风电短期出力功率预测方法技术

本发明专利技术风电短期出力功率预测方法包括:用STCN网络来预测风电短期出力功率，STCN网络包括：输入层、隐藏层和输出层，将历史风电短期出力功率输入到STCN网络，让STCN网络自主学习以预测风电短期出力功率；将输入端信号分解成若干个重构信号，其分解包括：用经验模态(EMD)对风电短期出力功率进行分解，得到最大分解模态数量K；将风电短期出力功率输入到变分模态(VMD)中，按照[2,3,...,K

【技术实现步骤摘要】
风电短期出力功率预测方法


[0001]本专利技术涉及一种风电短期出力功率预测方法，具体涉及一种基于经验模态和变分模态将风电短期出力功率进行分解后输入STCN网络的预测方法。

技术介绍

[0002]风力发电由于能源丰富、技术成熟和发电性能较为稳定等优点受到了越来越多国家和地区的关注，风电已经成为继火电和水电之后的第三大发电系统
[0003]风能是随机波动的不稳定能源，具有间歇性和波动性等特点，大规模的风电并入电网，必将会对电网系统的稳定性带来巨大挑战。因此，只有更加科学准确地得到风力发电的功率参数，才能做到最大限度地保障整个电网系统的安全性、经济性和稳定性。

