一种基于奇异谱分析和深度学习的风电功率预测方法技术

本发明专利技术公开了一种基于奇异谱分析和深度学习的风电功率预测方法，包括以下步骤：获取风电功率、风速和风向历史数据并对风电功率、风速和风向历史数据进行预处理获得风电功率、风速和风向角度时间序列；取风向角度时间序列的正弦值和余弦值；利用奇异谱分析提取风电功率和风速时间序列的趋势成分和振荡成分，对以上两种成分进行重构；将重构序列与风向的正弦和风向的余弦拼接起来，形成m@T×n的张量；动态选择训练样本，建立卷积神经网络‑门控循环单元深度学习预测模型；对生成的张量采用卷积神经网络‑门控循环单元深度学习预测模型进行预测获得预测风电功率时间序列。本发明专利技术通过奇异谱分析获得降噪的重构时间序列，进一步提高了预测精度。

A wind power prediction method based on singular spectrum analysis and deep learning

【技术实现步骤摘要】
一种基于奇异谱分析和深度学习的风电功率预测方法
本专利技术涉及短期风电功率预测领域，更具体地，涉及一种基于奇异谱分析和深度学习的风电功率预测方法。
技术介绍
风电功率数据受到许多因素的影响，导致风电功率具有非线性和非平稳性的特点。因此，使用信号滤波处理技术成为风电功率预测预处理的一个重要阶段。常用的预处理是使用模式分解技术，但是这种滤波技术分解产生的高频本征模函数会增加预测难度。目前风电功率预测主要分为物理模型、统计模型和人工智能模型三种模型。然而，物理模型不适用于短期预测，统计模型的假设与实际不相符，预测效果难以保证。因此，近年来人工智能模型因其强大的非线性拟合能力被应用与短期风电功率预测中。传统的机器学习模型因为输入结构的限制，无法挖掘风电功率与其他影响因素如风速、风向等的耦合关系，导致预测精度难以提高。传统机器学习模型直接使用非平稳的风电功率时间序列作为输入，无法有效地提取风电功率本身隐藏的特征，导致预测准确性不高。
技术实现思路
本专利技术克服了上述现有的技术不足，提供一种基于奇异谱分析和深度学习的风电功率预测方法，有效提高了预测模型的准确性和稳定性。为解决上述技术问题，本专利技术的技术方案如下：一种基于奇异谱分析和深度学习的风电功率预测方法，包括以下步骤：采集风电功率、风速和风向角度的历史数据，并对风电功率、风速和风向角度的历史数据进行预处理，获得风电功率时间序列、风速时间序列和风向角度时间序列；对风向角度时间序列进行正弦处理和余弦处理，得到风向角度时间序列正弦值和风向角度时间序列余弦值；利用奇异谱分析提取风电功率时间序列和风速时间序列的趋势成分和振荡成分，对趋势成分和振荡成分进行重构，得到重构序列；将重构序列与风向角度时间序列正弦值和风向角度时间序列余弦值进行拼接，组成m@T×n的张量，所述的T为时间步长，所述的n为特征数，所述的m为通道数量；设定训练样本，建立卷积神经网络-门控循环单元深度学习预测模型；对组成m@T×n的张量采用卷积神经网络(Convolutionalneuralnetwork，CNN)-门控循环单元(Gatedrecurrentunit，GRU)深度学习预测模型预测风电功率时间序列。在一种优选的方案中，所述的“利用奇异谱分析提取风电功率时间序列和风速时间序列的趋势成分和振荡成分，对趋势成分和振荡成分进行重构，得到重构序列”包括以下流程：将所述的风电功率时间序列和\或风速时间序列记为Y＝(y1,y2,…,yN)，所述的N为时间序列中元素的量，根据设置一个长度为L的窗口将Y＝(y1,y2,…,yN)分解为L维向量，记为Xi＝(yi,yi+1,yi+L-1)T；所述的L维向量(窗口长度)包括趋势分量、周期分量和噪声分量；由K个L维向量Xi(i＝1,2,…,K＝N-L+1)组成的轨迹矩阵通过下式进行表示：所述的轨迹矩阵X分解并表示为：X＝E1+E2+...