【技術實現步驟摘要】
本專利技術屬于風電功率預測領域，涉及一種基于信號分解與模型優化的短期風電功率預測方法、系統、設備及介質。
技術介紹
1、隨著風力發電技術的日臻成熟和風電裝機容量的不斷增加，風電占電力系統發電總量的比例也逐年上升。風力發電依賴于風速、風向等天氣因素，這些因素天然具有高度的隨機性和波動性，導致風電輸出難以預測，對電網的沖擊也越來越大。為了幫助電力系統管理者應對風電的不穩定性，提高風電利用效率，平衡電網負荷，增強電力系統的安全性、穩定性和經濟性，風電功率預測技術特別是短期預測就尤為重要并得到了廣泛的研究與應用。目前風電功率預測的方法主要有物理方法、統計學法和人工智能方法，其中人工智能方法是研究的熱點。廣泛使用的人工智能模型主要有支持向量機、隨機森林、梯度提升決策樹、各類神經網絡等。
2、目前大多數模型都是在機器學習模型的基礎上結合其他算法進行組合預測得到預測功率，如經驗模態分解或小波分解與神經網絡的組合對風功率進行預測,但預測效果仍有待提升。
技術實現思路
1、本專利技術的目的在于克服上述現有技術的缺點，提供了一種基于信號分解與模型優化的短期風電功率預測方法、系統、設備及介質，該方法、系統、設備及介質能夠準確預測短期風電功率。
2、為達到上述目的，本專利技術采用如下技術方案：
3、本專利技術一方面，本專利技術提供了一種基于信號分解與模型優化的短期風電功率預測方法，包括：
4、采集風電場的天氣預報數據及風電功率數據，對采集到的風電功率數據進行
5、對歸一化處理的風電功率數據分別使用n種不同的信號分解算法進行分解，得到一次分解后的n組風電功率序列集合；
6、將n種不同的信號分解方法進行排列組合得到n*(n-1)種組合，然后對風電功率序列進行二次分解，得到n*(n-1)組數據集，對所述n*(n-1)組數據集及一次分解后的n組風電功率序列集合分別配置天氣預報數據，以形成n*n組模型輸入數據集合；
7、將n*n組模型輸入數據集合輸入到優化后的改進timemixer模型中，得n*n個預測結果，根據所述n*n個預測結果計算最終的短期風電功率預測結果。
8、本專利技術所述基于信號分解與模型優化的短期風電功率預測方法進一步的改進在于：
9、進一步的，所述改進timemixer模型通過混合太陽風優化算法進行優化。
10、進一步的，所述根據所述n*n個預測結果計算最終的短期風電功率預測結果的過程為：
11、采用堆棧去噪自編碼器對所述n*n個預測結果配置非線性權重，再對所述n*n個預測結果進行加權求和，得到最終的短期風電功率預測結果。
12、進一步的，n種不同的信號分解算法包括但不限于：小波包分解(wpd)、經驗模態分解(emd)、經驗小波變換(ewt)、變分模態分解(vmd)、特征模態分解(fmd)、局部均值分解(lmd)、辛幾何模態分解(sgmd)、極點對稱模態分解(esmd)、奇異譜分析(ssa)及群分解(swd)。
13、本專利技術二方面，本專利技術提供了一種基于信號分解與模型優化的短期風電功率預測系統，包括：
14、采集模塊，用于采集風電場的天氣預報數據及風電功率數據，對采集到的風電功率數據進行異常值剔除和歸一化處理；
15、一次分解模塊，用于對歸一化處理的風電功率數據分別使用n種不同的信號分解算法進行分解，得到一次分解后的n組風電功率序列集合；
16、二次分解模塊，將n種不同的信號分解方法進行排列組合得到n*(n-1)種組合，然后對風電功率序列進行二次分解，得到n*(n-1)組數據集，對所述n*(n-1)組數據集及一次分解后的n組風電功率序列集合分別配置天氣預報數據，以形成n*n組模型輸入數據集合；
17、預測模塊，用于將n*n組模型輸入數據集合輸入到優化后的改進timemixer模型中，得n*n個預測結果，根據所述n*n個預測結果計算最終的短期風電功率預測結果。
18、本專利技術所述基于信號分解與模型優化的短期風電功率預測系統進一步的改進在于：
19、進一步的，所述改進timemixer模型通過混合太陽風優化算法進行優化。
20、進一步的，所述根據所述n*n個預測結果計算最終的短期風電功率預測結果的過程為：
21、采用堆棧去噪自編碼器對所述n*n個預測結果配置非線性權重，再對所述n*n個預測結果進行加權求和，得到最終的短期風電功率預測結果。
22、進一步的，n種不同的信號分解算法包括但不限于：小波包分解(wpd)、經驗模態分解(emd)、經驗小波變換(ewt)、變分模態分解(vmd)、特征模態分解(fmd)、局部均值分解(lmd)、辛幾何模態分解(sgmd)、極點對稱模態分解(esmd)、奇異譜分析(ssa)及群分解(swd)。
