一种基于组合预测模型的风电功率预测方法及系统技术方案

本发明专利技术公开了一种基于组合预测模型的风电功率预测方法及系统，属于风电功率预测技术领域，包括：构建由

【技术实现步骤摘要】
一种基于组合预测模型的风电功率预测方法及系统


[0001]本专利技术涉及风电功率预测
，具体而言，涉及一种基于组合预测模型的风电功率预测方法及系统
。

技术介绍

[0002]把风的动能转变成机械动能，再把机械能转化为电力动能，这就是风力发电
。
风力发电的原理，是利用风力带动风车叶片旋转，再透过增速机将旋转的速度提升，来促使发电机发电
。
依据风车技术，大约是每秒三米的微风速度（微风的程度），便可以开始发电
。
风力发电正在世界上形成一股热潮，因为风力发电不需要使用燃料，也不会产生辐射或空气污染
。
[0003]为了保障电网系统的稳定调度和安全运行，需要对风电功率进行预测，但在传统风电功率预测中，存在了考虑影响因素不全
、
特征识别不准确
、
变量时空关系复杂等问题，急需一种新的风电功率预测方法，用于提高风电功率的预测精度
。

技术实现思路

[0004]为了解决上述问题，本提供了一种基于组合预测模型的风电功率预测方法，包括以下步骤：构建由
EEMD
算法
、PCA
算法和
LSTM
算法组成的组合预测模型；获取风电电站的历史功率数据以及历史功率数据对应的历史环境数据，通过
LASSO
算法对环境因素进行筛选，生成用于组合预测模型训练的第一数据集；通过第一数据集对组合预测模型进行训练，生成预测模型；采集风电电站在当前时间戳的第一功率数据和第一环境数据，通过获取在当前时间戳的下一时间戳的第二环境数据，与第一环境数据的变化趋势，根据预测模型，预测获取风电电站在下一时间戳的第二功率数据，其中，下一时间戳用于表示不同于当前时间戳的一个或多个时间戳
。
[0005]优选地，在构建组合预测模型的过程中，
EEMD
算法用于扩展环境因素序列，降低环境因素序列的非平稳性；
PCA
算法用于提取影响风电功率的关键影响序列，去除严重干扰数据回归分析的噪声信息；
LSTM
算法用于对多变量特征序列进行动态时间建模，实现对风电功率的预测
。
[0006]优选地，在通过
LASSO
算法对环境因素进行筛选的过程中，
LASSO
算法表示为：其中，为损失函数，表示模型的拟合效果，为惩罚函数，
表示对系数的压缩力度，为调和参数，为回归系数，为环境影响因素
i
的变量值
。
[0007]优选地，在通过
LASSO
算法对环境因素进行筛选的过程中，通过交叉验证，确定调和参数，具体包括如下过程：将初始样本分成个子集，；将其中的一个子集作为验证集，其余个子集作为训练集；对于每个调和参数，用训练集来寻找的估计值，得到的误差为：最小化得到调和参数：其中，表示使得值最小时，对应的值
。
[0008]优选地，在使用
LSTM
算法对多变量特征序列进行动态时间建模的过程中，将通过第一数据集进行归一化处理，生成适用于
LSTM
算法训练的第三数据集，并进行训练集和测试集的划分
。
[0009]本专利技术提出了一种基于组合预测模型的风电功率预测系统，包括：数据采集模块，用于采集风电电站在当前时间戳的第一功率数据和第一环境数据；功率预测模块，用于通过获取在当前时间戳的下一时间戳的第二环境数据，与第一环境数据的变化趋势，根据预测模型，预测获取风电电站在下一时间戳的第二功率数据，其中，预测模型用于表示根据
EEMD
算法
、PCA
算法和
LSTM
算法生成的组合预测模型，通过风电电站的历史功率数据以及历史功率数据对应的历史环境数据，经过
LASSO
算法对环境因素进行筛选生成的第一数据集，进行训练得到的预测模型；下一时间戳用于表示不同于当前时间戳的一个或多个时间
。
[0010]优选地，功率预测模块，用于通过
EEMD
算法用于扩展环境因素序列，降低环境因素序列的非平稳性；功率预测模块，用于通过
PCA
算法用于提取影响风电功率的关键影响序列，去除严重干扰数据回归分析的噪声信息；功率预测模块，用于通过
LSTM
算法用于对多变量特征序列进行动态时间建模，实现对风电功率的预测
。
[0011]优选地，功率预测模块用于通过
LASSO
算法对环境因素进行筛选，其中，
LASSO
算法表示为：
