CN112101616A - 基于固有时间尺度分解的风功率短期预测方法及系统 - Google Patents
基于固有时间尺度分解的风功率短期预测方法及系统 Download PDFInfo
- Publication number
- CN112101616A CN112101616A CN202010797268.8A CN202010797268A CN112101616A CN 112101616 A CN112101616 A CN 112101616A CN 202010797268 A CN202010797268 A CN 202010797268A CN 112101616 A CN112101616 A CN 112101616A
- Authority
- CN
- China
- Prior art keywords
- wind power
- predicted
- inherent
- backward difference
- component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000013145 classification model Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 description 7
- 238000012843 least square support vector machine Methods 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000000053 physical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000012885 constant function Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本公开公开了基于固有时间尺度分解的风功率短期预测方法及系统,包括:将获取的待预测数据集中的历史风功率时间序列,基于固有时间尺度分解算法进行分解,得到固有旋转分量和残差分量;将滑动窗口内若干个历史时间点的各个固有旋转分量后向差分数值和残差分量的后向差分数值,均输入到预训练好的分类模型中,输出待预测时间点各个固有旋转分量后向差分预测值和残差分量的后向差分预测值;根据预测值,得到待进行风功率预测时间点的风功率预测值。
Description
技术领域
本公开涉及可再生能源、风能预测领域,特别是涉及基于固有时间尺度分解的风功率短期预测方法及系统。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术,并不必然构成现有技术。
随着经济发展、社会进步,传统能源进一步枯竭,燃烧传统能源对环境的污染破坏进一步加重,人们将目光投向了可再生能源。风能作为一种清洁能源,因为其安装成本低,发电效率较高,得到了快速的发展,世界各地风电装机量逐年提高。然而,风电来源于风能,由于风力不稳定,导致风电场的功率出力不稳定,风电并网就成为了很大的问题。因此,为了更好的控制风电场的功率出力,就需要对风功率进行准确稳定的预测。
对于风功率的预测,主要有两种主要方法:物理方法和统计方法。物理方法利用卫星和地面设备所测量的数据,根据风电场所在的地理位置和风机叶片所在的高度,来进行风功率的预测;统计方法则是根据风电场风功率的历史数据和当前数据,来进行预测。物理方法是在宏观角度来进行预测,由于其预测范围较大,对于特定位置的风电场而言,预测精度不是很高,并且所需要的通信能力和处理能力较高,不是最佳选择。相比之下,统计方法则更加准确,且成本较低。
在实现本公开的过程中,发明人发现现有技术中存在以下技术问题:
对于统计方法来预测风功率,国内外做了很多研究,方法也有很多,主要包括:持续模型,自回归移动平均模型,卡尔曼滤波器,模糊预测,人工神经网络以及支持向量机等,但这些方法准确度并不是十分高,为了提高准确性,信号分解方法如小波分解、经验模态分解等被用来作预处理,结合各种预测方法来进行风功率预测。
发明内容
为了解决现有技术的不足,本公开提供了基于固有时间尺度分解的风功率短期预测方法及系统;利用固有时间尺度分解算法对历史数据进行分解,求每个分量的反向差分,形成训练数据,使用最小二乘支持向量机对训练数据进行训练,得出预测函数,然后输入当前数据来进行风功率预测,可以更准确,更稳定的预测风功率。
第一方面,本公开提供了基于固有时间尺度分解的风功率短期预测方法;
基于固有时间尺度分解的风功率短期预测方法,包括:
将获取的待预测数据集中的历史风功率时间序列,基于固有时间尺度分解算法进行分解,得到固有旋转分量和残差分量;
将滑动窗口内若干个历史时间点的各个固有旋转分量后向差分数值和残差分量的后向差分数值,均输入到预训练好的分类模型中,输出待预测时间点各个固有旋转分量后向差分预测值和残差分量的后向差分预测值;根据预测值,得到待进行风功率预测时间点的风功率预测值。
第二方面,本公开提供了基于固有时间尺度分解的风功率短期预测系统;
基于固有时间尺度分解的风功率短期预测系统,包括:
分解模块,其被配置为:将获取的待预测数据集中的历史风功率时间序列,基于固有时间尺度分解算法进行分解,得到固有旋转分量和残差分量;
