【技術實現步驟摘要】
本專利技術涉及風電功率預測，尤其是涉及一種超短期風電功率預測方法。
技術介紹
1、風能是當今非常重要的清潔能源。然而，由于風能本身的隨機性、波動性和間歇性，目前的風力發電具有高度的不確定性。風能的這種劣勢，給大型風電場和現代電力系統相連提出了嚴峻挑戰。準確的風電功率預測是保障電力系統穩定運行、促進風電消納的基礎之一。為此，我們提出了一種新型的風電功率預測網絡。
2、目前風電功率預測領域有兩種主流的分類標準。一種是根據時間分為超短期、短期、中期和長期，如表1所示；另一種是根據應用的方法分為物理方法、基于統計的方法及混合模型的方法。
3、表1?風電功率預測中的預測范圍
4、；
5、物理方法通常使用數值天氣預報(nwp)的數據對風電渦輪機進行建模，將預測的風速帶到相關的風力渦輪機功率曲線（通常由渦輪機制造商提供）中來預測風力發電量。這種方法不需要用歷史數據來訓練，可解釋性好，但它們依賴于物理數據，且計算較為復雜。如focken等人創建了一種物理預測模型，該模型從天氣預報模型接收輸入數據，并根據地形等因素作為邊界層來預測未來48小時范圍內的功率輸出。
6、基于統計方法的模型一般基于建立nwps數據（如風速、風向和溫度）與發電量之間的非線性和線性關系。為了定義這種統計關系，以前的歷史數據將用作訓練數據。然后，通過比較模型預測和在線測量功率來調整模型。之后，該模型就可以通過未來幾個小時的nwp預測和在線測量來預測了。基于統計的方法又可以分為三類：時間序列分析、ml(機器學習)和深度
7、不同預測方法的組合被稱為混合方法。這種方法的主要目的是保留每種技術的優點并提高整體準確性。有時組合預測可能并不總是帶來更好的結果。但是，已有文獻證明，在大多數情況下，能夠改善預測效果。基于不同的模型組合，已經提出了很多方法。如hu?t等人在《超短期風電功率時空預測：一種深度學習方法》使用cnn和神經網絡一起對風電場進行功率預測，提出的模型不僅考慮的時間的影響還考慮了空間的影響，進一步提高了預測的精度。如wang?j等人在2024年發表的《基于主成分分析-麻雀搜索算法-變分模態分解和雙向長短期記憶網絡的超短期海上風電功率預測》中提出了一種pca-ssa-vmd-bilstm網絡，首先，利用主成分分析算法（pca）對多變量時間序列數據進行篩選，以降低數據維數;其次，應用ssa算法優化的變模態分解（vmd），將風電時間序列數據自適應分解為不同頻率分量的集合，以消除原始數據中的噪聲信號；在此基礎上，通過集成ssa算法對bilstm模型的超參數進行優化，得到最終的功率預測值，分別與pca-bp、pca-lstm等模型比較，結果表明作者提出的模型預測結果最優。
8、在當今大模型、多數據源、人工智能的時代，人們普遍將混合方法作為預測模型的主要創新方向，本設計正是在這種背景下提出的。
技術實現思路
1、本專利技術的目的是提供一種超短期風電功率預測方法，解決了現有技術中存在的預測精度不夠；對分解后的每個分量進行單獨預測，計算損耗大；忽略了分解后的分量仍有可能是一個不平穩的序列的問題。
2、為實現上述目的，本專利技術提供了一種超短期風電功率預測方法，包括以下步驟：
3、s1、獲取原始風電序列；
4、s2、采用ceemdan信號分解算法，將風電功率信號分解為一系列子信號；
5、s3、采用改進的奇異譜分析算法ssa對imf1分量進行去噪聲并重構；
6、s4、分別計算每個分量的排列熵，并根據排列熵將分量分為高、中、低頻率，將高頻合并在一起，中、低頻合并在一起；
7、s5、將數據送入搭建好的tcn-gru預測網絡，并將兩個預測網絡的結果進行疊加得到最終預測結果。
8、優選的，s2具體包括以下步驟：
9、設表示原始時間序列數據，為通過ceemdan方法獲得的第個imf，表示通過emd分解方法生成的第個本征模態函數，標量系數用于設置每個階段的信噪比snr，從而確定所添加白噪聲的標準差；
10、s21、將具有信噪比snr為的不同白噪聲序列添加到原始時間序列數據中，其中， t表示不同的時間點，表示添加的第個白噪聲，是添加白噪聲的總次數；
