一种基于优化VMD与特征热力图的短期风电功率预测方法技术

本发明专利技术公开了一种基于优化VMD与特征热力图的短期风电功率预测方法。采用优化VMD算法分解并降低风电功率数据中的噪声干扰，将风电功率分量数据分成平稳集和剧变集，根据平稳集和剧变集的预测需求采用两种不同的预测操作，针对平稳集数据直接将本时段数据输入网络进行预测，针对剧变集数据应用特征热力图法获取相似时段数据与本时段数据共同输入网络进行预测，在相同条件下，本方法能够以较低的时间复杂度完成高精度风电功率预测，平均绝对误差达到0.77，与其他算法相比整体预测性能显著提升。升。升。

【技术实现步骤摘要】
一种基于优化VMD与特征热力图的短期风电功率预测方法


[0001]本专利技术属于风电功率预测领域，具体涉及一种基于优化VMD与特征热力图的短期风电功率预测方法。

技术介绍

[0002]风能被认为是最有潜力替代传统能源的可再生能源之一，影响风力发电量的核心因素是风速，风的过程具有随机性和波动性，除此之外其他气象要素如风向、温度、湿度等也共同影响了风机发电量。
[0003]现有的风力发电预测方法包括物理方法、统计方法和人工智能方法。物理方法先用物理模型拟合风电功率曲线，再通过功率曲线把预测的未来风速转换成风电功率，通常计算量大，只适用于数小时前的预测。统计方法基于历史数据的概率建模且不考虑风速变化过程，适用于分钟到小时区间内的预测，但精度会随时间推移而下降。人工智能方法是用机器学习或深度学习模型从海量数据中学习相关变量对风电功率的复杂映射关系，由其较高的预测精度成为了风电功率预测的主要方式。短期风电功率预测是对未来72小时内风力发电功率进行预测，现有的人工智能的方法中逐渐引进智能优化算法对预测模型的相关参数进行优化，对决定性能的关键参数使用优化算法得到的最优值组合对模型提高预测精度，缩短预测时长作用很大。但优化算法普遍存在难以跳出局部最优导致算法后期过早收敛的问题，大多数预测模型中没有充分利用历史相似信息，而这部分信息具有更高的参考性，也能让预测精度得到提高。