预测模块,其被配置为:将滑动窗口内若干个历史时间点的各个固有旋转分量后向差分数值和残差分量的后向差分数值,均输入到预训练好的分类模型中,输出待预测时间点各个固有旋转分量后向差分预测值和残差分量的后向差分预测值;根据预测值,得到待进行风功率预测时间点的风功率预测值。
第三方面,本公开还提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述第一方面所述的方法。
第四方面,本公开还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的方法。
第五方面,本公开还提供了一种计算机程序(产品),包括计算机程序,所述计算机程序当在一个或多个处理器上运行的时候用于实现前述第一方面任意一项的方法。
与现有技术相比,本公开的有益效果是:
1)本公开所使用的分解算法是固有时间尺度分解算法,是一种可以将实际信号分解成一些具有实际物理的意义的分量,对每个分量分别进行处理,具有现实的物理意义,这样的分解方法使得风功率预测具有很好的预测基础,可以通过多个分量的预测提高预测精度。
2)本公开所使用的学习算法是最小二乘支持向量机,可以对具有实际物理意义的分量的后向差分建立预测模型,最小二乘支持向量机可以很好的学习历史数据,建立高纬度的预测模型,可以大大提高每个分量预测的准确度。
3)本公开所使用的训练样本是各个分量的后向差分数值,所要预测的数值也是该数值,后向差分可以减去各类干扰和偏移量,使得预测结果更加符合实际情况。
4)本公开在风功率短期预测方面具有很好的准确性和稳定性,对于现代风电场的控制具有重要意义,并且可以降低风电并网带来的冲击性。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例一的流程图;
图2(a)-图2(f)为本公开实施例一的风功率序列的固有时间尺度分解结果;
图3(a)-图3(c)为本公开实施例一的本公开方法的风功率单步预测结果及误差分析。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供了基于固有时间尺度分解的风功率短期预测方法;
如图1所示,基于固有时间尺度分解的风功率短期预测方法,包括:
S101:将获取的待预测数据集中的历史风功率时间序列,基于固有时间尺度分解算法进行分解,得到固有旋转分量和残差分量;
S102:将滑动窗口内若干个历史时间点的各个固有旋转分量后向差分数值和残差分量的后向差分数值,均输入到预训练好的分类模型中,输出待预测时间点各个固有旋转分量后向差分预测值和残差分量的后向差分预测值;根据预测值,得到待进行风功率预测时间点的风功率预测值。
作为一个或多个实施例,所述方法还包括:
S103:当待进行风功率预测时间点的风功率预测值预测出来后,将滑动窗口滑动一步,产生一组新的历史数据,对新的历史数据分解得到新的分量,对新的分量进行处理得到新的后向差分,将滑动窗口内的时间点对应的后向差分输入到预先训练好的分类器中,输出下一个时间点的后向差分预测值,进而得到下一个时间点的风功率预测值。
作为一个或多个实施例,待预测数据集,包括:待进行风功率预测时间点前的设定时间段的历史风功率时间序列。
作为一个或多个实施例,所述S101中,将获取的待预测数据集中的历史风功率时间序列,基于固有时间尺度分解算法进行分解,得到固有旋转分量和残差分量;具体步骤包括:依据信号自身局部时间尺度的特点,自适应的将原始信号分解成具有物理含义基函数,将基函数从原信号中分离出来得到若干个不同频率固有旋转分量(PRC,Proper RotationComponent)和一个残余分量。
示例性的,如图2(a)-图2(f)所示,所述S101中,将获取的待预测数据集中的历史风功率时间序列,基于固有时间尺度分解算法进行分解,得到固有旋转分量和残差分量;具体步骤包括:
S1011:确定原始信号x(t)(t≥0)的极值x(k)及相应的时刻tk,其中,k=1,2,3,…,M,M为极值点个数,并且计算:
k=1,2,3,…,M-2;
其中,Lk+1表示极值点k处的基线向量,a表示提取系数,通常设为0.5。
S1012:由公式(1)计算出L2到LM-1,两个端点L1、LM的值通过估计计算得到,使用镜像延拓算法将左右端极值点向两端各延拓一个,得到(t0,x0)、(tM+1,xM+1),令k分别等于0和M-1,按公式(1)求出L1、LM的值;
S1013:采用有理样条差值函数拟合所有的L1、L2、…、LM,从而得到基线信号BL1(t),将基线信号从原信号中分离,即:
h1(t)=x(t)-BL1(t);
S1014:如果h1(t)满足PRC分量的条件,输出h1(t);否则h1(t)作为原始数据,继续重复S1013;
S1015:将得到的PRC1分量从原信号中分离出来,则
u1(t)=x(t)-PRC1,
得到新的剩余信号u1(t);
S1016:将u1(t)作为原始信号重复S1015,直到un(t)为单调或常函数为止;将原始信号分解成为若干个PCR分量和一个残差分量。
作为一个或多个实施例,S101步骤之后,所述S102步骤之前还包括:
S101-2:计算每个数据点的各个固有旋转分量后向差分数值和残差分量的后向差分数值。
进一步地,所述固有旋转分量后向差分数值,计算步骤包括:
