一种基于分段滤波与纵横聚类的风电功率预测方法技术

本发明专利技术提供了一种基于分段滤波与纵横聚类的风电功率预测方法，首先获取风电功率的历史数据，SDT进行爬坡识别，分别使用MEEMD滤波、smooth滤波对数据进行预处理，得到分段滤波后的波形；采用纵横聚类对数据进行聚类，纵向聚类通过日内预聚类、单日间再聚类和纵向时间单元的三步聚类来实现全年细化季节特性聚类，同时将纵向类内的全部数据联排聚类，实现小时间尺度下的精细横向聚类；使用变分自动编码器对聚类后的数据进行特征提取，然后使用改进的蒲公英优化算法优化Transformer预测模型参数，预测得到风电功率。本发明专利技术解决了数据波动性对预测精度的影响，其次考虑单日相似性与细化季节特性的实际情况，有效提高了预测风电功率的精确性和鲁棒性。精确性和鲁棒性。精确性和鲁棒性。

【技术实现步骤摘要】
一种基于分段滤波与纵横聚类的风电功率预测方法


[0001]本专利技术属于风电功率预测技术邻域，具体涉及一种基于分段滤波与纵横聚类的风电功率预测方法。

技术介绍

[0002]随着我国经济发展越来越好，社会各行各业和人们对能源需求也不断增加。而传统能源已不能满足人们的需求，再加上传统能源对环境的污染也比较严重，风电作为一种新型可再生能源在我国发展迅速，发展风电对于保障能源安全，调整能源结构，减轻环境污染，实现可持续发展等都具有非常重要的意义。然而，风电的不稳定性是风电系统与主电网结合的障碍之一，为了更安全有效的利用持续增长的风能，高精度的风电功率预测方法对电网运行有着重要意义。提前对风速和风电功率进行准确的预测，可以缓解电力系统调峰、调频的压力，有效提高电网对风电的接纳能力。
[0003]风电并网给电力系统的调度和安全稳定带来很大的挑战，使得风电功率的准确预测变得尤为重要。目前，风电功率预测方法主要分为统计方法和机器学习方法等，而统计方法只对波动规律明显、较平稳的功率可取得较好的预测，然而风能和风电功率具有较强的随机性和波动性，导致这种方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分段滤波与纵横聚类的风电功率预测方法，其特征在于，包括以下步骤：(1)对风电场的原始功率数据进行采集，并将采集后的数据进行预处理；(2)采用改进的蒲公英优化算法优化旋转门算法，对预处理后的数据进行爬坡事件的特征识别，然后把识别后的数据根据是否爬坡分成两类；(3)将识别为爬坡的数据通过MEEMD滤波，将非爬坡的数据通过smooth滤波；(4)将滤波后的数据采用纵横聚类策略对其进行聚类，纵向聚类通过日内预聚类、单日间再聚类和纵向时间单元的三步聚类来实现全年细化季节特性聚类，同时将纵向类内的全部数据联排聚类，实现小时间尺度下的精细横向聚类；(5)使用变分自动编码器对聚类后的数据分别进行特征提取；(6)构建Transformer预测模型，并采用改进的蒲公英优化算法对Transformer预测模型参数进行优化；将特征提取后的数据输入优化后的Transformer预测模型，对未来风电功率进行预测。2.根据权利要求1所述的一种基于分段滤波与纵横聚类的风电功率预测方法，其特征在于，所述步骤(2)实现过程如下：(2.1)首先进行初始化，其中K
1new
为初始化的上旋转门斜率，K
2new
为初始化的下旋转门斜率，公式如下所示：设X为数据序列，式中,x0为上一压缩过程终点，x1为下一数目据点，x
i
为第i数目据点；T0，T1，T
i
分别为x0，x1，x
i
所对应的时刻点，E是压缩阈值，T是原始数据时间序列，x是对应的原始数据序列；(2.2)分别计算T
i
上旋转门斜率K1和下旋转门斜率K2，如公式所示：(2.3)更新K
1new
和K
2new
的值：K
1new
＝Max(K1,K
1new
)；K
2new
＝Max(K2,K
2new
)(3)(2.4)根据K
1new
和K
2new
大小判断是否压缩结束；若k
1new
≥k
2new
则此过程压缩结束，储存t
i
‑1时刻所对应数据值p
i
‑1，并且返回(2.1)，开始下一个过程的压缩；如果k
1new
