CN112712202A - 一种短期风电功率预测方法、装置、电子设备和存储介质 - Google Patents

一种短期风电功率预测方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN112712202A
CN112712202A CN202011599788.4A CN202011599788A CN112712202A CN 112712202 A CN112712202 A CN 112712202A CN 202011599788 A CN202011599788 A CN 202011599788A CN 112712202 A CN112712202 A CN 112712202A
Authority
CN
China
Prior art keywords
wind power
sequence
preset
wolf
power prediction
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.)
Granted
Application number
CN202011599788.4A
Other languages
English (en)
Other versions
CN112712202B (zh
Inventor
肖建华
罗苑萍
李春亮
傅惠芹
刘冬明
刘滨涛
刘满
刘凤霞
张莉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Jieyang Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Jieyang Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Jieyang Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202011599788.4A priority Critical patent/CN112712202B/zh
Publication of CN112712202A publication Critical patent/CN112712202A/zh
Application granted granted Critical
Publication of CN112712202B publication Critical patent/CN112712202B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Pure & Applied Mathematics (AREA)
  • Marketing (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Public Health (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种短期风电功率预测方法、装置、电子设备和存储介质，其中，该方法包括：根据风电功率数据生成风电功率时间序列；根据集合经验模式分解所述风电功率时间序列以获得至少一个模态分量；根据预设功率预测模型确定各所述模态分量对应的预测风电功率子序列；叠加所述预测风电功率子序列的子风电功率作为目标风电预测功率。本发明实施例，通过结合经验模式分解将风电功率数据按照时间特征进行划分为模态分量，基于模态分量生成风电预测功率，降低风速变化对风电功率的影响，提高风电功率预测的准确性和稳定性。