+Ei(2)其中，所述的为基本矩阵，所述的矢量V1,V2,…,Vd是主成分，所述的集合是所述的轨迹矩阵X进行奇异值分解后的第i个特征三元组；对所述的轨迹矩阵X按照奇异谱分析进行展开，得到Xi+j，所述的Xi+j通过下式进行表达：其中，所述的j∈(1,M)，所述的M∈(1,L)；所述的aik通过下式进行表达：所述的Ekj为时间经验正交函数中的第k维第j列；将Xi的第K个主成分记为所述的通过下式进行表达：对Xi的全部主成分的奇异值进行排序，选择奇异值较大的r个主成分进行相加，得到去除噪声分量的风电功率时间序列和\或风速时间序列R＝(r1,r2,…,rN)。在一种优选的方案中，所述的“建立卷积神经网络-门控循环单元深度学习预测模型”包括以下流程：通过卷积神经网络提取全部时间序列的耦合关系；将卷积神经网络的输出作为门控循环单元的输入，提取各个时间序列的时间相关性特征。在一种优选的方案中，所述的“通过卷积神经网络提取全部时间序列的耦合关系”包括以下子流程：建立的卷积神经网络模型包括3个卷积层和1个扁平层，各个卷积核的数目分别为4，8和16；经过卷积操作后，通过扁平层将最终的时间相关性特征图谱排列成一个一维的向量z＝(z1,z2,…,zT)并将其作为门控循环单元的输入。在一种优选的方案中，所述的“将卷积神经网络的输出作为门控循环单元的输入，提取各个时间序列的时间相关性特征”包括以下子流程：建立的门控循环单元包括3个神经网络层，各个神经网络层所包含的神经元的数目分别为4，8和16；经过门控循环单元模型处理后，输出预测风电功率时间序列与现有技术相比，本专利技术技术方案的有益效果是：1、本专利技术提出的奇异谱分析方法，解决了高频本征模函数降低预测精度的共性关键问题，并去除了原始信号中无用的噪声，提高了预测精度；2、本专利技术的神经网络-门控循环单元深度学习预测模型提取降噪后风电功率时间序列、风速时间序列和风向角度时间之间的耦合关系的隐含特征并进一步挖掘各个时间序列之间的时间相关特征，解决传统机器学习无法处理时间序列间关联信息和时间相关性的缺陷，对提高风电功率预测精度有重要的实际工程意义。附图说明图1为实施例的流程图。图2为实施例的级联式深度学习模型示意图。图3为实施例的预测效果图。具体实施方式附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本专利技术的技术方案做进一步的说明。实施例如图1所示，一种基于奇异谱分析和深度学习的风电功率预测方法，包括以下步骤：S1：获取1个月内，时间分辨率为1小时的风电功率、风速和风向角度的历史数据(即1天72个数据点)并对风电功率、风速和风向历史数据进行预处理获得风电功率时间序列、风速时间序列和风向角度时间序列；S2：取风向角度时间序列的正弦值和余弦值；S3：利用奇异谱分析提取风电功率和风速时间序列的趋势成分和振荡成分，对以上两种成分进行重构；S31：将风电功率时间序列和\或风速时间序列记为Y＝(y1,y2,…,yN)，N为时间序列中元素的数量，根据设置一个长度为L的窗口将Y＝(y1,y2,…,yN)分解为L维向量，记为Xi＝(yi,yi+1,yi+L-1)T；L维向量(窗口长度)包括趋势分量、周期分量和噪声分量；由K个L维向量Xi(i＝1,2,…,K＝N-L+1)组成的轨迹矩阵通过下式进行表示：S32：轨迹矩阵X分解并表示为：X＝E1+E2+...+Ei(2)其中，为基本矩阵，矢量V1,V2,…,Vd是主成分，集合是轨迹矩阵X进行奇异值分解后的第i个特征三元组；S33：对轨迹矩阵X按照奇异谱分析进行展开，得到Xi+j，Xi+j通过下式进行表达：其中，j∈(1,M)，M∈(1,L)；aik通过下式进行表达：Ekj为时间经验正交函数中的第k维第j列；S34：将Xi的第K个主成分记为所通过下式进行表达：对Xi的全部主成分的奇异值进行排序，选择奇异值较大的r个主成分进行相加，得到去除噪声分量的风电功率时间序列和\或风速时间序列R＝(r1,r2,…,rN)；S4：将重构序列与风向的正弦和风向的余弦拼接起来，形成m@T×n的张量。其中T为时间步长，n为特征数，m为通道数量本文档来自技高网...

