The invention discloses a short-term prediction method of offshore wind power based on set empirical mode decomposition and LSTM network. Firstly, the wind speed time series is decomposed by the set empirical mode, and each component is recombined by the principle of sample entropy, so as to reduce the volatility of the wind speed time series; secondly, the signals of different frequencies are modeled and predicted by the method of depth learning; the short-term prediction results of the wind speed on the sea are obtained by superposition, and the actual wind speed power curve of the offshore wind turbine is combined The short-term prediction value of offshore wind power is obtained. In this method, different models are trained according to the fluctuation characteristics and seasonal characteristics of the wind speed on the sea. After selecting the appropriate model, the prediction can be carried out, avoiding repeated training, and improving the prediction accuracy of the wind power on the sea as well as the prediction efficiency.
【技术实现步骤摘要】
一种基于集合经验模态分解与LSTM网络的海上风电功率短期预测方法
本专利技术属于海上风电功率预测领域，具体涉及一种海上风电功率短期预测方法。
技术介绍
随着全球经济的不断发展，煤炭、石油等化石能源的枯竭问题已成为人类不可逃避的现实问题。与此同时，大量温室气体排放造成的温室效应也愈发严重，据科学家合理推测21世纪末的全球平均气温相比工业革命之前将会升高2.2—7.5摄氏度。而对新能源的开发与利用是上诉问题的有效解决办法。我国发展较好的是陆上风电场，而在海上风电方面我国还是明显落后的，但海上风电场不仅距离我国的用电负荷中心近；而且海上风力发电机组的产能比陆上风力发电机组高出70％以上；更为主要的是海上风电场的建立既能保证耕地红线还不会带来噪声污染。陆上风电与海上风电都具有极强的随机性及波动性，但其两者不同的是：陆上风电整体呈“夏大冬小”的特征与我国用电负荷的特征相；，而海上风电则与前两者不同，呈现“夏小冬大”的特征，即海上风电的反调峰特性更为明显；其大量接入会对电网调峰、调频带来更为严峻的挑战；因此，海上风电预测对精度的要求会比陆上风电预测更高。海上风力发电技术的研究现在还处于初级阶段，对海上风电预测的主要方法有神经网络、马尔科夫链、支持向量机、时间序列法等；而人工神经网络预测的基础是大量的历史运行数据，即便拥有了大量的历史运行数据模型也容易陷入局部最优或者过拟合，不仅如此模型的训练速度慢、泛化能力也不佳；支持向量机(SupportVectorMachine,SVM)的最大难点是对于不同预测对象及...
【技术保护点】
1.一种基于集合经验模态分解与LSTM网络的海上风电功率短期预测方法，其特征在于，包含如下步骤：/n步骤1、对异常数据进行识别、删除与补充：识别海上风速数据中的异常数据并用当季典型日的数据将其替代；/n步骤2、海上风速序列的分解：采用集合经验模态分解法对海上风速序列进行分解；/n步骤3、分解后风速序列的重组：利用样本熵原理对分解后的海上风速序列进行重组，得到不同波动等级的风速序列；/n步骤4、输入数据的选取，预测模型其实是在寻找输入输出量之间的映射关系，若将全部影响因素作为输入的话必将引起维数灾难，甚至会造成过拟合现象的产生；但若一味的追求模型训练难度的降低而减少输入量，则会降低预测精度；根据对海上风速的分析，本专利技术选取预测日前三天24点的历史风速分量、预测日所在季节、波动等级作为特征量；/n步骤5、对输入数据进行归一化处理：针对训练数据作归一化处理；/n步骤6、将处理后的输入数据打包成元胞；/n步骤7、LSTM网络的训练：将同一季节内同一波动等级的风速序列作为一个训练样本，在每个样本集中以t、t+1、t+2天的风速值训练网络，用t+3天的风速值对网络进行检验；/n步骤8、LSTM...
