基于深度信念网络的非线性加权组合风电功率预测方法技术

本发明专利技术公开了一种基于深度信念网络的非线性加权组合风电功率预测方法，属于电力系统风电功率预测技术领域。为了解决当下风电功率预测精度较低的问题，利用分解策略、非线性加权组合以及深度学习模型建立一种新的组合预测模型。首先采用结合重建误差率的变分模态分解VMD技术对原始风电功率序列进行分解，提取局部特征；然后，利用长短期记忆神经网络和基于粒子群优化的深度信念网络构建子预测模型。最后，采用基于粒子群优化的深度信念网络PSO

【技术实现步骤摘要】
基于深度信念网络的非线性加权组合风电功率预测方法


[0001]本专利技术属于电力系统风电功率预测
，涉及一种基于深度信念网络的非线性加权组合风电功率预测方法。

技术介绍

[0002]随着能源革命的发展，风能以其清洁、丰富、可再生的优势，成为世界上最具潜力的替代能源之一。但是，风能具有随机性、波动性和间歇性等固有特性，使风电功率序列呈现高度非线性和非平稳性，这会导致电力系统的电压和频率产生波动。而高精度的风电功率预测方法可以确保电力系统的安全稳定，提高电网运行效率并且可以增强风电在电力市场的竞争力。因此，准确的风电功率预测成为解决以上问题的有效手段。
[0003]当下机器学习是最为流行的预测模型，然而，反向传播(BP)神经网络、支持向量机(SVM)、Elman神经网络、极限学习机(extreme learning machine,ELM)等浅层学习模型具有陷入局部最优、过拟合、收敛性差等缺点。因此，深度学习模型凭借其无监督特征学习、较强的泛化能力和大数据训练三大属性，成为风速/功率预测的主流模型。但是单一的预测模型仍然无法满足当下电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度信念网络的非线性加权组合风电功率预测方法，其特征在于，包括以下步骤：步骤1、数据收集：收集风力发电的风速、历史风电功率、温度和风向数据并构建训练样本集；步骤2、数据预处理：首先，对风力发电数据中的异常数据进行修正，并对缺失数据进行补充；然后，对数据进行标准化处理以减小因数据数量级相差较大而对预测准确性造成的影响；最后，使用具有降噪功能的变分模态分解技术VMD分解非线性非平稳的历史风电功率序列，得到IMF1模态，IMF2，IMF3...IMF
N
模态，以提高数据的可预测性；步骤3、特征选择：计算各影响因素与历史风电功率的最大信息系数MIC，选取MIC＞0.5的历史风电功率、风速、温度和风向作为主导影响因素参与步骤4中子模型的训练预测；步骤4、搭建子预测模型：将IMF1模态作为目标输出，将步骤3的风力发电的风速、历史风电功率、温度和风向数据作为输入，利用擅长处理时间序列问题的递归神经网络LSTM进行训练得到子预测模型1和子预测结果1；然后将IMF2模态作为目标输出，将步骤3的风力发电的风速、历史风电功率、温度和风向数据作为输入，利用擅长特征提取的深度信念模型DBN并结合粒子群优化PSO进行训练得到子预测模型2和子预测结果2，然后按照上述训练步骤依次循环直至IMF
N
结束，得到N个子预测模型及N个子预测结果；其中，IMF2，IMF3...IMF
N
都采用PSO-DBN模型进行预测训练。步骤5、模型组合：利用基于PSO-DBN的非线性组合机制对步骤4训练得到的N个子模型的N个预测结果进行组合，以更好地提取和表征各个子预测模型的非线性关系，从而得到非线性组合预测模型；步骤6、输出结果：输入预测日前两天的风力发电的风速、功率、温度和风向数据信息，根据组合预测模型得到最终的预测结果。2.根据权利要求1所述的基于深度信念网络的非线性加权组合风电功率预测方法，其特征在于，步骤2所述数据预处理的方法为：首先，对风力发电数据中的异常数据进行修正，并对缺失数据进行补充；如果某个时刻的数据与前后两天对应时刻数据的差异过大，就认为该数据是极大或极小的数据，该类数据的修正规则如下：小的数据，该类数据的修正规则如下：其中，X
(d，t)
是第d天t时刻的用电量数据，是第d天t时刻前后两天的用电量数据平均值，ε
d
(t)是第d天用电量数据标准差的两倍，是第d天t时刻前后两天同时刻数据的平均值。对于缺失的数据按照公式(2)进行补充；然后按照标准化公式(3)对所有数据进行标准化处理：其中，x...

【专利技术属性】
技术研发人员：段建东，侯泽权，王鹏，马文涛，方帅，安琳，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：