【技术实现步骤摘要】
基于信号分解的集成风电功率预测方法、系统、设备及介质
[0001]本专利技术属于风电功率预测
,涉及一种基于信号分解的集成风电功率预测方法、系统、设备及介质。
技术介绍
[0002]目前风电功率预测的方法主要有物理方法、统计学法和人工智能方法,其中人工智能方法是研究的热点。广泛使用的人工智能模型主要有反向传播神经网络、支持向量机、随机森林、梯度提升决策树等。
[0003]目前大多数模型都是在支持向量机或神经网络的基础上结合其他算法进行组合预测得到预测功率,如经验模态分解或小波分解与支持向量机的组合对风功率进行预测,但预测效果不是很好,预测的准确性较低。
技术实现思路
[0004]本专利技术的目的在于克服上述现有技术的缺点,提供了一种基于信号分解的集成风电功率预测方法、系统、设备及介质,该方法、系统、设备及介质能够较为准确预测风电场的风电功率。
[0005]为达到上述目的,本专利技术采用如下技术方案:
[0006]本专利技术一方面,本专利技术提供了一种基于信号分解的集成风电功率预测方法,包括:
[0007]获取当前时段的风电场天气预报数据及历史风电功率数据;
[0008]将所述当前时段的风电场天气预报数据及历史风电功率数据分别输入到训练后的WD
‑
RGF组合模型、训练后的EMD
‑
RGF组合模型、训练后的EWT
‑
RGF组合模型、训练后的EEMD
‑
RGF组合模型及训练后的VMD >‑
RGF组合模型中,得到WD
‑
RGF组合模型的预测结果、EMD
‑
RGF组合模型的预测结果、EWT
‑
RGF组合模型的预测结果、EEMD
‑
RGF组合模型的预测结果及VMD
‑
RGF组合模型的预测结果;
[0009]将WD
‑
RGF组合模型的预测结果、EMD
‑
RGF组合模型的预测结果、EWT
‑
RGF组合模型的预测结果、EEMD
‑
RGF组合模型的预测结果及VMD
‑
RGF组合模型的预测结果输入到训练后的PLSR模型中,预测得到下一时刻的风电场集成风电功率。
[0010]使用训练后的PLSR模型对WD
‑
RGF组合模型的预测结果、EMD
‑
RGF组合模型的预测结果、EWT
‑
RGF组合模型的预测结果、EEMD
‑
RGF组合模型的预测结果及VMD
‑
RGF组合模型的预测结果进行权重分配。
[0011]所述将当前时段的风电场天气预报数据及历史风电功率数据分别输入到训练后的WD
‑
RGF组合模型中、训练后的EMD
‑
RGF组合模型中、训练后的EWT
‑
RGF组合模型中、训练后的EEMD
‑
RGF组合模型中及训练后的VMD
‑
RGF组合模型中之前还包括:
[0012]获取历史风电场天气预报数据及风电功率数据,对采集到的历史风电场天气预报数据及风电功率数据进行预处理;
[0013]分别使用小波分解、经验模态分解、经验小波变换、集合经验模态分解及变分模态
分解对预处理后的风电功率数据进行分解,得到WD分解风电功率序列、EMD分解风电功率序列、EWT分解风电功率序列、EEMD分解风电功率序列及VMD分解风电功率序列;
[0014]利用WD分解风电功率序列、EMD分解风电功率序列、EWT分解风电功率序列、EEMD分解风电功率序列及VMD分解风电功率序列分别训练RGF模型,得到训练后的WD
‑
RGF组合模型、训练后的EMD
‑
RGF组合模型、训练后的EWT
‑
RGF组合模型、训练后的EEMD
‑
RGF组合模型及训练后的VMD
‑
RGF组合模型,再将WD
‑
RGF组合模型、EMD
‑
RGF组合模型、EWT
‑
RGF组合模型、EEMD
‑
RGF组合模型及VMD
‑
RGF组合模型的预测结果作为输入训练PLSR模型,得到训练后的PLSR模型。
[0015]本专利技术二方面,本专利技术提供了一种基于信号分解的集成风电功率预测系统,包括:
[0016]第一获取模块,用于获取当前时段的风电场天气预报数据及历史风电功率数据;
[0017]预测模块,用于将当前时段的风电场天气预报数据及历史风电功率数据分别输入到训练后的WD
‑
RGF组合模型中、训练后的EMD
‑
RGF组合模型中、训练后的EWT
‑
RGF组合模型中、训练后的EEMD
‑
RGF组合模型中及训练后的VMD
‑
RGF组合模型中,得到WD
‑
RGF组合模型的预测结果、EMD
‑
RGF组合模型的预测结果、EWT
‑
RGF组合模型的预测结果、EEMD
‑
RGF组合模型的预测结果及VMD
‑
RGF组合模型的预测结果;
[0018]集成模块,用于将WD
‑
RGF组合模型的预测结果、EMD
‑
RGF组合模型的预测结果、EWT
‑
RGF组合模型的预测结果、EEMD
‑
RGF组合模型的预测结果及VMD
‑
RGF组合模型的预测结果输入到训练后的PLSR模型中,预测得到下一时刻的风电场集成风电功率。
[0019]使用训练后的PLSR模型对WD
‑
RGF组合模型的预测结果、EMD
‑
RGF组合模型的预测结果、EWT
‑
RGF组合模型的预测结果、EEMD
‑
RGF组合模型的预测结果及VMD
‑
RGF组合模型的预测结果进行权重分配。
[0020]还包括:
[0021]第二获取模块,用于获取历史风电场天气预报数据及风电功率数据,对采集到的历史风电场天气预报数据及风电功率数据进行预处理;
[0022]分解模块,用于分别使用小波分解、经验模态分解、经验小波变换、集合经验模态分解及变分模态分解对预处理后的风电功率数据进行分解,得到WD分解风电功率序列、EMD分解风电功率序列、EWT分解风电功率序列、EEMD分解风电功率序列及VMD分解风电功率序列;
[0023]训练模块,用于利用WD分解风电功率序列、EMD分解风电功率序列、EWT分解风电功率序列、EEMD分解风电功率序列及VMD分解风电功率序列分别训练RGF模型,得到训练后的WD
‑
...
