【技术实现步骤摘要】
本专利技术涉及可再生能源预测，尤其是涉及一种考虑波动性与周期性的风电功率超短期预测方法。
技术介绍
1、随着城市化的高速发展，能源需求也在不断增长。风电作为一种零排放的可再生能源，可以减少大气污染、改善空气质量，推进经济社会的可持续发展，且利用风能发电可以减少对进口能源的依赖，提高能源供应的安全性。为了充分发挥风电的潜力，多年来，各国能源方面的专家和学者致力于风电问题上，从最开始的研发更高效的风力发电机，到结合风电和储能技术的可再生能源系统。然而，目前在风电技术的研究中还是存有待研究的地方，现有的风电功率超短时预测很难给出准确结果。
2、有鉴于此，提供一种能够准确预测出风电功率超短时内变化的方法是很有必要的，便于电力系统做出及时调整。
技术实现思路
1、本专利技术的目的是提供一种考虑波动性与周期性的风电功率超短期预测方法，将深度学习理论引进风电功率预测中，研究数据挖掘方法以及深度学习方法在超短时风电功率预测问题中的应用，提高电网稳定性和供电可靠性，对多元化能源系统的发展具有重要意义。
2、为实现上述目的，本专利技术提供了一种考虑波动性与周期性的风电功率超短期预测方法，包括以下步骤：
3、s1、建立风电数据挖掘方法得到数据波动组成和周期组成；
4、s2、通过深度学习方法从原始风电数据中提取融合特征；
5、s3、通过集成神经网络模型基于融合特征和波动、周期组成做出预测；
6、s4、通过s1所得的波动组成和周期组成、
7、优选的，所述步骤s1包括以下步骤：
8、s11、确定包络线均值：通过计算信号的包络线均值，得到信号的整体波动情况，其计算方法具体如下：
9、；
10、式中， e u (t)和 e l (t)表示信号的上包络线和下包络线，通过计算信号局部最大值和局部最小值得到； m( t)表示包络线均值； t表示时间；
11、s12、获取信号局部成分：信号的局部成分是对原始信号减去包络线均值获得，其计算方法具体如下：
12、；
13、式中 h( t)表示信号的局部成分； x(t)表示原始信号；
14、s13、确定信号局部成分是否符合两个条件，两个条件包括：整个信号范围内极值点数目应相等或相差不超过1；在任意一点包络线均值为0；若不符合两个条件，则将局部成分作为新的输入信号重复步骤s11、s12；若符合两个条件，则该局部成分视为有效，并从原始信号中减去得到一个新的剩余信号，其计算方法具体如下：
15、；
16、式中 r 1( t)表示剩余信号；
17、s14、获取原始信号近似值：将剩余信号作为新的输入信号，重复步骤s11、s12、s13，直到剩余信号变为单调趋势，不能再分解为止，通过将所有局部成分相加，得到原始信号的近似值，其中包括信号的波动组成和周期组成，其具体函数如下：
18、；
19、式中 c i( t)表示有效的信号局部成分； c i( t)表示有效的信号局部成分，并对 i从1到 n的所有有效信号的局部成分进行求和， i表示信号， i=1代指第一个信号，n表示第n个信号； r n( t)表示最终剩余信号。
20、优选的，所述步骤s2具体包括：
21、s21、卷积神经网络
22、卷积神经网络包含输入层、卷积层、输出层，主要利用卷积层的卷积操作提取输入数据的隐性模式，获取融合特征，其目标函数为：
23、；
24、式中：表示特征信息图的数量；对应的第 i个传入特征图和第j个产出特征图的权重；对应第 j个产出特征图的偏置值；是对应第 i个传入特征图；是对应的第 j个产出特征图；是cnn的卷积运算；是relu激活函数；
25、s22、残差连接
26、残差连接通过在网络中的某些层中添加一个跨层的“捷径”，将输入信号直接与输出信号相加，而非简单地进行映射，其函数具体如下：
27、；
28、式中，是对应最终的融合特征；对应卷积操作；对应原始输入。
29、优选的，所述步骤s3具体包括：
30、s31、长短时记忆神经网络
31、长短时记忆神经网络包括三个门控机制，即遗忘门、输入门、输出门，其函数具体如下：
32、；
33、；
34、；
35、；
36、；
37、；
38、式中， w xf是输入门门控单元对应外部输入 x t的权重矢量；w xi是遗忘门门控单元对应外部输入 x t的权重矢量； w xo是输出门门控单元对应外部输入 x t的权重矢量； w xc候选细胞状态对应外部输入 x t的权重矢量；是各门控单元对应前一时刻隐藏状态输入 h t-1的权重矢量；是遗忘门门控单元的偏置，是输入门门控单元的偏置，是输出门门控单元的偏置，是候选细胞状态的偏置；是sigmoid函数；是tanh激活函数， c t 本文档来自技高网...
【技术保护点】
1.一种考虑波动性与周期性的风电功率超短期预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种考虑波动性与周期性的风电功率超短期预测方法，其特征在于，所述步骤S1包括以下步骤：
3.根据权利要求1所述的一种考虑波动性与周期性的风电功率超短期预测方法，其特征在于，所述步骤S2具体包括：
4.根据权利要求1所述的一种考虑波动性与周期性的风电功率超短期预测方法，其特征在于，所述步骤S3具体包括：
5.根据权利要求1所述的一种考虑波动性与周期性的风电功率超短期预测方法，其特征在于，所述步骤S4包括以下步骤：
6.根据权利要求5所述的一种考虑波动性与周期性的风电功率超短期预测方法，其特征在于，所述步骤S44中模型运行迭代过程包括以下步骤：
【技术特征摘要】
1.一种考虑波动性与周期性的风电功率超短期预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种考虑波动性与周期性的风电功率超短期预测方法，其特征在于，所述步骤s1包括以下步骤：
3.根据权利要求1所述的一种考虑波动性与周期性的风电功率超短期预测方法，其特征在于，所述步骤s2具体包括：
4.根据权利要求1所...
【专利技术属性】
技术研发人员：王贵斌，张弦，黄心隆，王宏，李义群，
申请(专利权)人：哈尔滨工业大学深圳哈尔滨工业大学深圳科技创新研究院，
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。