【技术保护点】
1.一种基于奇异谱分析和深度学习的风电功率预测方法，其特征在于，包括以下步骤：采集风电功率、风速和风向角度的历史数据，并对风电功率、风速和风向角度的历史数据进行预处理，获得风电功率时间序列、风速时间序列和风向角度时间序列；对风向角度时间序列进行正弦处理和余弦处理，得到风向角度时间序列正弦值和风向角度时间序列余弦值；利用奇异谱分析提取风电功率时间序列和风速时间序列的趋势成分和振荡成分，对趋势成分和振荡成分进行重构，得到重构序列；将重构序列与风向角度时间序列正弦值和风向角度时间序列余弦值进行拼接，组成m@T×n的张量，所述的T为时间步长，所述的n为特征数，所述的m为通道数量；设定训练样本，建立卷积神经网络‑门控循环单元深度学习预测模型；对组成m@T×n的张量采用卷积神经网络‑门控循环单元深度学习预测模型预测风电功率时间序列。

【技术特征摘要】
1.一种基于奇异谱分析和深度学习的风电功率预测方法，其特征在于，包括以下步骤：采集风电功率、风速和风向角度的历史数据，并对风电功率、风速和风向角度的历史数据进行预处理，获得风电功率时间序列、风速时间序列和风向角度时间序列；对风向角度时间序列进行正弦处理和余弦处理，得到风向角度时间序列正弦值和风向角度时间序列余弦值；利用奇异谱分析提取风电功率时间序列和风速时间序列的趋势成分和振荡成分，对趋势成分和振荡成分进行重构，得到重构序列；将重构序列与风向角度时间序列正弦值和风向角度时间序列余弦值进行拼接，组成m@T×n的张量，所述的T为时间步长，所述的n为特征数，所述的m为通道数量；设定训练样本，建立卷积神经网络-门控循环单元深度学习预测模型；对组成m@T×n的张量采用卷积神经网络-门控循环单元深度学习预测模型预测风电功率时间序列。2.根据权利要求1所述的风电功率预测方法，其特征在于，所述的“利用奇异谱分析提取风电功率时间序列和风速时间序列的趋势成分和振荡成分，对趋势成分和振荡成分进行重构，得到重构序列”包括以下流程：将所述的风电功率时间序列和\或风速时间序列记为Y＝(y1,y2,…,yN)，所述的N为时间序列中元素的数量，设置一个长度为L的窗口将Y＝(y1,y2,…,yN)分解为L维向量，记为Xi＝(yi,yi+1,yi+L-1)T；所述的L维向量包括趋势分量、周期分量和噪声分量；由K个L维向量Xi(i＝1,2,…,K＝N-L+1)组成的轨迹矩阵通过下式进行表示：所述的轨迹矩阵X分解并表示为：X＝E1+E2+...+Ei(2)其中，所述的为基本矩阵，所述的矢量V1,V2,...

【专利技术属性】
技术研发人员：李专，陆盛友，郑沛光，许玮特，黄端华，卢鹏翔，陈茜，刘家秀，王菲，陈国超，林晓波，周丽丽，郑长明，曾萍，
申请(专利权)人：广东电网有限责任公司，广东电网有限责任公司湛江供电局，
类型：发明
国别省市：广东,44