基于CEEMD和CNN-LSTM模型的超短期风电功率预测方法及装置制造方法及图纸

本申请提出了一种基于CEEMD和CNN

【技术实现步骤摘要】
基于CEEMD和CNN
‑
LSTM模型的超短期风电功率预测方法及装置


[0001]本申请涉及风力发电领域，尤其涉及基于CEEMD和CNN
‑
LSTM模型的超短期风电功率预测方法及装置。

技术介绍

[0002]风力发电在新能源开发建设中发挥着重要的作用，随着风力发电机组的大规模并网，其随机性、波动性和间歇性等特点使得风能预测误差直接影响到电力系统中与之相关的运行决策，给电网系统带来了巨大挑战。因此，风电预测的准确性有利于解决并网问题，保证国家电网电力的稳定运行。同时，预测精度的提升还可以降低运行成本，优化调度，便于安排机组的维护和检修，从而实现调度的经济合理性。其中，超短期风电功率预测是风力发电能够安全有效运行的重要组成部分，所以进一步提高超短期风电功率预测准确性的研究意义重大。
[0003]近年来，应用更为广泛的预测模型是统计分析方法中的深度学习模型，模型优化主要是从模型改进、特征提取、引入注意力机制等方面进行，但模型的预测精度有待进一步提升。

技术实现思路

[0004]针对上述问题，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CEEMD和CNN
‑
LSTM模型的超短期风电功率预测方法，其特征在于，包括：获取风电场的风电功率数据，对所述风电功率数据进行预处理，确定风电功率时间序列，其中，所述预处理包括缺失值的补齐、异常点的剔除以及归一化处理；根据互补集合经验模态分解CEEMD对所述风电功率时间序列进行分解，确定固有模态平均分量；根据CNN
‑
LSTM模型对所述固有模态平均分量与观测数据进行特征提取和预测，输出预测值；将所述预测值进行叠加，确定预测结果。2.根据权利要求1所述的方法，其特征在于，所述根据CEEMD对所述风电功率时间序列进行分解，确定固有模态平均分量，包括：在初始信号中添加白噪声，确定混合信号，其中，所述白噪声包括正随机白噪声和负随机白噪声；对所述混合信号进行经验模态EMD分解，确定固有模态函数分量和残波；重复上述步骤，直至添加所述白噪声的次数达到预设次数，对经过预设次数EMD分解得到的所述固有模态函数分量进行集合平均，确定所述固有模态平均分量。3.根据权利要求2所述的方法，其特征在于，以如下公式确定所述混合信号：其中，是所述混合信号，u
i
(t)是第i次添加的所述白噪声，x(t)是所述初始信号，ξ0是噪声幅度，q取1和2。4.根据权利要求2所述的方法，其特征在于，以如下公式确定所述固有模态函数分量和所述残波：其中，为所述固有模态函数分量，为所述残波，k为本征模函数的阶数，K为固有模态IMF的个数。5.根据权利要求2所述的方法，其特征在于，以如下公式确定所述固有模态平均分量：其中，为所述固有模态平均分量，2M为所述预设次数。6.根据权利要求1所述的方法，其特征在于，所述CNN
‑
LSTM模型中的卷积神经网络CNN由一维卷积层、池化层和Dropout层构成，神经网络LSTM由LSTM层和全连接层构成。7.根据权利要求6所述的方法，所述CNN
‑
LSTM模型通过以下模块对所述固有模态平均分量与观测数据进行特征提取和预测，包括：细胞状态，所述细胞状态用来保存之前存留的重要信息，公式化为：细胞状态，所述细胞状态用来保存之前存留的重要信息，公式化为：
遗忘门，所述遗忘门用于决定上一层所述细胞状态中信息的去除与保留，公式化为：f
t
＝σ
·
(W
c
[h
t
‑1,x
t
]+b
f
)；输入门，所述输入门用来处理当前序列位置的输入，确定需要更新的信息，进而更新所述细胞...

【专利技术属性】
技术研发人员：王芸靖，任立兵，温晗秋子，王青天，刘雅欣，王一妹，
申请(专利权)人：中国华能集团清洁能源技术研究院有限公司，
类型：发明
国别省市：