【技术实现步骤摘要】
本专利技术涉及风电功率预测，具体为一种基于自适应变分模态分解的深远海风电功率短期预测方法及系统。
技术介绍
1、随着全球资源和环境问题日益突出，世界上很多国家都明确提出了新能源发展战略，出台了一系列政策来支持新能源平稳健康发展。近年来，我国新能源产业规模也愈发壮大，光伏、风电等清洁能源比重不断提高。
2、随着全球的风电装机容量迅速增加，风力发电在全球能源结构中的比例逐步提高，发展成为世界上重要的清洁能源。与此同时，风电功率具有很强的波动性、间歇性和随机性，目前的风电功率预测方法还存在很多缺陷，无法适应风电功率数据的特性，很难满足电力系统运行的安全性与稳定性。且深远海条件下，风机出力受到复杂海洋环境的影响更大，风速、温度等气象因素与近海或陆上相比有明显差异。众多因素会对风电功率预测的精度产生影响。准确的功率预测结果能够为风电场规划、电网运行调度和电力系统稳定运行提供有效参考。
技术实现思路
1、本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
2、鉴于上述现有存在的问题，提出了本专利技术。因此，本专利技术提供了一种基于自适应分解的深远海风电功率预测方法解决深远海风电功率短期预测的问题。
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一
5、获取原始历史风电功率序列数据，对所述原始历史风电功率序列数据进行预处理得到历史风电功率数据序列；
6、建立自适应变分模态分解模型，比较分量边际谱稀疏度指标确定分解最优模态值；
7、使用vmd对所述历史风电功率数据序列进行分解，得到具有不同波动特征的模态分量；
8、采用特征信息选择算法，构建天气因素特征集；
9、依据不同模态的预测子模型，对所述预测子模型的预测结果进行叠加重构，建立深远海风电功率预测总模型；
10、训练深远海风电功率预测总模型，进行短期功率预测。
11、作为本专利技术所述的基于自适应分解的深远海风电功率预测方法的一种优选方案，其中：获取原始历史风电功率序列数据，对所述原始历史风电功率序列数据进行预处理得到历史风电功率数据序列，包括，
12、对于数据中的缺失值采用拉格朗日插值法算对表中的缺失值进行插补，使用缺失值前后各5个未缺失的数据参与建模。
13、作为本专利技术所述的基于自适应分解的深远海风电功率预测方法的一种优选方案，其中：建立自适应变分模态分解模型，比较分量边际谱稀疏度指标确定分解最优模态值，包括，
14、建立自适应变分模态分解模型，比较分量边际谱稀疏度指标确定分解最优模态值，包括，
15、对所述历史风电功率数据序列进行vmd的k分解，初始化vmd的参数，惩罚因子α取值3000，初始化分解模态数k值为2，对imf求其边际谱，再分别计算每个分量对应边际谱的稀疏度；
16、计算公式如下：
17、e(x2)/[e(x)]2
18、其中，x代表的是每个imf分量的信号；
19、根据历史风电功率数据序列得出的各分量边际谱稀疏度的平均值，将所述平均值作为分解模态数k下vmd的稀疏指标，通过逐步增加k值，比较稀疏指标的变化，选择使稀疏度最大值时的k值作为最佳k值。
20、作为本专利技术所述的基于自适应分解的深远海风电功率预测方法的一种优选方案，其中：使用vmd对所述历史风电功率数据序列进行分解，得到具有不同波动特征的模态分量，包括，
21、通过所述k值对所述历史风电功率数据序列进行vmd分解，对历史风电功率信号进行hilbert变换，调制历史风电功率信号频谱到相应频带，再计算解调历史风电功率信号的梯度平方l2范数；
22、引入拉格朗日乘数λ(t)和二次惩罚函数α将变分问题转化为无约束变分问题，利用交替方向乘法迭代算法，结合帕斯瓦尔定理、普朗谢尔定理和傅里叶等距法，对模态分量和中心频率进行优化；
23、设置判定精度ε>0，当满足下式时，停止迭代；
24、
25、其中，表示在第k个imf风功率分量在第n+1次迭代时的频率为ω的振动幅度，表示在第k个imf风功率分量在第n次迭代时的频率为ω的振动幅度。
26、作为本专利技术所述的基于自适应分解的深远海风电功率预测方法的一种优选方案，其中：采用特征信息选择算法，构建天气因素特征集，包括，
27、确定天气因素特征集合；
28、通过对历史风电功率与各天气因素及各天气因素之间计算信息熵；
29、信息熵公式表示为：
30、
