【技术实现步骤摘要】
基于VMD
‑
HS
‑
TimesNet组合模型的风电功率预测方法、系统、设备及介质
[0001]本专利技术属于风电
,涉及一种基于VMD
‑
HS
‑
TimesNet组合模型的风电功率预测方法、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、长短时记忆网络等。
[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。
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VMD
‑
HS
‑
TimesNet组合模型的风电功率预测方法、系统、设备及介质,该方法、系统、设备及介质能够准确的预测风电功率。
[0005]为达到上述目的,本专利技术公开了一种基于VMD
‑
HS
‑
TimesNet组合模型的风电功率预测方法,包括:
[0006]获取当前风电场的历史风电功率数据;
[0007]将所述当前风电场的历史风电功率数据输入至训练后的VMD
‑
HS
‑
TimesNet组合模型中,得到待预测时刻的风电功率预测结 ...
【技术保护点】
【技术特征摘要】
1.一种基于VMD
‑
HS
‑
TimesNet组合模型的风电功率预测方法,其特征在于,包括:获取当前风电场的历史风电功率数据;将所述当前风电场的历史风电功率数据输入至训练后的VMD
‑
HS
‑
TimesNet组合模型中,得到待预测时刻的风电功率预测结果。2.根据权利要求1所述的基于VMD
‑
HS
‑
TimesNet组合模型的风电功率预测方法,其特征在于,所述将所述当前风电场的历史风电功率数据输入至训练后的VMD
‑
HS
‑
TimesNet组合模型中之前还包括:采集历史风电功率数据;使用变分模态分解对所述历史风电功率数据进行分解,得到VMD分解风电功率序列;利用VMD分解风电功率序列对若干HS
‑
TimesNet组合模型进行训练,得VMD
‑
HS
‑
TimesNet组合模型。3.根据权利要求1所述的基于VMD
‑
HS
‑
TimesNet组合模型的风电功率预测方法,其特征在于,所述利用VMD分解风电功率序列对HS
‑
TimesNet组合模型进行训练,得VMD
‑
HS
‑
TimesNet组合模型的具体过程为:将VMD分解风电功率序列中的各模态分量分别输入至对应的HS
‑
TimesNet模型中,得各模态分量对应的HS
‑
TimesNet模型的输出量,对所有模态分量对应的HS
‑
TimesNet模型的输出量进行叠加求和,得到VMD
‑
HS
‑
TimesNet组合模型的输出结果,得VMD
‑
HS
‑
TimesNet组合模型。4.一种基于VMD
‑
HS
‑
TimesNet组合模型的风电功率预测系统,其特征在于,包括:获取模块,用于获取当前风电场的历史风电功率数据;预测模块,用于将所述当前风电场的历史风电功率数据输入至训练后的VMD
‑
...
【专利技术属性】
技术研发人员:杨帆,王建兴,王骋昊,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。