其中，为损失函数，表示模型的拟合效果，为惩罚函数，表示对系数的压缩力度，为调和参数，为回归系数，为环境影响因素
i
的变量值
。
[0012]优选地，功率预测模块还用于通过交叉验证，确定调和参数，具体包括如下过程：将初始样本分成个子集，；将其中的一个子集作为验证集，其余个子集作为训练集；对于每个调和参数，用训练集来寻找的估计值，得到的误差为：最小化得到调和参数：
。
[0013]优选地，功率预测模块还用于使用
LSTM
算法对多变量特征序列进行动态时间建模，其中，将第一数据集进行归一化处理，生成适用于
LSTM
算法训练的第三数据集，并进行训练集和测试集的划分
。
[0014]本专利技术公开了以下技术效果：本专利技术提出的预测模型较传统风电功率预测方法有更高的精确度
。
附图说明
[0015]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
[0016]图1是本专利技术所述的风电功率预测方法的流程图
。
具体实施方式
[0017]为使本申请实施例的目的
、
技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例
。
通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计
。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实
施例
。
基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围
。
[0018]如图1所示，本专利技术提供了一种融合经验模态分解（
Empirical Mode Decomposition,EEMD
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于组合预测模型的风电功率预测方法，其特征在于，包括以下步骤：构建由
EEMD
算法
、PCA
算法和
LSTM
算法组成的组合预测模型；获取风电电站的历史功率数据以及所述历史功率数据对应的历史环境数据，通过
LASSO
算法对环境因素进行筛选，生成用于所述组合预测模型训练的第一数据集；通过所述第一数据集对所述组合预测模型进行训练，生成预测模型；采集所述风电电站在当前时间戳的第一功率数据和第一环境数据，通过获取在所述当前时间戳的下一时间戳的第二环境数据，与所述第一环境数据的变化趋势，根据所述预测模型，预测获取所述风电电站在所述下一时间戳的第二功率数据，其中，所述下一时间戳用于表示不同于所述当前时间戳的一个或多个时间戳
。2.
根据权利要求1所述一种基于组合预测模型的风电功率预测方法，其特征在于：在构建组合预测模型的过程中，所述
EEMD
算法用于扩展环境因素序列，降低环境因素序列的非平稳性；所述
PCA
算法用于提取影响所述风电功率的关键影响序列，去除严重干扰数据回归分析的噪声信息；所述
LSTM
算法用于对多变量特征序列进行动态时间建模，实现对所述风电功率的预测
。3.
根据权利要求2所述一种基于组合预测模型的风电功率预测方法，其特征在于：在通过
LASSO
算法对环境因素进行筛选的过程中，所述
LASSO
算法表示为：其中，为损失函数，表示模型的拟合效果，为惩罚函数，表示对系数的压缩的程度，为调和参数，为回归系数，为环境影响因素
i
的变量值
。4.
根据权利要求3所述一种基于组合预测模型的风电功率预测方法，其特征在于：在通过
LASSO
算法对环境因素进行筛选的过程中，通过交叉验证，确定调和参数，具体包括如下过程：将初始样本分成个子集，；将其中的一个子集作为验证集，其余个子集作为训练集；对于每个调和参数，用训练集来寻找的估计值，得到的误差为：最小化得到调和参数：
。5.
根据权利要求4所述一种基于组合预测模型的风电功率预测方法，其特征在于：
在使用
LSTM
算法对多变量特征序列进行动态时间建模的过程中，将通过对所述第一数据集进行归一化处理，生成适用于所述
LSTM
算法训练的第三数据集，并进行训练集和测试集的划分
。6.
一种基于组合预...

【专利技术属性】
技术研发人员：郭子轩，俞祝良，闫军威，周璇，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：