一种基于VMD-FCM-GRU的风电场短期风电功率预测方法技术

本发明专利技术公开一种基于VMD‑FCM‑GRU的风电场短期风电功率预测方法，属于风电功率预测技术领域。该方法首先基于VMD归一化的复杂的风电功率时间序列，得到一系列有限平稳子序列分量，并使用FCM算法对子序列分量进行聚类，将波动趋势相似的子序列进行聚类，各类进行叠加从而减少训练的时间。再用聚类后的序列分别训练门控循环单元GRU神经网络进行预测，把各子序列的预测结果进行叠加和反归一化，得到最终的预测结果。本发明专利技术结合GRU强大的计算效率，VMD‑FCM‑GRU的组合模型能够实现较好的预测精度和较短的训练时间，且能显著提高短期风电功率预测的精度和速度。

A short-term wind power prediction method for wind farms based on vmd-fcm-gru

【技术实现步骤摘要】
一种基于VMD-FCM-GRU的风电场短期风电功率预测方法
本专利技术涉及风电功率预测
，尤其涉及一种基于VMD-FCM-GRU的风电场短期风电功率预测方法。
技术介绍
随着世界能源的减少，可再生能源的研发和利用成为重要发展战略。风能具有范围广、可再生和无污染等优点，逐步成为最具发展前景的能源。风力发电固有的随机性和波动性造成了风电电力供应与负荷需求之间的不平衡。提高风电功率预测精度是解决这些问题的有效途径，也是长期以来的研究热点。风力预测技术根据预测结果的形式可分为两类:不确定预测和确定预测。不确定预测方法通常基于概率分布、情景或区间预测。这些方法的结果最终提供的不是确定性的风电预测值，而是风电的分布、范围或多个预测值。目前的不确定预测方法给出的预测值范围过大。它们也很难预测由风电随机性引起的短期波动。一些预测方法在未来一段时间或几段时间内提供某些预测值，这些预测值通常基于物理模型或统计模型。物理模型以气象数据为依据，将物理过程归纳为一系列物理规律，并将其表达为数学方程。此类方法因模型较为复杂而难以实现，目前仅有基于特定站点的模本文档来自技高网...

【技术保护点】
1.一种基于VMD-FCM-GRU的风电场短期风电功率预测方法，其特征在于包括如下步骤：/n步骤1：采集风电功率p和风速v的数据，并进行预处理包括：剔除异常数据、补充缺失值和归一化处理，得到归一化的风电功率序列X

【技术特征摘要】
1.一种基于VMD-FCM-GRU的风电场短期风电功率预测方法，其特征在于包括如下步骤：
步骤1：采集风电功率p和风速v的数据，并进行预处理包括：剔除异常数据、补充缺失值和归一化处理，得到归一化的风电功率序列Xi'；
步骤2：利用VMD算法将复杂的风电功率序列Xi'分解为S个平稳的子序列；
步骤3：利用模糊均值聚类算法FCM将分解的S个子序列进行聚类，得到c个类别；
步骤4：训练GRU模型，并将步骤3的c个类别的风电功率序列预测结果；
步骤5：验证预测模型的有效性。


2.根据权利要求1所述的一种基于VMD-FCM-GRU的风电场短期风电功率预测方法，其特征在于，所述步骤1的过程如下：
步骤1.1：对功率p和风速v按照采样时间t编码构成点集(v,p)，绘出原始数据(v,p)分布图；
步骤1.2：在风速v上划分区间Δv，在每个Δv区间上依次利用四分位算法寻找功率p的三个分位点Q1，Q2,Q3，计算IQR＝Q3-Q1,构造分位点区间[Q1-1.5IQR,Q3+1.5IQR]；
步骤1.3：删除区间Δv对应分位点区间外的异常数据，并按照编码的顺序输出剩余正确数据；
步骤1.4：取各个区间Δv内风速的平均值，替代步骤1.3中的异常数据，从而得到关于时间的风电功率序列Xi；
步骤1.5：将序列Xi按min-max归一化进行归一化处理得到序列Xi'。


3.根据权利要求1所述的一种基于VMD-FCM-GRU的风电场短期风电功率预测方法，其特征在于，所述步骤2的过程如下：
步骤2.1：构造变分问题，保证分解后的风电功率子序列为具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，建立约束条件：
将风电功率序列X′i写成时间序列u(t)，即u(t)为各模态分量之和，首先通过希尔伯特变换得到各模态mk(t)的解析频谱，其中单侧普Amk(t)为：其中δ表示狄拉克分布，j表示虚单位，并满足条件：j2＝-1；
将中心频率混合到分解的时间序列中，频谱将被调整到基带，即Bmk(t)：



其中，ωk表示第k个中心频率；
利用解调信号的高斯平滑法估计各模态信号的带宽，可解决带约束的变分问题；
目标函数表示为：
其中，{mk}＝{m1m2...mk}，{ωk}＝{ω1ω2...ωk}，K表示需要分解的模态个数，mk表示第k个模态分量，ωk表示第k个中心频率，δ(t)表示狄拉克函数，*表示卷积运算；
步骤2.2：引入二次惩罚因子α和拉格朗日乘法运算符λ(t)用于将约束变分问题转换为一个无约束变分问题：
α保证信号的重建精度，λ(t)保持严格的约束，增广拉格朗日函数表达式如下：



再利用乘数的交替方向方法和傅里叶变换用于解决上述变分问题，增广拉格朗日函数表达式的最佳解决方案是由交替更新优化mkn+1,ωkn+1,λn+1，交替寻优迭代后的的表达式如下：



其中，分别表示mkn+1,ωkn+1,λn+1的傅里叶等距变换，τ表示噪声容纳程度；
步骤2.3：根据步骤2.1和步骤2.2的公式，建立VMD分解的迭代过程，如下：
步骤2.3.1：初始化和最大迭代次数N；
步骤2.3.2：利用公式更新
步骤2.3.3：利用公式更新
步骤2.3.4：给定一个阈值ε，若不满足：且n＜N，则返回步骤2.3.2，否则完成迭代，输出
步骤2.3.5：对分别进行傅里叶反变换可得：m1(t)、m2(t)...mK(t)，即利用VMD算法将处理后的风电功率序列u(t)分解为了S个子系列。


4.根据权利要求1所述的一种基于VMD-FCM-GRU的风电场短期风电功率预测方法，其特征在于，所述步骤3的过程如...

【专利技术属性】
技术研发人员：桑春旭，杨东升，周博文，张化光，金硕巍，闫士杰，罗艳红，刘鑫蕊，杨波，孙振奥，梁雪，刘振伟，王智良，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21