一种短期风电功率预测方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种短期风电功率预测方法、装置、设备及存储介质，包括：采集当前风电场对应的实时风电功率数据，并对实时风电功率数据进行预处理，得到第一预处理后数据；将第一预处理后数据输入至预先训练好的目标风电功率预测模型，得到目标风电功率预测模型输出的与第一历史风电功率数据对应的风电功率预测结果；其中，目标风电功率预测模型为预先训练好的多分支神经网络模型，并且，在多分支神经网络模型的训练过程中，对VMD算法中的分解个数和各分解分量对应的中心频率进行优化。本申请通过对VMD算法中的分解个数和各分解分量对应的中心频率进行优化，从而利用训练出目标风电功率预测模型实现风电功率的预测，提高了预测精度。精度。精度。

【技术实现步骤摘要】
一种短期风电功率预测方法、装置、设备及存储介质


[0001]本专利技术涉及风电功率预测
，特别涉及一种短期风电功率预测方法、装置、设备及存储介质。

技术介绍

[0002]当前，风电功率的预测方法可以分为间接预测方法和直接预测方法。其中间接预测方法主要是指用其他特征预测风电功率，例如风速、温度、空气密度等，但是由于误差叠加，这种方法通常预测不准确，然而直接预测方法主要使用风电功率本身的历史数据预测未来风电功率，能够延续时序序列，更加准确地拟合非线性关系，提高预测精度，但是又由于风电功率本身具有波动性和非周期性，难以直接提取出时序序列的趋势，因此信号分解技术与深度学习方法结合的预测模型开始出现。其中，VMD(Variational mode decomposition，变分模态分解)算法可以很好地解决时序序列中的模式混叠问题并且不会增加额外的噪声，但是VMD的分解次数和各分量的中心频率没有得到优化，同时大部分的深度学习预测方法仅仅考虑长期趋势特征的全局趋势，没有考虑到最近时间段的局部趋势。

技术实现思路

[0003]有鉴于此，本文档来自技高网...

【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，包括：采集当前风电场对应的实时风电功率数据，并对所述实时风电功率数据进行预处理，得到第一预处理后数据；将所述第一预处理后数据输入至预先训练好的目标风电功率预测模型，得到所述目标风电功率预测模型输出的与所述第一历史风电功率数据对应的风电功率预测结果；其中，所述目标风电功率预测模型为预先训练好的多分支神经网络模型，并且，在所述多分支神经网络模型的训练过程中，对VMD算法中的分解个数和各分解分量对应的中心频率进行优化。2.根据权利要求1所述的短期风电功率预测方法，其特征在于，所述将所述第一预处理后数据输入至预先训练好的目标风电功率预测模型之前，还包括：收集当前风电场的历史风电功率数据，并对所述历史风电功率数据进行预处理得到第二预处理后数据；利用预设优化算法对VMD算法中的分解个数和各分解分量对应的中心频率进行多次优化，得到每次优化后对应的目标分解个数和目标中心频率；根据每次优化后对应的所述目标分解个数和所述目标中心频率对所述第二预处理后数据进行数据分解，得到多组与所述目标分解个数和所述中心频率对应的分解分量；将所述第二预处理后数据分别与每组所述分解分量进行重构，得到多组重构后数据；利用所述重构后数据对基于卷积神经网络模型和门控循环单元构建的初始风电功率预测模型进行训练，得到多个与所述目标分解个数和所述中心频率对应的训练后的风电功率预测模型；从多个所述训练后的风电功率预测模型中确定出目标风电功率预测模型。3.根据权利要求2所述的短期风电功率预测方法，其特征在于，所述对所述历史风电功率数据进行预处理得到第二预处理后数据，包括：对所述历史风电功率数据进行去噪处理得到去噪后数据，并对所述去噪后数据进行归一化处理得到第二预处理后数据。4.根据权利要求2所述的短期风电功率预测方法，其特征在于，所述从多个所述训练后的风电功率预测模型中确定出目标风电功率预测模型，包括：确定多个所述训练后的风电功率预测模型中的每个所述训练后的风电功率预测模型对应的模型评价指标得到相应的评价指标集；将所述评价指标集中数值最小的模型评价指标所对应的所述训练后的风电功率预测模型确定为目标风电功率预测模型。5.根据权利要求4所述的短期风电功率预测方法，其特征在于，所述确定多个所述...

【专利技术属性】
技术研发人员：王政霞，熊帮茹，熊刚，
申请(专利权)人：海南大学，
类型：发明
国别省市：