上，通过集成ssa算法对bilstm模型的超参数进行优化，得到最终的功率预测值，分别与pca-bp、pca-lstm等模型比较，结果表明作者提出的模型预测结果最优。
8、在当今大模型、多数据源、人工智能的时代，人们普遍将混合方法作为预测模型的主要创新方向，本设计正是在这种背景下提出的。
技术实现思路
1、本专利技术的目的是提供一种超短期风电功率预测方法，解决了现有技术中存在的预测精度不够；对分解后的每个分量进行单独预测，计算损耗大；忽略了分解后的分量仍有可能是一个不平稳的序列的问题。
2、为实现上述目的，本专利技术提供了一种超短期风电功率预测方法，包括以下步骤：
3、s1、获取原始风电序列；
4、s2、采用ceemdan信号分解算法，将风电功率信号分解为一系列子信号；
5、s3、采用改进的奇异谱分析算法ssa对imf1分量进行去噪声并重构；
6、s4、分别计算每个分量的排列熵，并根据排列熵将分量分为高、中、低频率，将高频合并在一起，中、低频合并在一起；
7、s5、将数据送入搭建好的tcn-gru预测网络，并将两个预测网络的结果进行叠加得到最终预测结果。
8、优选的，s2具体包括以下步骤：
9、设表示原始时间序列数据，为通过ceemdan方法获得的第个imf，表示通过emd分解方法生成的第个本征模态函数，标量系数用于设置每个阶段的信噪比snr，从而确定所添加白噪声的标准差；
10、s21、将具有信噪比snr为的不同白噪声序列添加到原始时间序列数据中，其中， t表示不同的时间点，表示添加的第个白噪声，是添加白噪声的总次数；
11、由此构造出一个新的时间序列，如下所示：
12、（1）；
13、其中，；
14、s22、通过emd迭代移位方法获得第一个本征模态函数，计算该分量的均值，如下所示：
15、（2）；
16、s23、计算第一个残差：
17、（3）；
18、s24、将，其中进一步分解，直到得到它们的第一个emd模态，然后计算第二个模态：
19、（4）；
20、s25、计算第个残差，,…, k：
21、（5）；
22、s26、继续对进行分解，直到得到其第一个emd模态，然后计算第个模态：
23、（6）；
24、s27、转到s25步，继续计算下一个，直到剩余分量变为单调且emd无法进一步分解为止，通过ceemdan方法总共得到 k个imf，最终，原始数据分解并表示如下：
25、（7）。
26、优选的，s3中采用改进的奇异谱分析算法ssa对imf1分量进行去噪声并重构，具体过程如下：
27、s31、嵌入：按选定的窗口长度，，其中代表时间序列的总长度，在一个向量维度空间里嵌入采样的时间序列，产生一系列滞后的多维数据向量，形成轨迹矩阵x，即：
28、（8）；
29、式中，，表示矩阵的行；表示矩阵的列；
30、s32、奇异值分解：对进行奇异值分解，得出按照大小降序排列的个特征值，分别为，对应的特征向量为，令，那么的轨迹矩阵的奇异值分解表示为：
31、（9）；
32、（10）；
33、s33、分组：将中的，分成个不相交的子集，并对每一组的矩阵求和，令，则有：
34、（11）；
35、（12）；
36、式中，为分组的贡献率；
37、s34、对角线元素平均化：将转换为其对应的时间序列的数据，每一组数据代表原始数据的不同特征本文档来自技高网...
【技术保护点】
1.一种超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所述的一种超短期风电功率预测方法，其特征在于，S2具体包括以下步骤：
3.根据权利要求2所述的一种超短期风电功率预测方法，其特征在于，S3中采用改进的奇异谱分析算法SSA对IMF1分量进行去噪声并重构，具体过程如下：
4.根据权利要求3所述的一种超短期风电功率预测方法，其特征在于，S4中，对S3得到的信号分量计算其排列熵，并按照相应的阈值，将分量信号划分为三类，合并中低两类，最终得到高频分量和低频分量两类，使用pyentrp库中的permutation_entropy函数计算排列熵的值。
5.根据权利要求4所述的一种超短期风电功率预测方法，其特征在于，S5中，使用搭建好的TCN-GRU网络进行预测，在送入数据之前将数据进行归一化Min-Max Normalization将其缩放到[0,1]；将数据改成适合网络的输入形式，用过去的1h来预测未来的10min。
6.根据权利要求5所述的一种超短期风电功率预测方法，其特征在于，S5中，时间卷积网络TC
7.根据权利要求6所述的一种超短期风电功率预测方法，其特征在于，S5中，GRU网络数学描述如公式（19）所示：
...【技术特征摘要】
1.一种超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所述的一种超短期风电功率预测方法，其特征在于，s2具体包括以下步骤：
3.根据权利要求2所述的一种超短期风电功率预测方法，其特征在于，s3中采用改进的奇异谱分析算法ssa对imf1分量进行去噪声并重构，具体过程如下：
4.根据权利要求3所述的一种超短期风电功率预测方法，其特征在于，s4中，对s3得到的信号分量计算其排列熵，并按照相应的阈值，将分量信号划分为三类，合并中低两类，最终得到高频分量和低频分量两类，使用pyentrp库中的permutati...
【专利技术属性】
技术研发人员：王洪祥，董帝渤，曹新城，童治豪，朱嘉琪，游子诚，李哲，姚玉鹏，李月朋，田朋振，
申请(专利权)人：福建理工大学，
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。