【技术特征摘要】
1.一种基于集合经验模态分解与LSTM网络的海上风电功率短期预测方法，其特征在于，包含如下步骤：
步骤1、对异常数据进行识别、删除与补充：识别海上风速数据中的异常数据并用当季典型日的数据将其替代；
步骤2、海上风速序列的分解：采用集合经验模态分解法对海上风速序列进行分解；
步骤3、分解后风速序列的重组：利用样本熵原理对分解后的海上风速序列进行重组，得到不同波动等级的风速序列；
步骤4、输入数据的选取，预测模型其实是在寻找输入输出量之间的映射关系，若将全部影响因素作为输入的话必将引起维数灾难，甚至会造成过拟合现象的产生；但若一味的追求模型训练难度的降低而减少输入量，则会降低预测精度；根据对海上风速的分析，本发明选取预测日前三天24点的历史风速分量、预测日所在季节、波动等级作为特征量；
步骤5、对输入数据进行归一化处理：针对训练数据作归一化处理；
步骤6、将处理后的输入数据打包成元胞；
步骤7、LSTM网络的训练：将同一季节内同一波动等级的风速序列作为一个训练样本，在每个样本集中以t、t+1、t+2天的风速值训练网络，用t+3天的风速值对网络进行检验；
步骤8、LSTM网络的模型预测：利用训练好的LSTM网络，将数据元胞输入网络中，得到未来24小时的海上风速预测值。
2.根据权利要求1所述的一种基于集合经验模态分解与LSTM网络的海上风电功率短期预测方法，其特征在于，所述步骤1中，具体识别方法为二次指数平滑法：定义海上风力发电机组的功率时间序列为{FM+T}，则二次指数平滑法的预测公式为：
FM+T＝aM+bMT
FM+T为M+T的海上风电功率预测值，T为M时刻到预测期的间隔期数，aM、bM为参数；
SM(1)和SM21)分别为一次指数平滑值和二次指数平滑值；
其中，a为权重系数，取值范围为[0,1]；xM为第t时刻的海上风力发电功率实测值；
根据下式判定第t时刻的功率值是否有效，不满足则标记为异常值；
St-1-kσ＜xt＜St-1+kσ
其中，k是根据小概率事件统计原理确定的参数值；σ为距离预测时刻最近的k个观测功率的标准差；通过给定k和σ的值，若实际功率值在区间内，则判定数据为有效，否则标记为无效，并将该数据点删除。
3.根据权利要求2所述的一种基于集合经验模态分解与LSTM网络的海上风电功率短期预测方法，其特征在于，所述步骤1中，设置根据小概率事件统计原理确定的参数值k为3，权重系数a为0.2，距离预测时刻最近的4个观测功率的标准差取为σ。
4.根据权利要求1所述的一种基于集合经验模态分解与LSTM网络的海上风电功率短期预测方法，其特征在于，所述步骤2以集合经验模态分解法对海上风速序列进行分解，具体包括：
步骤4.1、确定白噪声幅值标准差占原始海上风速数据序列的比率k以及EMD重复的总次数M，同时迭代次数N初始化为1；
步骤4.2、引入高斯白噪声序列nm(t)后，需将其与原始海上风速时间序列相加，从而得到加噪后新的待分解的海上风速时间序列：
xm(t)＝x(t)+knm(t)
步骤4.3、进行第N次EMD分解；初始化筛分次数i＝1，具体包括：
A、分离出待分解海上风速序列中xm(t)的所有极值点(极大值点与极小值点)；再采用三次样条差值函数对待分解海上风速序列的极大极小值分别拟合，得到待分解海上风速序列xm(t)的上下两条包络...
【专利技术属性】
技术研发人员：邓长虹，梁效文，陈满，李定林，彭鹏，
申请(专利权)人：武汉大学，南方电网调峰调频发电有限公司，
类型：发明
国别省市：湖北;42
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。