【技术实现步骤摘要】
一种短期风电功率预测方法、装置、电子设备和存储介质
[0001]本专利技术实施例涉及计算机应用
，尤其涉及一种短期风电功率预测方法、装置、电子设备和存储介质。
技术介绍
[0002]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。但是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此强大的非线性拟合能力被应用与短期风电功率预测中。但由于传统机器学习模型容易陷入局部最优和泛化能力差，导致预测精度难以提高。而且，风速原始数据的波动性和随机性较强，对风速原始数据直接进行预测很难捕捉到风速的变化规律。
[0003]因此，如何提供一种解决上述技术问题的短期风电功率预测方法成为本领域技术人员亟需解决的问题。
技术实现思路
[0004]本专利技术提供一种短期风电功率预测方法、装置、电子设备和存储介质，以实现贴合实际风电发电过程，提高风电功率预测的准确性和稳定性。
[0005]第一方面，本专利技术实施例提供了一种短期风电功率预测方法，该...
【技术保护点】
【技术特征摘要】
1.一种短期风电功率预测方法，其特征在于，所述方法包括：根据风电功率数据生成风电功率时间序列；根据集合经验模式分解所述风电功率时间序列以获得至少一个模态分量；根据预设功率预测模型确定各所述模态分量对应的预测风电功率子序列；叠加所述预测风电功率子序列的子风电功率作为目标风电预测功率。2.根据权利要求1所述的方法，其特征在于，还包括：根据灰狼算法优化所述预设功率预测模型中的模型参数。3.根据权利要求1所述的方法，其特征在于，所述根据集合经验模式分解所述风电功率时间序列以获得至少一个模态分量，包括：S21、在所述风电功率时间序列x(t)加入高斯白噪声w(t)，生成包含噪声的信号X(t)；S22、确定所述信号X(t)的局部极大值和局部极小值，并根据三次样条拟合曲线将所述信号X(t)的局部极大值和局部极小值链接，构成所述信号X(t)的上包络线u1(t)和下包络线l1(t)；S23、确定所述上包络线u1(t)和下包络线l1(t)的均值m1(t)＝u1(t)+l1(t)；S24、根据所述信号X(t)与所述均值m1(t)的差值确定新序列h1(t)＝X(t)
‑
m1(t)；S25、确定所述新序列h1(t)是否满足预设本征模态函数的特征，若满足则所述新序列h1(t)为模态分量，令IMF1(t)＝h1(t),若不满足，则重复执行步骤S22
‑
S24直至新序列h
1k
(t)满足预设本征模态函数的特征，令IMF1(t)＝h
1k
(t)；S26、从所述信号X(t)中减去IMF1(t)，获取差值序列r1(t)＝X(t)
‑
IMF1(t)，将所述差值序列r1(t)作为所述信号X(t)，重复执行步骤S22
‑
S25获得新的模态分量IMF
i
(t),直到所述信号X(t)中减去IMF
i
(t)生成的剩余序列r
n
(t)满足停止条件，所述风电功率时间序列4.根据权利要求3所述的方法，其特征在于，所述预设本征模态函数的特征包括：极值点与过零点的数目相同或所述极值点与所述过零点的数目差值为1；在任意时刻，所述新序列的上包络线和下包络线的均值为0。5.根据权利要求3所述的方法，其特征在于，所述停止条件至少包括以下一种：剩余序列r
n
(t)只有一个局部极值点；剩余序列r
n
(t)为单调函数。6.根据权利要求1所述的方法，其特征在于，所述根据灰狼算法优化所述预设功率预测模型中的模型参数包括：S31、根据给定训练样本确定所述预设功率预测模型的网络拓扑结构和模型参数，其中，所述模型参数至少包括网络节点数、种群规模、最大迭代次数、输入权值和隐含层偏置个数中至少一个；S32、根据预设范围随机产生M个灰狼群位置每个灰狼群包括一组极限学习机参数，其中，第i个灰狼群为：x
i...
【专利技术属性】
技术研发人员：肖建华，罗苑萍，李春亮，傅惠芹，刘冬明，刘滨涛，刘满，刘凤霞，张莉，
申请(专利权)人：广东电网有限责任公司揭阳供电局，
类型：发明
国别省市：
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。