技术实现思路

[0004]本专利技术的目的在于：提出一种基于优化VMD与特征热力图的短期风功率预测方法，解决现有技术中预测模型中没有充分利用历史相似信息，预测精度不高的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于优化VMD与特征热力图的短期风功率预测方法，包括如下步骤：S1、采集风电场气象数据和风电功率数据填补缺失值，并进行预处理，然后将其计划分为训练集和测试集；S2、利用精英反向学习和自适应步长的莱维飞行得到改进的麻雀搜索算法ELSSA，将步骤S1中的训练集为输入至ELSSA中，优化变分模态分解的参数；S3、利用优化变分模态分解的最优参数对风电功率数据进行分解，得到风电功率数据分量序列，然后对各个分量进行预测，获得各分量的样本熵值；S4、对各分量的样本熵值进行分类，得到剧变集和平稳集；S5、针对平稳集分量，直接输入历史风电功率数据和历史气象数据，利用GRU网络进行预测，得到平稳集分量的预测值A；S6、针对剧变集分量，先进行特征热力图法处理，比较特征热力图相似度得到与上一时间窗相似的历史时段集合，再利用GRU模型获得剧变集分量的预测值B；
S7、叠加预测值A和预测值B，反归一化后得到下一时段的风电功率预测结果。
[0006]进一步地，前述的步骤S1包括如下子步骤：S1.1、使用前后相邻时刻的风电功率数据均值对气象数据和风电功率数据的缺失值进行填充，如下式：，其中，和分别为第i时间点处前一时间点和后一时间点的风电功率值，为前后时间点处的风电功率平均值；S1.2、对气象数据和风电功率数据归一化，如下式：，其中，为待归一化的变量值，是变量的最小值，是变量的最大值，归一化后的变量值为。
[0007]进一步地，前述的步骤S2包括如下子步骤：S2.1、进行ELSSA算法初始化：设置算法待优化参数最大迭代次数iter、种群数量N、解的维度d、麻雀中发现者数量PD、警觉者数量SD、安全值ST值；S2.2、将ELSSA算法中的麻雀个体，即要优化的参数组合，麻雀位置表示为，用于区分不同参数组合，K和均为变分模态分解待优化参数，K是分解后的分量个数，是决定分量带宽大小的二次罚项系数，初始化阶段随机设置种群中每个个体的位置，计算初始种群的适应度值、并标记最优个体的位置和适应度值；S2.3、使用步骤S1划分的训练集进行变分模态分解优化，将每个麻雀的参数逐个代入变分模态分解进行分解，根据分解结果计算种群的适应度值，更新最优个体的位置和适应度值；S2.4、根据最优个体的位置和适应度值，获得精英个体在每个维度的适应度最大值、最小值确定精英反向学习的动态搜索边界，对每个个体求对应的反向解，得到反向种群；S2.5、从当前种群和反向种群中选取前N个适应度最优的个体构成下一代种群；S2.6、采用自适应步长的莱维飞行改进发现者的位置更新公式，更新种群中发现者、跟随着、侦察者位置；S2.7、判断当前迭代次数是否达到最大迭代次数iter，或当前适应度值是否小于预设值，是则跳出迭代，并输出最优的麻雀位置，否则返回S2.3执行下一次迭代。
[0008]进一步地，前述的步骤S2.2中，使用适应度函数计算适应度，所述适应度函数为峭度绝对值的倒数，如下式：，其中，kurt为峭度值，如下式：
，其中，是变分模态分解得到的风电功率数据分量，共有K个，为每个分量的均值。
[0009]进一步地，前述的步骤S2.4中，包括如下子步骤：S2.4.1、将每轮迭代中麻雀在d维度的解表示如下式：，表示第i个个体在第t轮迭代中在第j维的解，其值对应麻雀位置，在一轮筛选中，根据每一维的取值确定精英反向学习上下限，第一维K的取值和第二维的取值均不能超过预设的上下界；S2.4.2、将初始麻雀个体，即初始参数组合在d维上的取值称为原解，记作：，原解对应的反向解记作：，满足的为第t轮迭代中第i个精英个体，记为，其他为普通个体，记为，S2.4.3、根据精英个体确定动态搜索边界：下界，上界，其中，是精英个体在第j维的取值，对超过阈值的反向解调整至动态边界内，所述反向解的计算公式如下： ，其中，R是介于0和1之间的随机数，和分别是动态边界的下界和上界；若反向解超过动态搜索边界，将在动态边界中用随机生成方式对反向解进行重置，如下式： ，得到反向种群后，下一代种群由当前种群和反向种群中适应度最优的前N个个体组成。
[0010]进一步地，前述的步骤S2.6中，更新麻雀种群中发现者的位置如下式：，其中，为第i个麻雀个体在第t次迭代的值，是莱维飞行步长：
，为步长控制系数：，t是当前迭代次数，r是[0,1]的随机数，和分别为最差适应度值和最优适应度值；、v和是Mantegna算法的步长系数，，是的标准差；iter是最大迭代次数，Q是服从正态分布的随机数，L是1
×