技术实现思路

[0004]本申请专利技术目的是解决传统风电功率预测方法容易受风的波动性和间歇性的影响，而导致预测精度低的问题，通过将不稳定、预测性差的原始历史风电功率分解为多个相对稳定和可预测的模态分量，再基于分解得到的模态分量建立STCN网络模型，提高风电功率预测的准确性，降低风电并网难度。
[0005]为了实现上述目的，本专利技术提供如下技术方案：
[0006]本专利技术的一种风电短期出力功率预测方法，它包括:用STCN网络来预测风电短期出力功率，该STCN网络包括：输入层、隐藏层和输出层，用户根据其预测的需要，确定其预测时间，将历史风电短期出力功率输入到STCN网络，让STCN网络进行自主学习以预测风电短期出力功率；其中：将所述输入端的信号分解成若干个重构信号，其分解包括以下步骤：
[0007](A)、用经验模态(EMD)对风电短期出力功率进行分解，得到最大分解模态数量K
[0008]将历史风电短期出力功率输入到经验模态(EMD)中，通过递归分解和自行迭代得到最大分解模态数量K；
[0009](B)、将风电短期出力功率输入到变分模态(VMD)中，分别按照[2,3,...,K
‑
1,K]进行变分模态分解，并且找出最小残差能量所对应的分解模态数K
’
[0010]将历史风电出力功率输入到变分模态(VMD)中，分解模态数量K依次选择为2,3,...,K
‑ꢀ
1,K，历史风电出力功率在变分模态(VMD)中进行分解，以下公式表示输入信号、重构信号和残差值的关系：
[0011]f(t)＝u1(t)+u2(t)+
···
+u
k
(t)+r(t)
‑‑‑‑‑
(公式1)
[0012]即：
[0013][0014]其中：f(t)为输入信号；u1(t)
……
u
k
(t)为重构信号；r(t)为残差值；
[0015][0016]其中E
k
为残差能量，比较上述E
k
值，找到最小的E
k
所对应的分解模态数量K
’
；
[0017](C)、用K
’
个重构信号作为STCN网络的输入特征
[0018]将步骤(B)分解出来的K
’
个重构信号作为STCN网络的输入端，K
’
个重构信号经过隐藏层后，进入全连接层和卷积层，最后STCN网络的输出为预测的风电短期出力功率。
[0019]本专利技术的一种风电短期出力功率预测方法，其中：在所述步骤(B)中的计算残差值的过程中，按照以下公式组(4)将重构信号进行正交处理，
[0020][0021]在公式组(4)中，β1,β2,...,β
k
表示正交化后的模态分量，则残差值计算公式则转变为：
[0022][0023]本专利技术的一种风电短期出力功率预测方法，其中：所述隐藏层由多个隐藏单元组成，每个隐藏单元由时空膨胀卷积、权值归一化层、激活层、Dropout层、时空膨胀卷积、权值归一化层、激活层和Dropout层依次串联后再与1*1卷积层并联后组成。
[0024]本专利技术的一种风电短期出力功率预测方法，其中：所述隐藏单元至少为2个。
[0025]本专利技术的一种风电短期出力功率预测方法，其中：所述输出层由全连接层和卷积层串联组成。
[0026]本专利技术的一种风电短期出力功率预测方法，其中：所述Dropout层为SpatialDropout层。
[0027]本专利技术的与冲突的预测方法相比，具有以下优点：
[0028]解决传统风电功率预测方法容易受风的波动性和间歇性的影响，提高了预测精度，将传统的不稳定、预测性差的原始历史风电功率分解为多个相对稳定和可预测的模态分量，提高风电功率预测的准确性，降低风电并网难度。
附图说明
[0029]图1为在本专利技术的风电短期出力功率预测方法中所使用的STCN网络模型的示意图。
[0030]图2为本专利技术的风电短期出力功率的原始序列、5个分解的模态分量和残余分量的结果图。
具体实施方式
[0031]下面根据说明书附图并结合具体实施例对本专利技术的技术方案进一步详细表述。
[0032]本专利技术一种风电短期出力功率预测方法，它包括:用STCN网络来预测风电短期出力功率，如图1所示，该STCN网络包括：输入层、隐藏层和输出层，隐藏层由至少2个隐藏单元组成，每个隐藏单元由时空膨胀卷积、权值归一化层、激活层(Relu)、Dropout层、时空膨胀卷积、权值归一化层、激活层和Dropout层依次串联后再与1*1卷积层并联后组成，Dropout层为 SpatialDropout层，输出层由全连接层和卷积层串联组成，用户根据其预测的需要，确定其预测时间，将历史风电短期出力功率输入到STCN网络，让STCN网络进行自主学习以预测风电短期出力功率；将所述输入端的信号分解成若干个重构信号，其分解包括以下步骤：
[0033](A)、用经验模态(EMD)对风电短期出力功率进行分解，得到最大分解模态数量K
[0034]将历史风电短期出力功率输入到经验模态(EMD)中，通过递归分解和自行迭代得到最大分解模态数量K；
[0035](B)、将风电短期出力功率输入到变分模态(VMD)中，分别按照[2,3,...,K
‑
1,K]进行变分模态分解，并且找出最小残差能量所对应的分解模态数K
’
[0036]将历史风电出力功率输入到变分模态(VMD)中，分解模态数量K依次选择为2,3,...,K
‑ꢀ
1,K，历史风电出力功率在变分模态(VMD)中进行分解，以下公式表示输入信号、重构信号和残差值的关系：
[0037]f(t)＝u1(t)+u2(t)+
···
+u
k
(t)+r(t)
‑‑‑‑‑
(公式1)
[0038]即：
[0039][0040]其中：f(t)为输入信号；u1(t)
……
u
k
(t)为重构信号；r(t)为残差值；
[0041][0042]其中E<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电短期出力功率预测方法，它包括:用STCN网络来预测风电短期出力功率，该STCN网络包括：输入层、隐藏层和输出层，用户根据其预测的需要，确定其预测时间，将历史风电短期出力功率输入到STCN网络，让STCN网络进行自主学习以预测风电短期出力功率；其特征在于：将所述输入端的信号分解成若干个重构信号，其分解包括以下步骤：(A)、用经验模态(EMD)对风电短期出力功率进行分解，得到最大分解模态数量K将历史风电短期出力功率输入到经验模态(EMD)中，通过递归分解和自行迭代得到最大分解模态数量K；(B)、将风电短期出力功率输入到变分模态(VMD)中，分别按照[2,3,...,K
‑
1,K]进行变分模态分解，并且找出最小残差能量所对应的分解模态数K
’
将历史风电出力功率输入到变分模态(VMD)中，分解模态数量K依次选择为2,3,...,K
‑
1,K，历史风电出力功率在变分模态(VMD)中进行分解，以下公式表示输入信号、重构信号和残差值的关系：f(t)＝u1(t)+u2(t)+
···
+u
k
(t)+r(t)
‑‑‑‑‑
(公式1)即：其中：f(t)为输入信号；u1(t)
……
u
k
(t)为重构信号；r(t)为残差值；其中E
k
为残差能量，比较上述E

【专利技术属性】
技术研发人员：陆万荣，
申请(专利权)人：昆明能讯科技有限责任公司，
类型：发明
国别省市：