一种基于AEEMD和LSTM的风功率预测方法及装置制造方法及图纸

本申请提供了一种基于AEEMD和LSTM的风功率预测方法及装置，通过采用基于模态分形特征的自适应集合经验模态分解(Adaptive Ensemble Empirical Mode Decomposition,AEEMD)方法，根据不同模态分量展现出不同的分形维数，并采用粒子群优化算法寻优模态分量分形维最小时的白噪声参数，能够实现EEMD的最佳分解状态，并结合具有良好的非线性建模能力的长短时记忆网络(Long Short Term Memory,LSTM)对AEEMD分解得到的模态分量进行风功率预测，预测精度更高，从而能够提高风能利用效率。率。率。

【技术实现步骤摘要】
一种基于AEEMD和LSTM的风功率预测方法及装置


[0001]本专利技术涉及风功率预测技术，尤其涉及一种基于AEEMD和LSTM的风功率预测方法及装置。

技术介绍

[0002]受到风速的间歇性和波动性特点影响，高比例风电接入电网会影响电力系统的稳定运行，且存在风电消纳难度大、弃风等问题，对短期风功率准确预测成为有效利用风能的重要研究内容。
[0003]当前主要的风功率预测方法包括物理方法、统计方法。物理方法利用气象信息作为初始边界条件进行推理建模，但模型复杂且计算量较大。统计方法根据历史数据获得影响因素与风功率数据间的映射函数关系，模型精度对历史数据依赖性较大。鉴于单一方法的局限性，基于数据分解技术的组合方法得到进一步应用。
[0004]集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)作为一种自适应的非线性信号分解方法，能将非线性信号分解为一系列不同特征尺度的模态分量，广泛应用于风功率预测。然而，实际风功率数据大多表现出非线性、非平稳的特性，直接采用EEMD处理信号的分解效果较差，获得的分量可能存在模态混叠效应。

