一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法技术

本发明专利技术公开了一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法，在分析风电功率与气象因素关系的基础上，首先利用小波多尺度分析、熵与非参数估计方法分别考察风电数据的时频域特征分布、不确定性和随机性，用于合理划分子集以确保训练样本充分激励系统的所有模态。其次，采用非线性流形学习提取风电数据的非线性特征，实现维数约简以降低计算复杂度。最后，结合结构优化的长短期记忆神经网络，建立预测精度高、计算复杂度低以及鲁棒性强的短期风电功率组合预测模型。本发明专利技术可为风电场提供精确可靠的风电功率预测，为大规模风电并网的协调控制与电网调度提供保障。

A short-term wind power prediction modeling method based on wavelet analysis and multi model AdaBoost deep network

【技术实现步骤摘要】
一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法
本专利技术属于风力发电
，特别涉及一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法。
技术介绍
近年来，发展可再生能源逐渐成为国际社会共识。风能是一种因空气流做功而产生的可再生能源，中国风能资源丰富，根据气象部门统计，目前可以开发利用的风能达到10亿千瓦以上。精确可靠的短期风力发电预测对于智能电网调度有重要作用，能减少由电网整合带来的经济损失，以及降低电网传输和整合的风险。由于风速分布具有瞬时性、随机性和不确定性，导致风电场短期风力发电预测建模成为一个复杂的非线性过程。风速的分布有着明显的季节特征，其分布主要受两方面影响：一是其变化与太阳光照密切相关；二是由于风能密度较低，大气压、湿度和温度等都会引起风速分布的变换，使其存在很大的波动性进而呈现为非平稳的随机时间序列。在现有的风电场短期风电预测技术中，其预测方法主要分为以下几种：(1)物理预测模型预测方法：该模型从天气现象(或天气过程)具有必然性出发，认为天气变本文档来自技高网...

【技术保护点】
1.一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法，其特征在于，包括以下步骤：/n步骤1.基于小波分析，对风电功率数据预处理与特征分析：采用多项式或样条函数、合理性检验以及小波分析分别处理风电功率数据的缺失值、不合理值和噪声值，并采用小波多尺度分析、熵与非参数估计方法分别考察风电功率数据的时频域特征分布、不确定性和随机性；/n步骤2.对风电功率数据进行非线性特征提取与维数约简：在保持风电功率数据时间顺序与几何结构的情况下，利用非线性流形学习提取非线性特征、消除冗余信息，实现非线性特征提取与维数约简；所述的非线性流形学习假设原始数据光滑且非“重叠”，否则会在流形嵌入...

【技术特征摘要】
1.一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法，其特征在于，包括以下步骤：
步骤1.基于小波分析，对风电功率数据预处理与特征分析：采用多项式或样条函数、合理性检验以及小波分析分别处理风电功率数据的缺失值、不合理值和噪声值，并采用小波多尺度分析、熵与非参数估计方法分别考察风电功率数据的时频域特征分布、不确定性和随机性；
步骤2.对风电功率数据进行非线性特征提取与维数约简：在保持风电功率数据时间顺序与几何结构的情况下，利用非线性流形学习提取非线性特征、消除冗余信息，实现非线性特征提取与维数约简；所述的非线性流形学习假设原始数据光滑且非“重叠”，否则会在流形嵌入时，可能会出现放缩现象；同时，对高维风电功率数据的维数约简需要估计样本的信息量；
步骤3.样本子集划分、模型阶次估计以及预测模型表示：根据输入风电数据的频谱时间和尺度变化特性，利用其特征分布进行子集划分，使得训练样本与测试样本频谱相互覆盖；利用合理的频谱估计、信息准则以及小波分析，实现风电数据的子集划分、模型阶次估计以及预测模型表示；合理划分子集，确保训练样本充分激励系统的所有模态；
步骤4.基于优化模型结构的多模型AdaBoost深度网络的短期风电功率预测建模：利用多个长短期记忆子网络对分解后的输入变量分别建模，自动判断先前训练集中预测偏差大的相应概率，组合预测性能好的子网络，提升模型在训练样本集上的表现能力；设置合适的学习率，合理更新范数和权值范数的比率，加强深度网络学习速度与稳定性；根据预测精度调整子网络个数，获得最好的泛化能力；对数据分解后的不同频率进行建模，根据不同划分子集进行交叉验证，获得高精度、强鲁棒的特性。


2.根据权利要求1所述的一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法，其特征在于，所述步骤1包括以下过程：
步骤1.1缺失值处理：采用多项式或样条函数、合理性检验以及小波分析分别处理缺失值、不合理值和噪声值，包括用三次多项式函数和确定样条函数进行插值从而对缺失值合理处理；
步骤1.2合理性检验：利用自适应中值滤波Hampel滤波器，设定滑动半窗口Half-windows的长度；通过自适应的高斯估计，对滤波正态分布标准偏差进行合理性检验；
步骤1.3噪声值处理：采用Haar、Symmlets、Daubechies小波多尺度分析在数据噪声水平正则化到level-1后进行滤波，构建一个小波域的非线性收缩函数将小波初始系数设置在区间[-δ，δ]内，并且设置为按照绝对值的形式进行收缩，其中N和σ分别表示样本的长度和噪声的标准偏差；重组后的信号为：



其中xnew和xOriginal分别是重构后的信号与原始信号，sgn(xOriginal)是对应的取值-1或1的符号函数，非线性收缩函数是软阈值，ωj，k是由真实信号和噪声组成的相关数值，j，k是与频率相关的正整数指标；其中低频截断可设置为5＜3×2×1＝6，消失矩可设置为8＝23，此时严格满足小波分析消失矩的条件；
步骤1.4风电功率数据的不确定性分析：分别采用Renyi熵与非参数估计，来分析风电功率数据的不确定性与随机性；假设时间序列{Xt}t＝1，2，...对应的分布概率为pi＝Pro(Xt＝i)，Renyi熵提供了基于样本质量的定量测量指标；Hα(Xt)越低，则与时间序列相关的不确定性就越小，序列中存在许多与能量流相关的不确定因素则越少，其相应的...

【专利技术属性】
技术研发人员：邵海见，邓星，刘健，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：江苏;32