基于多模型加权及误差校正的风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多模型加权及误差校正的风功率预测方法及系统，该方法首先利用互补集成特征模态分解方法将原始风功率信号分解为低频分量、高频分量和残差分量，利用自适应变分模态分解方法对所述高频分量进行二次分解得到高频子分量；然后利用三种时间序列模型对所述高频子分量、低频分量和残差分量进行预测，得到每种分量的三个预测结果，加权求和得到第一风功率预测结果；其次对预测误差的三种分量进行时间序列预测，得到误差预测结果；最后将第一风功率预测结果与误差预测结果相加得到风功率预测结果。本发明专利技术有效提高了风功率预测的准确性和高效性，有利于满足一些复杂环境的预测要求。

【技术实现步骤摘要】

本专利技术涉及风功率预测，尤其是基于多模型加权及误差校正的风功率预测方法及系统。

技术介绍

1、随着全球对绿色发展的追求，风能作为现阶段应用最广泛的可再生能源，在全球电力生产结构中占有较大的比重。然而，风能具有极大的随机性和波动性，这给风电发电系统的运行和管理带来了挑战。风电功率的准确预测可以帮助电网运营商合理安排发电计划，并优化风电场的发电效益。

2、深度学习是机器学习领域的一个重要分支，它基于人工神经网络，核心在于自动从大量数据中学习并提取特征，这一点与传统机器学习算法依赖于人工提取特征的方法有显著区别。深度学习的发展得益于大数据、强大的计算能力和算法的创新。它已经在图像识别、自然语言处理、语音识别等多个领域取得了显著的成果，并持续推动着人工智能技术的进步。

3、尽管如此，基于深度学习的风功率预测方法仍然存在着易陷入局部最优解、准确度有限等问题。

技术实现思路

1、专利技术目的：本专利技术的目的是提供基于多模型加权及误差校正的风功率预测方法，其特征在于，包括如下步骤：

本文档来自技高网...

【技术保护点】

1.一种基于多模型加权及误差校正的风功率预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于多模型加权及误差校正的风功率预测方法，其特征在于，步骤(1)中，所述互补集成特征模态分解方法包括以下步骤：

3.根据权利要求1所述的基于多模型加权及误差校正的风功率预测方法，其特征在于，步骤(2)中，所述自适应变分模态分解方法包括以下步骤：

4.根据权利要求1所述的基于多模型加权及误差校正的风功率预测方法，其特征在于，步骤(3)中，所述三种时间序列模型包括ModernTCN模型、MiTransformer模型、IPathformer模型；

<...

【技术特征摘要】

1.一种基于多模型加权及误差校正的风功率预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于多模型加权及误差校正的风功率预测方法，其特征在于，步骤(1)中，所述互补集成特征模态分解方法包括以下步骤：

3.根据权利要求1所述的基于多模型加权及误差校正的风功率预测方法，其特征在于，步骤(2)中，所述自适应变分模态分解方法包括以下步骤：

4.根据权利要求1所述的基于多模型加权及误差校正的风功率预测方法，其特征在于，步骤(3)中，所述三种时间序列模型包括moderntcn模型、mitransformer模型、ipathformer模型；

5.根据权利要求1所述的基于多模型加权及误差校正的风功率预测方法，其特征在于，步骤(3)中，利用目标跟踪算法分别优化三种时间序列模型中的超参数。

6.根据权利要求5所述的基于多模型加权及误差校正的风功率预测方法，其特征在于，所述目标跟踪...

【专利技术属性】
技术研发人员：姚君豪，张楚，王业琴，马常纹，张新荣，蒋云飞，张鑫玉，孙凯，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：