技术实现思路

[0005]本专利技术的目的在于提供一种基于AEEMD和LSTM的风功率预测方法及相关装置，以提高风能的利用效率。
[0006]以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
[0007]根据本专利技术的一方面，提供了一种基于AEEMD和LSTM的风功率预测方法，包括：
[0008]步骤1：获取实际风电场的风功率数据，分析数据质量；
[0009]步骤2：基于分形维数原理，结合粒子群寻优算法，实现AEEMD对原始风功率数据的分解，获得n个较平稳的模态分量imf；
[0010]步骤3：分别对n个模态分量构建LSTM模型，实现LSTM模型对模态分量的训练与预测；
[0011]步骤4：叠加LSTM模型的预测结果，获得对原始风功率数据的预测结果；
[0012]步骤5：对预测结果进行误差分析，评估模型性能。
[0013]在一实施例中，所述步骤2包括：
[0014]步骤21：设置白噪声幅值和加噪次数的取值范围，初始化粒子群算法参数，将白噪声幅值和加噪次数作为粒子位置；
[0015]步骤22：在不同的白噪声幅值和加噪次数条件下，对信号进行EEMD分解，并计算所
得模态的分形维数，作为对应情况下的适应度函数；
[0016]步骤23：比较各参数下的分形维数，若历史分形维数值小于当前参数下的分形维数，则对粒子参数更新；
[0017]步骤24：参数更新，重复步骤22和步骤23的过程，直到满足停止条件；
[0018]步骤25：以不同白噪声幅值和加噪次数下分解所得模态的分形维作为寻优过程的适应度函数fitness：
[0019][0020]以适应度函数最小为寻优目标，记录最优的白噪声参数，和最优参数下的EEMD分解结果。
[0021]在一实施例中，所述步骤22中，对信号进行EEMD分解包括：
[0022]步骤221：确定加入的白噪声的幅值ε和加噪次数N
e
；
[0023]步骤222：将白噪声序列添加到待分解的时间序列x(t)中：
[0024]x
j
(t)＝x(t)+ε*s
j
(t)；
[0025]式中，s
j
(t)为第j次添加的白噪声序列，x
j
(t)为染噪信号；
[0026]步骤223：对x
j
(t)进行EMD分解，得到一组i层imf，记为c
i,j
(t)；
[0027]步骤224：重复步骤2)和3)N
e
次，每次加入不同的白噪声序列；
[0028]步骤225：对所有imf按层求平均值
[0029][0030]由以上步骤，时间序列x(t)的EEMD分解结果表示为n个imf和余项之和，即:
[0031][0032]根据本专利技术的第二方面，提供了一种装置，包括存储器和处理器；
[0033]所述存储器，用于存储计算机程序；
[0034]所述处理器，用于当执行所述计算机程序时，实现如上任一项所述的基于AEEMD和LSTM的风功率预测方法。
[0035]根据本专利技术的第三方面，一种可读存储介质，所述存储介质上存储有程序，当所述程序被处理器执行时，实现如上任一项所述的基于AEEMD和LSTM的风功率预测方法。
[0036]本专利技术实施例的有益效果是：通过采用基于模态分形特征的自适应集合经验模态分解(Adaptive Ensemble Empirical Mode Decomposition,AEEMD)方法，根据不同模态分量展现出不同的分形维数，并采用粒子群优化算法寻优模态分量分形维最小时的白噪声参数，能够实现EEMD的最佳分解状态，并结合具有良好的非线性建模能力的长短时记忆网络(Long Short Term Memory,LSTM)对AEEMD分解得到的模态分量进行风功率预测，预测精度更高，能够提高风能利用效率。
附图说明
[0037]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0038]在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本专利技术的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
[0039]图1是基于模态分形特征的AEEMD算法流程图；
[0040]图2是基于AEEMD
‑
LSTM的风功率预测流程图。
具体实施方式
[0041]以下结合附图和具体实施例对本专利技术作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本专利技术的保护范围进行任何限制。
[0042]受到实际风速的随机性影响，实际风电场的风功率具有一定的波动性，直接利用历史风功率数据建模预测会影响预测精度，因此本申请提出基于AEEMD(Adaptive Ensemble Empirical Mode Decomposition,自适应集合经验模态分解)以实现EEMD的最佳分解状态，并结合LSTM(Long Short Term Memory,长短时记忆网络)神经网络对风功率进行预测。作为一种深度学习算法，LSTM方法能够解决循环神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AEEMD和LSTM的风功率预测方法，其特征在于，包括：步骤1：获取实际风电场的风功率数据，分析数据质量；步骤2：基于分形维数原理，结合粒子群寻优算法，实现AEEMD对原始风功率数据的分解，获得n个较平稳的模态分量imf；步骤3：分别对n个模态分量构建LSTM模型，实现LSTM模型对模态分量的训练与预测；步骤4：叠加LSTM模型的预测结果，获得对原始风功率数据的预测结果；步骤5：对预测结果进行误差分析，评估模型性能。2.根据权利要求1所述的基于AEEMD和LSTM的风功率预测方法，其特征在于，所述步骤2包括：步骤21：设置白噪声幅值和加噪次数的取值范围，初始化粒子群算法参数，将白噪声幅值和加噪次数作为粒子位置；步骤22：在不同的白噪声幅值和加噪次数条件下，对信号进行EEMD分解，并计算所得模态的分形维数，作为对应情况下的适应度函数；步骤23：比较各参数下的分形维数，若历史分形维数值小于当前参数下的分形维数，则对粒子参数更新；步骤24：参数更新，重复步骤22和步骤23的过程，直到满足停止条件；步骤25：以不同白噪声幅值和加噪次数下分解所得模态的分形维作为寻优过程的适应度函数fitness：以适应度函数最小为寻优目标，记录最优的白噪声参数和最优参数下的EEMD分解结果。3.根据权利要求2所述的基于AEEMD和LSTM的风...

【专利技术属性】
技术研发人员：麻红波，张澈，王晓宁，刘聪，崔源，王亮亮，
申请(专利权)人：北京华能新锐控制技术有限公司，
类型：发明
国别省市：