基于VMD-HS-TimesNet组合模型的风电功率预测方法、系统、设备及介质技术方案

本发明专利技术公开了一种基于VMD

【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果。
[0008]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：
[0009]采集历史风电功率数据；
[0010]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；
[0011]利用VMD分解风电功率序列对若干HS
‑
TimesNet组合模型进行训练，得训练后的VMD
‑
HS
‑
TimesNet组合模型。
[0012]所述利用VMD分解风电功率序列对若干HS
‑
TimesNet组合模型进行训练，得训练后的VMD
‑
HS
‑
TimesNet组合模型的具体过程为：
[0013]将VMD分解风电功率序列中的各模态分量分别输入至对应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，实现VMD
‑
HS
‑
TimesNet组合模型的训练，得训练后的VMD
‑
HS
‑
TimesNet组合模型。
[0014]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系统，包括：
[0015]获取模块，用于获取当前风电场的历史风电功率数据；
[0016]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
‑
HS
‑
TimesNet组合模型中，得到待预测时刻的风电功率预测结果。
[0017]还包括：
[0018]采集模块，用于采集历史风电功率数据；
[0019]分解模块，用于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；
[0020]训练模块，用于利用VMD分解风电功率序列对若干HS
‑
TimesNet组合模型进行训练，得训练后的VMD
‑
HS
‑
TimesNet组合模型。
[0021]所述利用VMD分解风电功率序列对HS
‑
TimesNet组合模型进行训练，得训练后的VMD
‑
HS
‑
TimesNet组合模型的具体过程为：
[0022]将VMD分解风电功率序列中的各模态分量分别输入至对应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，实现VMD
‑
HS
‑
TimesNet组合模型的训练，得训练后的VMD
‑
HS
‑
TimesNet组合模型。
[0023]本专利技术公开了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于VMD
‑
HS
‑
TimesNet组合模型的风电功率预测方法的步骤。
[0024]本专利技术公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述基于VMD
‑
HS
‑
TimesNet组合模型的风电功率预测方法的步骤。
[0025]本专利技术具有以下有益效果：
[0026]本专利技术所述的基于VMD
‑
HS
‑
TimesNet组合模型的风电功率预测方法、系统、设备及介质在具体操作时，基于VMD
‑
HS
‑
TimesNet组合模型进行风电功率的预测，其中，通过VMD将原始风电功率序列分解为平稳信号再进行预测，有效应对风电功率的非平稳性，预测效果要好于单一模型直接对风电功率进行预测。
[0027]进一步，使用和声搜索(HS)算法优化TimesNet模型，改善TimesNet模型的预测效果。
附图说明
[0028]图1为本专利技术的原理图。
具体实施方式
[0029]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，不是全部的实施例，而并非要限制本专利技术公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要的混淆本专利技术公开的概念。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0030]在附图中示出了根据本专利技术公开实施例的结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，本文档来自技高网...

【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：