31、其中，x表示天气因素特征集合的某一因素，y表示天气因素特征集合的另一个因素，p(xi,yj)表示因素(x＝xi,y＝yj,)的联合概率；
32、利用所述信息熵得到互信息，再通过所述互信息大小构建所述天气因素特征集。
33、作为本专利技术所述的基于自适应分解的深远海风电功率预测方法的一种优选方案，其中：依据不同模态的预测子模型，对所述预测子模型的预测结果进行叠加重构，建立深远海风电功率预测总模型，包括，
34、将分解后的分量按照平稳程度分为趋势分量和波动分量；
35、所述趋势分量和波动分量分别作为各自模态下的预测变量，并以所述天气因素特征集作为扩充特征，形成预测子模型；
36、所述趋势分量建立的预测子模型，采取gru的预测方式，通过调整gru模型的更新门和重置门参数挖掘波动特征预测未来趋势；
37、所述波动分量建立的预测子模型，利用cnn从历史风电功率数据中提取局部特征得到特征向量，所述特征向量作为输入再通过gru模型捕捉序列数据中的长期依赖关系预测未来趋势；
38、作为本专利技术所述的基于自适应分解的深远海风电功率预测方法的一种优选方案，其中：训练深远海风电功率预测总模型，进行短期功率预测，包括：
39、趋势分量预测子模型和波动分量预测子模型分别进行训练后相结合；
40、将特征选择后的所述气象因素特征集和历史风电功率数据作为输入数据进行预测，得到深远海风电功率预测结果。
41、第二方面，本专利技术提供了一种基于自适应分解的深远海风电功率预测系统，包括：
42、预处理模块：用于获取原始历史风电功率序列数据，对所述原始历史风电功率序列数据进行预处理得到历史风电功率数据序列；
43、边际谱分析模块：用于建立自适应变分模态分解模型，比较分量边际谱稀疏度指标确定分解最优模态值；
44、分解模块：用于使用vmd对所述历史风电功率数据序列进行分解，得到具有不同波动特征的模态分量；
【技术保护点】
1.一种基于自适应分解的深远海风电功率预测方法，其特征在于，包括：
2.如权利要求1所述的基于自适应分解的深远海风电功率预测方法，其特征在于，获取原始历史风电功率序列数据，对所述原始历史风电功率序列数据进行预处理得到历史风电功率数据序列，包括，
3.如权利要求1或2所述的基于自适应分解的深远海风电功率预测方法，其特征在于，建立自适应变分模态分解模型，比较分量边际谱稀疏度指标确定分解最优模态值，包括，
4.如权利要求3所述的基于自适应分解的深远海风电功率预测方法，其特征在于，使用VMD对所述历史风电功率数据序列进行分解，得到具有不同波动特征的模态分量，包括，
5.如权利要求4所述的基于自适应分解的深远海风电功率预测方法，其特征在于，采用特征信息选择算法，构建天气因素特征集，包括，
6.如权利要求1或5所述的基于自适应分解的深远海风电功率预测方法，其特征在于，依据不同模态的预测子模型，对所述预测子模型的预测结果进行叠加重构，建立深远海风电功率预测总模型，包括，
7.如权利要求6所述的基于自适应分解的深远海风电功率
8.一种基于自适应分解的深远海风电功率预测系统，其特征在于，包括，
9.一种电子设备，包括：
10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述基于自适应分解的深远海风电功率预测方法的步骤。
...【技术特征摘要】
1.一种基于自适应分解的深远海风电功率预测方法，其特征在于，包括：
2.如权利要求1所述的基于自适应分解的深远海风电功率预测方法，其特征在于，获取原始历史风电功率序列数据，对所述原始历史风电功率序列数据进行预处理得到历史风电功率数据序列，包括，
3.如权利要求1或2所述的基于自适应分解的深远海风电功率预测方法，其特征在于，建立自适应变分模态分解模型，比较分量边际谱稀疏度指标确定分解最优模态值，包括，
4.如权利要求3所述的基于自适应分解的深远海风电功率预测方法，其特征在于，使用vmd对所述历史风电功率数据序列进行分解，得到具有不同波动特征的模态分量，包括，
5.如权利要求4所述的基于自适应分解的深远海风电功率预测方法，其特征在于...
【专利技术属性】
技术研发人员：杜伟安，殷磊，繆晓颜，葛安琪，黄冬梅，时帅，宋巍，王晓亮，裴军峰，王蕾，寇代新，王黎，
申请(专利权)人：华能浙江能源开发有限公司清洁能源分公司，
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。