【技术保护点】
【技术特征摘要】
1.一种基于信号分解的集成风电功率预测方法,其特征在于,包括:获取当前时段的风电场天气预报数据及历史风电功率数据;将所述当前时段的风电场天气预报数据及历史风电功率数据分别输入到训练后的WD
‑
RGF组合模型、训练后的EMD
‑
RGF组合模型、训练后的EWT
‑
RGF组合模型、训练后的EEMD
‑
RGF组合模型及训练后的VMD
‑
RGF组合模型中,得到WD
‑
RGF组合模型的预测结果、EMD
‑
RGF组合模型的预测结果、EWT
‑
RGF组合模型的预测结果、EEMD
‑
RGF组合模型的预测结果及VMD
‑
RGF组合模型的预测结果;将WD
‑
RGF组合模型的预测结果、EMD
‑
RGF组合模型的预测结果、EWT
‑
RGF组合模型的预测结果、EEMD
‑
RGF组合模型的预测结果及VMD
‑
RGF组合模型的预测结果输入到训练后的PLSR模型中,预测得到下一时刻的风电场集成风电功率。2.根据权利要求1所述的基于信号分解的集成风电功率预测方法,其特征在于,使用训练后的PLSR模型对WD
‑
RGF组合模型的预测结果、EMD
‑
RGF组合模型的预测结果、EWT
‑
RGF组合模型的预测结果、EEMD
‑
RGF组合模型的预测结果及VMD
‑
RGF组合模型的预测结果进行权重分配。3.根据权利要求1所述的基于信号分解的集成风电功率预测方法,其特征在于,所述将当前时段的风电场天气预报数据及历史风电功率数据分别输入到训练后的WD
‑
RGF组合模型中、训练后的EMD
‑
RGF组合模型中、训练后的EWT
‑
RGF组合模型中、训练后的EEMD
‑
RGF组合模型中及训练后的VMD
‑
RGF组合模型中之前还包括:获取历史风电场天气预报数据及风电功率数据,对采集到的历史风电场天气预报数据及风电功率数据进行预处理;分别使用小波分解、经验模态分解、经验小波变换、集合经验模态分解及变分模态分解对预处理后的风电功率数据进行分解,得到WD分解风电功率序列、EMD分解风电功率序列、EWT分解风电功率序列、EEMD分解风电功率序列及VMD分解风电功率序列;利用WD分解风电功率序列、EMD分解风电功率序列、EWT分解风电功率序列、EEMD分解风电功率序列及VMD分解风电功率序列分别训练RGF模型,得到训练后的WD
‑
RGF组合模型、训练后的EMD
‑
RGF组合模型、训练后的EWT
‑
RGF组合模型、训练后的EEMD
‑
RGF组合模型及训练后的VMD
‑
RGF组合模型,再将WD
‑
RGF组合模型、EMD
‑
RGF组合模型、EWT
‑
RGF组合模型、EEMD
‑
RGF组合模型及VMD
‑
RGF组合模型的预测结果作为输入训练PLSR模型,得到训练后的PLSR模型。4.一种基于信号分解的集成风电功率预测系统,其特征在于,包括:第一获取模块,用于获取当前时段的风电...
【专利技术属性】
技术研发人员:杨帆,王骋昊,王建兴,李嘉,褚子平,王雨,方涛,康健,张犇,
申请(专利权)人:国网陕西省电力有限公司西安供电公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。