进一步地,所述残差分量的后向差分数值,计算步骤包括:
dL(k)=L(k)-L(k-1);
其中,dL(k)表示残差分量的后向差分数值;L(k)表示残差分量在tk时刻的值,L(k-1)表示在tk-1时刻的值。
作为一个或多个实施例,S102中,分类模型,是指最小二乘支持向量机。
进一步地,所述支持向量机采用径向基函数作为核函数。
作为一个或多个实施例,所述与训练好的分类模型;训练步骤包括:
构建训练集,将训练集中前N-1个历史时间点的各个分量的后向差分值,和第N个历史时间点的各个分量的后向差分值,均输入到分类模型中进行训练,得到训练好的分类模型。
进一步地,所述训练集,构建步骤包括:
获取风功率历史时间序列;所述风功率历史时间序列,包括:历史时间点和每个历史时间点对应的风功率;
对风功率历史时间序列,采用固有时间尺度分解算法进行分解,得到风功率数据的若干个固有旋转分量和一个残差分量;
计算每个时间点的每个固有旋转分量的后向差分数值;
计算每个时间点的残差分量的后向差分数值;
将每个时间点对应的每个固有旋转分量的后向差分数值和残差分量的后向差分数值,利用滑动窗口进行选取,均作为训练集。
设定固定时间窗长度d(以采样点数表示),对历史风功率时间序列x(t)加窗,取得长度为d的数据。
作为一个或多个实施例,所述根据预测值,得到待进行风功率预测期限的风功率预测值;具体步骤包括:
将后向差分预测值,与待预测时间点的上一个时间点的风功率相加,得到待进行风功率预测时间点的风功率预测值。
本公开提出的基于固有时间尺度分解和最小二乘支持向量机算法的风功率短期预测方法可以更加准确地预测风功率,提高风电场的可控性。
使用风电场风功率的历史数据作为预测所需要的基础数据,使用固有时间尺度分解算法将历史风功率数据分解成多个具有实际物理意义的固有旋转分量和一个残差分量,对固有旋转分量和残差分量取后向差分得到每个分量的训练样本,使用最小二乘支持向量机对每个分量的后向差分进行训练,得到每个分量后向差分的预测值,然后将后向差分的预测值加上当前时刻的实际风功率数值得到风功率未来第一时刻的预测值,把风功率未来第一时刻的预测值当作实际功率,预测未来第二时刻的风功率,以此类推,实现风功率的短期预测。
进行预测的内容不是直接的风功率,也不是直接的风功率分解后的分量,而是风功率分解后各分量的后向差分数值,将差分数值加到当前已知风功率的各个分量上,进而计算求得下一时刻风功率的预测值。
得到预测结果后,对预测值进行评估并计算分析误差。
本实施例选取了来源于风电场数据库的一段持续时间为三天的风功率序列,其采样周期为10分钟,共包含了432个数据样本。其中数据段的前144个样本点作为训练数据集,剩余的点用来验证预测的准确度。
本实施例中,固有时间尺度分解算法的分解层数设置为4,即m=4;最小二乘支持向量机选用的核函数是径向基函数。
为了作为对比,本实施例使用本公开提出的ITD-LS-SVM方法和原始的LS-SVM方法两种方法进行风功率预测。
为了了定量评估和比较本公开方法与传统的LS-SVM方法的性能,采用以下指标来评估:平均绝对值百分比误差(MAPE,Mean Absolute Percentage Error),标准均方根误差(NRMSE,Normalized Root Mean Squared Error)和标准最大绝对值误差(NMAE,Normalized Maximum Absolute Error),计算公式如下:
对包含144个点的训练数据进行固有时间尺度分解,分解得到四个固有旋转分量和一个残差分量,如图2(a)-图2(f)所示;
对分解得到的四个固有旋转分量和一个残差分量取后向差分,得到五组数据,每组数据包含的是该分量的后向差分数值,也就是每个分量所需要的训练样本;对每个样本使用支持向量机训练,求出所预测的后向差分的数值,加上当前时刻分量的实际功率,得到下一时刻预测的风功率。
本公开中的ITD-LS-SVM方法的单步预测结果和误差分析如图3(a)-图3(c)所示,预测的风功率与实际功率基本吻合,误差分布范围在±2%之间。多步(2、4、6步)预测效果如表1所示,与原始的LS-SVM方法的预测结果相比,本公开提出的基于固有时间尺度分解和支持向量机的风功率短期预测方法相比于原有的支持向量机算法在稳定性和准确性有很大的提高。
表1风功率多步预测结果比较分析
实施例二
本实施例提供了基于固有时间尺度分解的风功率短期预测系统;
基于固有时间尺度分解的风功率短期预测系统,包括:
分解模块,其被配置为:将获取的待预测数据集中的历史风功率时间序列,基于固有时间尺度分解算法进行分解,得到固有旋转分量和残差分量;
预测模块,其被配置为:将滑动窗口内若干个历史时间点的各个固有旋转分量后向差分数值和残差分量的后向差分数值,均输入到预训练好的分类模型中,输出待预测时间点各个固有旋转分量后向差分预测值和残差分量的后向差分预测值;根据预测值,得到待进行风功率预测时间点的风功率预测值。
此处需要说明的是,上述分解模块、和预测模块对应于实施例一中的步骤S101至S102,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重,某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统,可以通过其他的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如上述模块的划分,仅仅为一种逻辑功能划分,实际实现时,可以有另外的划分方式,例如多个模块可以结合或者可以集成到另外一个系统,或一些特征可以忽略,或不执行。