≤k
2new
,则继续本次压缩，并返回步骤(2.2)，此时i＝i+1；(2.5)采用改进的蒲公英优化算法优化旋转门算法的容差系数
△
E的值，
△
E是门的高度，即容差系数，经过旋转门算法压缩后，得到新的数据序列：DO算法根据蒲公英种子成熟时进行长距离飞行，寻找最优降落位置的特性分为上升阶段、下降阶段和着陆阶段，三个阶段采用不同的策略进行寻优过程，
△
E在算法中对应于适应度值，到算法不断迭代计算出最优适应度值后，输出容差系数
△
E的值。3.根据权利要求2所述的一种基于分段滤波与纵横聚类的风电功率预测方法，其特征在于，所述步骤(2.5)包括以下步骤：
(2.5.1)设置DO算法的参数包含：最大迭代次数、种群规模、维度大小、搜索空间的上界与下界；(2.5.2)使用Logistic混沌初始化方法代替DO算法中的随机初始化方法，使蒲公英种群能够进行更广泛的初步搜索，其公式如下：其中，L(n+1)是更新后个体位置，λ是控制变量；(2.5.3)上升阶段在风速、空气湿度等的影响下，根据不同的天气状况进行局部飘落，通过计算种子位置的适应度值来寻找最优适应度值，从而输出适应度值所对应的容差系数的值：晴天：在晴朗的天气，风速可以认为是对数正态分布，DO算法强调搜索，在搜索时，蒲公英种子被风随机吹到各个位置，其更新公式为：F
t+1
＝F
t
+α*v
x
*v
y
*lnY*(F
s
‑
F
t
)(5)其中，F
t
表示迭代t次时蒲公英种子的位置；F
s
表示迭代t次时在搜索空间中随机选择的位置，InY表示符合μ＝0和σ2＝1的对数正态分布，α是用于调整搜索步长的自适应参数，在[0,1]之间的随机波动；雨天：蒲公英种子进行局部搜索，位置更新公式为：F
t+1
＝F
t
*ε(6)其中，ε用于限定局部搜索范围,呈“向下凸”振荡；蒲公英种子在上升期的数学表达式为：(2.5.4)下降阶段：在本阶段DO算法也强调搜索，采用布朗运动来模拟蒲公英的运动轨迹，为了反映蒲公英下降的稳定性，采用了上升阶段后的平均位置信息，对应的数学表达式为：F
t+1
＝F
t
‑
α*β
t
*(F
mean_t
‑
α*β
t
*F
t
)(8)其中，β
t
表示布朗运动，是标准正态分布的随机数，F
mean_t
t为群体的平均位置，表达式为：(2.5.5)着陆阶段：在本阶段DO算法重点是开发，基于前两个阶段，随着种群的进化，最终可以找到全局最优解，即是最优容差系数，然后就可以通过旋转门优化算法对爬坡事件进行识别，采用莱维飞行进行选择，位置更新公式：F
t+1
＝F
elite
+levy(λ)*α*(F
elite
‑
F
t
*δ)(10)其中，F
elite
表示当前迭代最优位置，δ为一个线性递增的参数，等于2t/T,Levy飞行的公式计算：
β是一个介于[0,2]之间的随机数，s是一个固定常数0.01，ω和t为[0,1]之间的随机数；(2.5.6)判断最大迭代次数是否达到算法终止条件，若未达到则转到(2.5.3)，最终结束运行并输出最优结果。4.根据权利要求1所述的一种基于分段滤波与纵横聚类的风电功率预测方法，其特征在于，所述步骤(3)实现过程如下：(3.1)将一组模值相同，符号相反的白噪声信号v
i
(t)和
‑
v
i
(t)添加进实际风电功率信号x(t)中，如公式所示：式中，v
i
(t)表示白噪声:a
i
表示白噪声幅值，n为添加白噪声的对数，集合中白噪声信号的数目为2n；(3.2)对集合中每对风电功率信号x
+
(t)和x
‑
(t)进行EMD分解，可获得一组IMF分量：其中，h
ij+
(t)，h
ij
‑
(t)表示i个信号的第j阶IMF分量；(3.3)对多组分量集合平均，得到各阶IMF分量：式中，p(t)表示第j阶的IMF分量；(3.4)通过排列熵来识别h
j
(t)是否为异常信号；如果信号随机性越大，排列熵越大；设置阈值判断信号是否为异常信号或噪声信号...

【专利技术属性】
技术研发人员：张学东，陈佳雷，陈杰，张楚，彭甜，赵环宇，李茜，钱诗婕，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：