23、本專利技術三方面，本專利技術提供了一種計算機設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現所述基于信號分解與模型優化的短期風電功率預測方法的步驟。
24、本專利技術四方面，本專利技術提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現所述基于信號分解與模型優化的短期風電功率預測方法的步驟。
25、本專利技術具有以下有益效果：
26、本專利技術所述的基于信號分解與模型優化的短期風電功率預測方法、系統、設備及介質在具體操作時，通過一、二次信號分解技術將原始風電功率序列分解為平穩信號再進行預測，有效的應對風電功率的非平穩性，預測效果要好于單一模型直接對風電功率進行預測，另外，本專利技術采用經混合太陽風算法優化的改進timemixer模型進行預測，提升各風電功率分量的預測精度，能解決單一模型預測誤差比較大的缺點，提高最終的預測精度。
本文檔來自技高網...【技術保護點】
1.一種基于信號分解與模型優化的短期風電功率預測方法，其特征在于，包括：
2.根據權利要求1所述的基于信號分解與模型優化的短期風電功率預測方法，其特征在于，所述改進TimeMixer模型通過混合太陽風優化算法進行優化。
3.根據權利要求1所述的基于信號分解與模型優化的短期風電功率預測方法，其特征在于，所述根據所述N*N個預測結果計算最終的短期風電功率預測結果的過程為：
4.根據權利要求1所述的基于信號分解與模型優化的短期風電功率預測方法，其特征在于，N種不同的信號分解算法包括但不限于：小波包分解(WPD)、經驗模態分解(EMD)、經驗小波變換(EWT)、變分模態分解(VMD)、特征模態分解(FMD)、局部均值分解(LMD)、辛幾何模態分解(SGMD)、極點對稱模態分解(ESMD)、奇異譜分析(SSA)及群分解(SWD)。
5.一種基于信號分解與模型優化的短期風電功率預測系統，其特征在于，包括：
6.根據權利要求5所述的基于信號分解與模型優化的短期風電功率預測系統，其特征在于，所述改進TimeMixer模型通過混合太陽風優
7.根據權利要求5所述的基于信號分解與模型優化的短期風電功率預測系統，其特征在于，所述根據所述N*N個預測結果計算最終的短期風電功率預測結果的過程為：
8.根據權利要求5所述的基于信號分解與模型優化的短期風電功率預測系統，其特征在于，N種不同的信號分解算法包括但不限于：小波包分解(WPD)、經驗模態分解(EMD)、經驗小波變換(EWT)、變分模態分解(VMD)、特征模態分解(FMD)、局部均值分解(LMD)、辛幾何模態分解(SGMD)、極點對稱模態分解(ESMD)、奇異譜分析(SSA)及群分解(SWD)。
9.一種計算機設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現如權利要求1-4任一項所述基于信號分解與模型優化的短期風電功率預測方法的步驟。
10.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1-4任一項所述基于信號分解與模型優化的短期風電功率預測方法的步驟。
...【技術特征摘要】
1.一種基于信號分解與模型優化的短期風電功率預測方法，其特征在于，包括：
2.根據權利要求1所述的基于信號分解與模型優化的短期風電功率預測方法，其特征在于，所述改進timemixer模型通過混合太陽風優化算法進行優化。
3.根據權利要求1所述的基于信號分解與模型優化的短期風電功率預測方法，其特征在于，所述根據所述n*n個預測結果計算最終的短期風電功率預測結果的過程為：
4.根據權利要求1所述的基于信號分解與模型優化的短期風電功率預測方法，其特征在于，n種不同的信號分解算法包括但不限于：小波包分解(wpd)、經驗模態分解(emd)、經驗小波變換(ewt)、變分模態分解(vmd)、特征模態分解(fmd)、局部均值分解(lmd)、辛幾何模態分解(sgmd)、極點對稱模態分解(esmd)、奇異譜分析(ssa)及群分解(swd)。
5.一種基于信號分解與模型優化的短期風電功率預測系統，其特征在于，包括：
6.根據權利要求5所述的基于信號分解與模型優化的短期風電功率預測系統，其特征在于，所述改進timemixer模型通過混合太陽風優...
【專利技術屬性】
技術研發人員：楊帆，楊波濤，李嘉，劉魁，馬博，劉磊，竇金利，周通，楊瑛哲，王騁昊，陳許文瀾，史建君，王少魯，丁立國，黃樂，程琛，王寧，康健，倪娜，
申請(專利權)人：國網陜西省電力有限公司西安供電公司，
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。