d维由1组成的向量，为预警值是0和1之间的随机数，ST为安全值，在初始化时设置；更新麻雀种群中跟随者的位置如下式：，其中，是第t代全局最差麻雀位置即所有参数组合中适应度值最差的，为第t+1代全局最优麻雀位置即所有参数组合中适应度值最优的，n是麻雀种群总数，A是1
×
d维的矩阵，A中每个元素随机为1或
‑
1，满足；更新麻雀种群中侦察者的位置如下式：，其中，表示第t代中全局最优麻雀位置，为步长控制参数，服从均值为0方差为1的正态分布，r是[
‑
1,1]内的随机数，表示麻雀的运动方向也是步长控制系数，为一极小常数用于避免分母为0，是当前个体的适应度值，是全局最差个体的适应度值，是全局最优个体的适应度值，时表示麻雀个体处于种群边界即当前参数组合与最优参数效果差距大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于优化VMD与特征热力图的短期风电功率预测方法，其特征在于，包括如下步骤：S1、采集风电场气象数据和风电功率数据填补缺失值，并进行预处理，然后将其计划分为训练集和测试集；S2、利用精英反向学习和自适应步长的莱维飞行得到改进的麻雀搜索算法ELSSA，将步骤S1中的训练集为输入至ELSSA中，优化变分模态分解的参数；S3、利用优化变分模态分解的最优参数对风电功率数据进行分解，得到风电功率数据分量序列，然后对各个分量进行预测，获得各分量的样本熵值；S4、对各分量的样本熵值进行分类，得到剧变集和平稳集；S5、针对平稳集分量，直接输入历史风电功率数据和历史气象数据，利用GRU网络进行预测，得到平稳集分量的预测值A；S6、针对剧变集分量，先进行特征热力图法处理，比较特征热力图相似度得到与上一时间窗相似的历史时段集合，再利用GRU模型获得剧变集分量的预测值B；S7、叠加预测值A和预测值B，反归一化后得到下一时段的风电功率预测结果。2.根据权利要求1所述的一种基于优化VMD与特征热力图的短期风电功率预测方法，其特征在于，步骤S1包括如下子步骤：S1.1、使用前后相邻时刻的风电功率数据均值对气象数据和风电功率数据的缺失值进行填充，如下式：，其中，和分别为第i时间点处前一时间点和后一时间点的风电功率值，为前后时间点处的风电功率平均值；S1.2、对气象数据和风电功率数据归一化，如下式：，其中，为待归一化的变量值，是变量的最小值，是变量的最大值，归一化后的变量值为。3.根据权利要求1所述的一种基于优化VMD与特征热力图的短期风电功率预测方法，其特征在于，步骤S2包括如下子步骤：S2.1、进行ELSSA算法初始化：设置算法待优化参数最大迭代次数iter、种群数量N、解的维度d、麻雀中发现者数量PD、警觉者数量SD、安全值ST值；S2.2、将ELSSA算法中的麻雀个体，即要优化的参数组合，麻雀位置表示为，用于区分不同参数组合，K和均为变分模态分解待优化参数，K是分解后的分量个数，是决定分量带宽大小的二次罚项系数，初始化阶段随机设置种群中每个个体的位置，计算初始种群的适应度值、并标记最优个体的位置和适应度值；S2.3、使用步骤S1划分的训练集进行变分模态分解优化，将每个麻雀的参数逐个代入变分模态分解进行分解，根据分解结果计算种群的适应度值，更新最优个体的位置和适应度值；
S2.4、根据最优个体的位置和适应度值，获得精英个体在每个维度的适应度最大值、最小值确定精英反向学习的动态搜索边界，对每个个体求对应的反向解，得到反向种群；S2.5、从当前种群和反向种群中选取前N个适应度最优的个体构成下一代种群；S2.6、采用自适应步长的莱维飞行改进发现者的位置更新公式，更新种群中发现者、跟随着、侦察者位置；S2.7、判断当前迭代次数是否达到最大迭代次数iter，或当前适应度值是否小于预设值，是则跳出迭代，并输出最优的麻雀位置，否则返回S2.3执行下一次迭代。4.根据权利要求3所述的一种基于优化VMD与特征热力图的短期风电功率预测方法，其特征在于，步骤S2.2中，使用适应度函数计算适应度，所述适应度函数为峭度绝对值的倒数，如下式：，其中，kurt为峭度值，如下式：，其中，是变分模态分解得到的风电功率数据分量，共有K个，为每个分量的均值。5.根据权利要求4所述的一种基于优化VMD与特征热力图的短期风电功率预测方法，其特征在于，步骤S2.4中，包括如下子步骤：S2.4.1、将每轮迭代中麻雀在d维度的解表示如下式：，表示第i个个体在第t轮迭代中在第j维的解，其值对应麻雀位置，在一轮筛选中，根据每一维的取值确定精英反向学习上下限，第一维K的取值和第二维的取值均不能超过预设的上下界；S2.4.2、将初始麻雀个体，即初始参数组合在d维上的取值称为原解，记作：，原解对应的反向解记作：，满足的为第t轮迭代中...

【专利技术属性】
技术研发人员：谈玲，陈一禾，夏景明，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：