基于CEEMD-CNN-RF的风光发电出力预测方法及系统技术方案

本发明专利技术属于新能源发电出力预测技术领域，公开了一种基于CEEMD‑CNN‑RF的风光发电出力预测方法及系统，该方法包括获取风光发电功率历史数据，并对风光发电功率历史数据进行预处理和归一化处理，得到原始时间序列；采用CEEMD处理风光发电功率的原始时间序列，对原始时间序列添加随机白噪声序列，分解得到若干IMF分量和残留趋势项；CNN通过卷积神经网络对分解后的IMF分量和残留趋势项进行局部特征提取，得到一个新序列；然后划分训练集和测试集；将得到新序列中的训练集输入RF模型，并不断调整RF模型参数，在训练集上学习训练，利用训练好的模型进行预测，在测试集上验证预测精度；对预测得到的数据进行叠加重构并进行归一化逆变换，得到风光出力的最终预测值。

【技术实现步骤摘要】

本专利技术涉及新能源预测，具体涉及一种基于ceemd-cnn-rf的风光发电出力预测方法及系统。

技术介绍

1、可再生能源，如风能和光伏，能够一定程度上缓解当前传统化石能源的日益枯竭以及自然环境的持续恶化等问题，但是风电、光伏发电具有波动性、随机性、间歇性等特点，给多能互补系统安全稳定运行带来了诸多挑战。为了尽可能减少风电和光电给热电联产系统带来负面影响，减少弃风弃光现象，提前对风光发电功率预测是很有必要的。

2、目前，用于风光发电功率预测的方法主要有物理方法和统计方法。物理方法主要通过实物模型来对当地风速、光照强度进行模拟，但是受地理条件限制，不具有普适性。统计方法预测风光发电出力只需要大量历史数据及模拟数据变化规律，对地理位置要求不高，有人工神经网络、支持向量机、模糊网络等算法。通过文献检索发现，现有技术(公开号：cn107392363a)公开了一种利用ceemd分解技术将风电功率原始数据进行分解并计算各模态分量的样本熵，并将样本熵值相近的模态重构成新的分量，最后对每一个重构分量建立随机森林模型进行预测。现有技术(公开号：cn1161514本文档来自技高网...

【技术保护点】

1.一种基于CEEMD-CNN-RF的风光发电出力预测方法，其特征在于，包括如下步骤：

2.如权利要求1所述的基于CEEMD-CNN-RF的风光发电出力预测方法，其特征在于，所述步骤1中数据预处理，包括输入风光发电功率历史数据并对风光功率数据进行清洗，去除任何异常数据，使用均值计算填充空值，得到完整的风光时间序列；然后，对时间序列进行归一化处理。

3.如权利要求1所述的基于CEEMD-CNN-RF的风光发电出力预测方法，其特征在于，所述步骤2中CEEMD分解，包括分别向风光发电功率P(t)中加入N次正负相反随机白噪声以减少模态混叠，即

<p>4.如权利要求1...

【技术特征摘要】

1.一种基于ceemd-cnn-rf的风光发电出力预测方法，其特征在于，包括如下步骤：

2.如权利要求1所述的基于ceemd-cnn-rf的风光发电出力预测方法，其特征在于，所述步骤1中数据预处理，包括输入风光发电功率历史数据并对风光功率数据进行清洗，去除任何异常数据，使用均值计算填充空值，得到完整的风光时间序列；然后，对时间序列进行归一化处理。

3.如权利要求1所述的基于ceemd-cnn-rf的风光发电出力预测方法，其特征在于，所述步骤2中ceemd分解，包括分别向风光发电功率p(t)中加入n次正负相反随机白噪声以减少模态混叠，即

4.如权利要求1所述的所述的基于ceemd-cnn-rf的风光发电出力预测方法，其特征在于，所述步骤3中要构建一个一维卷积神经网络，包含卷积层、最大池化层和dropout层；使用卷积神经网络对ceemd分解后的imf序列进行特征提取，通过数据转换和降维提取更具代表性的新特征，然后将提取到的特征进行合并，构造出一个新序列，并划分训练集和测试集。

5.如权利要求1所述的所述的基于ceemd-cnn-rf的风光发电出力预测方法，其特征在于，所述步骤4中rf预测，包括将步骤3中构建的新序列中的训练集输入rf模型，利用多颗决策树对数据进行回归，反复二分数据以降低计算复杂度；调整rf模型参数，通过不断学习训练，利用训练好的模型进行预测，并在测试集上验证预测精度。

6.如权利要求1...

【专利技术属性】
技术研发人员：曹阳洋，栾涛，张华东，闫若冰，迟凯莉，刘子辰，郭迅，
申请(专利权)人：山东大学，
类型：发明
国别省市：