实施例三
本实施例还提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述实施例一所述的方法。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
实施例四
本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一所述的方法。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.基于固有时间尺度分解的风功率短期预测方法,其特征是,包括:
将获取的待预测数据集中的历史风功率时间序列,基于固有时间尺度分解算法进行分解,得到固有旋转分量和残差分量;
将滑动窗口内若干个历史时间点的各个固有旋转分量后向差分数值和残差分量的后向差分数值,均输入到预训练好的分类模型中,输出待预测时间点各个固有旋转分量后向差分预测值和残差分量的后向差分预测值;根据预测值,得到待进行风功率预测时间点的风功率预测值。
2.如权利要求1所述的方法,其特征是,所述方法还包括:
当待进行风功率预测时间点的风功率预测值预测出来后,将滑动窗口滑动一步,产生一组新的历史数据,对新的历史数据分解得到新的分量,对新的分量进行处理得到新的后向差分,将滑动窗口内的时间点对应的后向差分输入到预先训练好的分类器中,输出下一个时间点的后向差分预测值,进而得到下一个时间点的风功率预测值。
3.如权利要求1所述的方法,其特征是,待预测数据集,包括:待进行风功率预测时间点前的设定时间段的历史风功率时间序列。
4.如权利要求1所述的方法,其特征是,将获取的待预测数据集中的历史风功率时间序列,基于固有时间尺度分解算法进行分解,得到固有旋转分量和残差分量;具体步骤包括:依据信号自身局部时间尺度的特点,自适应的将原始信号分解成具有物理含义基函数,将基函数从原信号中分离出来得到若干个不同频率固有旋转分量和一个残余分量。
5.如权利要求1所述的方法,其特征是,所述与训练好的分类模型;训练步骤包括:
构建训练集,将训练集中前N-1个历史时间点的各个分量的后向差分值,和第N个历史时间点的各个分量的后向差分值,均输入到分类模型中进行训练,得到训练好的分类模型。
6.如权利要求1所述的方法,其特征是,所述训练集,构建步骤包括:
获取风功率历史时间序列;所述风功率历史时间序列,包括:历史时间点和每个历史时间点对应的风功率;
对风功率历史时间序列,采用固有时间尺度分解算法进行分解,得到风功率数据的若干个固有旋转分量和一个残差分量;
计算每个时间点的每个固有旋转分量的后向差分数值;
计算每个时间点的残差分量的后向差分数值;
将每个时间点对应的每个固有旋转分量的后向差分数值和残差分量的后向差分数值,利用滑动窗口进行选取,均作为训练集。
7.如权利要求1所述的方法,其特征是,所述根据预测值,得到待进行风功率预测期限的风功率预测值;具体步骤包括:
将后向差分预测值,与待预测时间点的上一个时间点的风功率相加,得到待进行风功率预测时间点的风功率预测值。
8.基于固有时间尺度分解的风功率短期预测系统,其特征是,包括:
分解模块,其被配置为:将获取的待预测数据集中的历史风功率时间序列,基于固有时间尺度分解算法进行分解,得到固有旋转分量和残差分量;
预测模块,其被配置为:将滑动窗口内若干个历史时间点的各个固有旋转分量后向差分数值和残差分量的后向差分数值,均输入到预训练好的分类模型中,输出待预测时间点各个固有旋转分量后向差分预测值和残差分量的后向差分预测值;根据预测值,得到待进行风功率预测时间点的风功率预测值。
9.一种电子设备,其特征是,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010797268.8A CN112101616A (zh) | 2020-08-10 | 2020-08-10 | 基于固有时间尺度分解的风功率短期预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010797268.8A CN112101616A (zh) | 2020-08-10 | 2020-08-10 | 基于固有时间尺度分解的风功率短期预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112101616A true CN112101616A (zh) | 2020-12-18 |
Family
ID=73752769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010797268.8A Pending CN112101616A (zh) | 2020-08-10 | 2020-08-10 | 基于固有时间尺度分解的风功率短期预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101616A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102804747A (zh) * | 2009-04-15 | 2012-11-28 | 弗兰霍菲尔运输应用研究公司 | 多通道回波对消器 |
CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
-
2020
- 2020-08-10 CN CN202010797268.8A patent/CN112101616A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102804747A (zh) * | 2009-04-15 | 2012-11-28 | 弗兰霍菲尔运输应用研究公司 | 多通道回波对消器 |
CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
Non-Patent Citations (3)
Title |
---|
L.L.ZHANG等: "Short-Term Wind Power Prediction Based on Intrinsic Time-Scale Decomposition and LS-SVM", 2016IEEE INNOVATION SMART GRID TECHNOLOGIES-ASIA(ISGT-ASIA), pages 41 - 45 * |
MARK G FREI等: "Intrinsic time-scale decomposition: time-frequency-energy analysis and real-time filtering of non-stationary signals", ROYAL SOCIETY, pages 321 - 342 * |
曹天行等: "基于集合经验模态和深浅层学习组合的风电场功率短期预测研究", 电测与仪表, vol. 55, no. 13, pages 84 - 88 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qian et al. | A review and discussion of decomposition-based hybrid models for wind energy forecasting applications | |
CN108256697B (zh) | 一种用于电力系统短期负荷的预测方法 | |
CN111582551B (zh) | 风电场短期风速预测方法、系统及电子设备 | |
CN105139093B (zh) | 基于Boosting算法和支持向量机的洪水预报方法 | |
CN107292446B (zh) | 一种基于考虑分量关联性小波分解的混合风速预测方法 | |
CN106779223A (zh) | 一种光伏系统发电功率实时预测方法及装置 | |
CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
CN112288193A (zh) | 基于注意力机制的gru深度学习的海洋站表层盐度预测方法 | |
CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
CN103117546A (zh) | 一种超短期风电功率滑动预测方法 | |
CN109146162A (zh) | 一种基于集成循环神经网络的概率风速预测方法 | |
CN113657668A (zh) | 基于lstm网络的电力负荷预测方法及系统 | |
CN106897794A (zh) | 一种基于完备总体经验模态分解和极限学习机的风速预测方法 | |
CN116307291B (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
CN115577752A (zh) | 一种超短期光伏功率预测方法及系统 | |
CN110110339B (zh) | 一种日前水文预报误差校正方法及系统 | |
CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
CN115456306A (zh) | 一种母线负荷预测方法、系统、设备及存储介质 | |
CN115879369A (zh) | 一种基于优化LightGBM算法的磨煤机故障预警方法 | |
CN116822743A (zh) | 一种基于两阶段分解重构与误差校正的风电功率预测方法 | |
CN113343590B (zh) | 一种基于组合模型的风速预测方法及系统 | |
Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
CN110852522A (zh) | 一种短期电力负荷预测方法及系统 | |
CN118040678A (zh) | 一种短期海上风电功率组合预测方法 | |
CN106815659B (zh) | 一种基于混合模型的超短期太阳辐射预测方法及其装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |