一种短期风电功率预测方法及系统技术方案

本发明专利技术公开了一种短期风电功率预测方法及系统，获取风电场的风电功率原始序列数据；根据改进的基于小波变换的经验模态分解算法(EmpiricalMode Decomposition,EMD)，向风电功率原始序列中添加均值白噪声并进行多次EMD分解及多频重构以剔除原始数据中的异常数据；将处理后的风电功率序列数据分为训练集和测试集，对预先构建的CNN

【技术实现步骤摘要】
一种短期风电功率预测方法及系统


[0001]本专利技术涉及风力发电
，具体涉及一种短期风电功率预测方法及系统。

技术介绍

[0002]风力发电系统的不断并网会对电力系统的安全性与稳定性造成较大的影响，因此准确的风力发电功率预测是十分必要的。目前主流的风电功率预测方法主要为基于物理模型的预测方法和基于大数据的统计预测方法，此外基于深度学习的风电功率预测方法也得到了国内外学者的广泛关注。但是传统的单一神经网络模型在进行风电功率预测时具有一定的局限性，此外由于风速的波动性以及不确定性较强，对风电功率预测的精度影响也较大。

技术实现思路

[0003]为此，本专利技术提供一种短期风电功率预测方法及系统，以解决现有风电功率预测方法存在的异常数据对预测精度影响大的问题。
[0004]为了实现上述目的，本专利技术提供如下技术方案：
[0005]根据本专利技术实施例的第一方面，提出一种短期风电功率预测方法，所述方法包括：
[0006]获取风电场的风电功率原始序列数据；
[0007]基于改进的EMD分解算法，向本文档来自技高网...

【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，所述方法包括：获取风电场的风电功率原始序列数据；基于改进的EMD分解算法，向风电功率原始序列中添加均值白噪声并进行多次EMD分解及多频重构以剔除原始数据中的异常数据；将处理后的风电功率序列数据分为训练集和测试集，基于所述训练集和测试集对预先构建的CNN
‑
GRU组合神经网络模型进行训练和验证，根据得到的CNN
‑
GRU组合神经网络模型输出风电功率预测值。2.根据权利要求1所述的一种短期风电功率预测方法，其特征在于，获取风电场的风电功率原始序列数据，具体包括：从一定时间段的风电功率历史数据中按照设定时间间隔进行数据采集，根据采集得到的数据构成风电功率原始序列。3.根据权利要求1所述的一种短期风电功率预测方法，其特征在于，基于改进的EMD分解算法，向风电功率原始序列中添加均值白噪声并进行多次EMD分解及多频重构以剔除原始数据中的异常数据，具体包括：向风电功率原始序列中添加均值白噪声：其中，S(t)为原始信号，S
T
(t)为得到的T个初始噪声信号，E
k
‑1为第k
‑
1阶EMD分量，E
k
为第k阶EMD分量，ρ为添加的高斯白噪声；对T个初始噪声信号进行EMD分解得到第一阶本征模态分量imf
1j
(t)：imf
1j
(t)＝E(S
T
(t))
‑
r1其中，r1为经EMD分解后得到的第一阶剩余分量；将得到的T个本征分量求平均后得到第一阶EMD分量：将原始信号减去得到的第一阶EMD分量后得到EMD一阶残差值R1(t)：R1(t)＝S(t)
‑
EE1在R1(t)中再次加入高斯白噪声，对得到的信号再次进行EMD分解得到第二阶模态分量(t)中再次加入高斯白噪声，对得到的信号再次进行EMD分解得到第二阶模态分量将得到的T个本征分量求平均后得到第二阶EMD分量：重复多次，直到得到的残差信号R
k
(t)无法被继续分解为止，此时原始信号被分解为：4.根据权利要求1所述的一种短期风电功率预测方法，其特征在于，所述CNN
‑
GRU组合神经网络模型包括输入层、多个卷积层和池化层、与池化层连接的GRU层、与GRU层连接的全
连接层以及输出层。5.根据权利要求4所述的一种短期风电功率预测方法，其特征在于，所述CNN
‑
GRU组合神经网络模型中激活函数采用改进激活函数y为：其中，a和b为修正系数，...

【专利技术属性】
技术研发人员：韩笑，赵西超，王丽平，王德玉，王秋强，王逸飞，
申请(专利权)人：国电和风风电开发有限公司，
类型：发明
国别省市：