11、由此構造出一個新的時間序列，如下所示：
12、（1）；
13、其中，；
14、s22、通過emd迭代移位方法獲得第一個本征模態函數，計算該分量的均值，如下所示：
15、（2）；
16、s23、計算第一個殘差：
17、（3）；
18、s24、將，其中進一步分解，直到得到它們的第一個emd模態，然后計算第二個模態：
19、（4）；
20、s25、計算第個殘差，,…, k：
21、（5）；
22、s26、繼續對進行分解，直到得到其第一個emd模態，然后計算第個模態：
23、（6）；
24、s27、轉到s25步，繼續計算下一個，直到剩余分量變為單調且emd無法進一步分解為止，通過ceemdan方法總共得到 k個imf，最終，原始數據分解并表示如下：
25、（7）。
26、優選的，s3中采用改進的奇異譜分析算法ssa對imf1分量進行去噪聲并重構，具體過程如下：
27、s31、嵌入：按選定的窗口長度，，其中代表時間序列的總長度，在一個向量維度空間里嵌入采樣的時間序列，產生一系列滯后的多維數據向量，形成軌跡矩陣x，即：
28、（8）；
29、式中，，表示矩陣的行；表示矩陣的列；
30、s32、奇異值分解：對進行奇異值分解，得出按照大小降序排列的個特征值，分別為，對應的特征向量為，令，那么的軌跡矩陣的奇異值分解表示為：
31、（9）；
32、（10）；
33、s33、分組：將中的，分成個不相交的子集，并對每一組的矩陣求和，令，則有：
34、（11）；
35、（12）；
36、式中，為分組的貢獻率；
37、s34、對角線元素平均化：將轉換為其對應的時間序列的數據，每一組數據代表原始數據的不同特征本文檔來自技高網...
【技術保護點】
1.一種超短期風電功率預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種超短期風電功率預測方法，其特征在于，S2具體包括以下步驟：
3.根據權利要求2所述的一種超短期風電功率預測方法，其特征在于，S3中采用改進的奇異譜分析算法SSA對IMF1分量進行去噪聲并重構，具體過程如下：
4.根據權利要求3所述的一種超短期風電功率預測方法，其特征在于，S4中，對S3得到的信號分量計算其排列熵，并按照相應的閾值，將分量信號劃分為三類，合并中低兩類，最終得到高頻分量和低頻分量兩類，使用pyentrp庫中的permutation_entropy函數計算排列熵的值。
5.根據權利要求4所述的一種超短期風電功率預測方法，其特征在于，S5中，使用搭建好的TCN-GRU網絡進行預測，在送入數據之前將數據進行歸一化Min-Max?Normalization將其縮放到[0,1]；將數據改成適合網絡的輸入形式，用過去的1h來預測未來的10min。
6.根據權利要求5所述的一種超短期風電功率預測方法，其特征在于，S5中，時間卷積網絡TC
7.根據權利要求6所述的一種超短期風電功率預測方法，其特征在于，S5中，GRU網絡數學描述如公式（19）所示：
...【技術特征摘要】
1.一種超短期風電功率預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種超短期風電功率預測方法，其特征在于，s2具體包括以下步驟：
3.根據權利要求2所述的一種超短期風電功率預測方法，其特征在于，s3中采用改進的奇異譜分析算法ssa對imf1分量進行去噪聲并重構，具體過程如下：
4.根據權利要求3所述的一種超短期風電功率預測方法，其特征在于，s4中，對s3得到的信號分量計算其排列熵，并按照相應的閾值，將分量信號劃分為三類，合并中低兩類，最終得到高頻分量和低頻分量兩類，使用pyentrp庫中的permutati...
【專利技術屬性】
技術研發人員：王洪祥，董帝渤，曹新城，童治豪，朱嘉琪，游子誠，李哲，姚玉鵬，李月朋，田朋振，
申請(專利權)人：福建理工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。