Description

一种短期风电功率预测方法、装置、电子设备和存储介质
技术领域
本发明实施例涉及计算机应用技术领域，尤其涉及一种短期风电功率预测方法、装置、电子设备和存储介质。
背景技术
目前风电功率预测主要分为物理模型、统计模型和人工智能模型三种模型。但是物理模型不适用于短期预测，统计模型的假设与实际不相符，预测效果难以保证。因此，近年来人工智能模型因此强大的非线性拟合能力被应用与短期风电功率预测中。但由于传统机器学习模型容易陷入局部最优和泛化能力差，导致预测精度难以提高。而且，风速原始数据的波动性和随机性较强，对风速原始数据直接进行预测很难捕捉到风速的变化规律。
因此，如何提供一种解决上述技术问题的短期风电功率预测方法成为本领域技术人员亟需解决的问题。
发明内容
本发明提供一种短期风电功率预测方法、装置、电子设备和存储介质，以实现贴合实际风电发电过程，提高风电功率预测的准确性和稳定性。
第一方面，本发明实施例提供了一种短期风电功率预测方法，该方法包括：
根据风电功率数据生成风电功率时间序列；
根据集合经验模式分解所述风电功率时间序列以获得至少一个模态分量；
根据预设功率预测模型确定各所述模态分量对应的预测风电功率子序列；
叠加所述预测风电功率子序列的子风电功率作为目标风电预测功率。
第二方面，本发明实施例还提供了一种短期风电功率预测装置，该装置包括：
序列确定模块，用于根据风电功率数据生成风电功率时间序列；
分解模块，用于根据集合经验模式分解所述风电功率时间序列以获得至少一个模态分量；
序列预测模块，用于预测根据预设功率预测模型确定各所述模态分量对应的预测风电功率子序列；
结果生成模块，用于叠加所述预测风电功率子序列的子风电功率作为目标风电预测功率。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例中任一所述的短期风电功率预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本发明实施例中任一所述的短期风电功率预测方法。
本发明实施例，将风电功率数据处理为风电功率时间序列，基于集合经验模式将风电功率时间序列分解为至少一个模态分量，根据预设功率预测模型分别确定各模态分量对应的预测风电功率子序列，将各预测风电功率子序列叠加后作为目标风电预测功率，通过真实风电功率数据预测短期风电功率，降低风速原始数据的波动性和随机性，提高短期风电功率预测的准确性和稳定性。
附图说明
图1是本发明实施例一提供的一种短期风电功率预测方法的流程图；
图2是本发明实施例二提供的一种短期风电功率预测方法的流程图；
图3是本发明实施例二提供的一种优化预设功率预测模型的示例图；
图4是本发明实施例二提供的一种极限学习机模型的结构示意图；
图5是本发明实施例二提供的一种短期风电功率预测方法的示例图；
图6是本发明实施例二提供的一种短期风电功率预测的效果图；
图7是本发明实施例三提供的一种短期风电功率预测装置的结构示意图；
图8是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构，此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
图1是本发明实施例一提供的一种短期风电功率预测方法的流程图，本实施例可适用于短期风电功率预测的情况，该方法可以由短期风电功率预测装置来执行，该装置可以采用硬件和/或软件的方式来实现，参见图1，本发明实施例提供的方法具体包括如下步骤：
步骤110、根据风电功率数据生成风电功率时间序列。
其中，风电功率数据可以风力发电机的实际风电功率，风电功率数据的收集时长可以为一个月或者一年，为了提高短期风电功率预测的准确性，可以收集过去10年内当前月份的风力发电机的实际风电功率作为风电功率数据。
在本发明实施例中，风电功率时间序列可以是将风电功率数据按照时间排列生成的序列，可以将风电功率数据按照时间从远到近的方式排列形成风电功率序列。
步骤120、根据集合经验模式分解风电功率时间序列以获得至少一个模态分量。
其中，集合经验模式分解可以依据数据自身的时间序列特征进行分解，可以通过对风电功率时间序列进行局部平稳化处理获取到包含不同时间尺度的局部特征信息的模态分量，其中，模态分量可以是具有风电功率时间序列部分时间尺度的特征信息，模态分量具体可以为本征模函数(Intrinsic Mode Function,IMF)。
具体的，可以按照集合经验模式分解的方式将风电功率时间序列分解为多个模态分量，每个模态分量中可以包括有风电功率时间序列部分时间尺度的特征信息。
步骤130、根据预设功率预测模型确定各模态分量对应的预测风电功率子序列。
其中，预设功率预测模型可以是使用风电功率数据预先训练生成的神经网络模型，该神经网络模型可以对短期风电功率进行预测。预测风电功率子序列可以是包括一个或者多个子风电功率的数据集，预测风电功率子序列中每个子风电功率可以分别由一个模态分量通过预设功率预测模型生成。
在本发明实施例中，可以将各模态分量输入到预设功率预测模型中进行处理，可以将该预设功率预测模型输出的一个或者多个子风电功率作为预测风电功率子序列，每个子风电功率可以一个未来时间点的风电功率，可以理解的是，每个模态分量可以对应各自的预测风电功率子序列。
步骤140、叠加预测风电功率子序列的子风电功率作为目标风电预测功率。
具体的，可以提取预测风电功率子序列中的子风电功率，各风电功率分别依靠风电功率数据的部分时间特征预测生成，可以将各风电功率进行叠加获取到目标风电预测功率，例如，可以针对相同时间点，将各模态分量对应的预测风电功率子序列中的子风电功率进行求和，可以将结果作为该时间点的目标风电预测功率，可以理解的是，当预测风电功率子序列包括多个时间点的子风电功率时，目标风电预测功率相应的也可以对应多个。
本发明实施例，通过将风电功率数据处理为风电功率时间序列，基于集合经验模式将风电功率时间序列分解为至少一个模态分量，根据预设功率预测模型分别确定各模态分量对应的预测风电功率子序列，将各预测风电功率子序列叠加后作为目标风电预测功率，通过真实风电功率数据预测短期风电功率，降低风速原始数据的波动性和随机性，提高短期风电功率预测的准确性和稳定性。
实施例二
图2是本发明实施例二提供的一种短期风电功率预测方法的流程图，本发明实施例是在上述发明实施例基础上的具体化，参见图2，本发明实施例提供方法具体包括如下步骤：
步骤210、根据风电功率数据生成风电功率时间序列。
步骤220、根据集合经验模式分解所述风电功率时间序列以获得至少一个模态分量。
其中，根据集合经验模式分解所述风电功率时间序列以获得至少一个模态分量，包括：
S21、在风电功率时间序列x(t)加入高斯白噪声w(t)，生成包含噪声的信号X(t)。
S22、确定信号X(t)的局部极大值和局部极小值，并根据三次样条拟合曲线将信号X(t)的局部极大值和局部极小值链接，构成信号X(t)的上包络线u1(t)和下包络线l1(t)。
S23、确定上包络线u1(t)和下包络线l1(t)的均值m1(t)＝u1(t)+l1(t)。
S24、根据信号X(t)与均值m1(t)的差值确定新序列h1(t)＝X(t)-m1(t)。
S25、确定新序列h1(t)是否满足预设本征模态函数的特征，若满足则新序列h1(t)为模态分量，令IMF1(t)＝h1(t),若不满足，则重复执行步骤S22-S24直至新序列h1k(t)满足预设本征模态函数的特征，令IMF1(t)＝h1k(t)。
进一步的，在上述发明实施例的基础上，预设本征模态函数的特征包括：
极值点与过零点的数目相同或极值点与过零点的数目差值为1；在任意时刻，新序列的上包络线和下包络线的均值为0。
具体的，当生成的新序列同时满足极值点与过零点的数目相同或极值点与过零点的数目差值为1；在任意时刻，新序列的上包络线和下包络线的均值为0两个特征时，生成的新序列符合本征模态函数的要求，可以将该新序列作为模态分量。
S26、从信号X(t)中减去IMF1(t)，获取差值序列r1(t)＝X(t)-IMF1(t)，将差值序列r1(t)作为信号X(t)，重复执行步骤S22-S25获得新的模态分量IMFi(t),直到信号X(t)中减去IMFi(t)生成的剩余序列rn(t)满足停止条件，风电功率时间序列
Figure BDA0002870970200000061
进一步的，在上述发明实施例的基础上，所述停止条件至少包括以下一种：
剩余序列rn(t)只有一个局部极值点；剩余序列rn(t)为单调函数。
步骤230、根据灰狼算法优化预设功率预测模型中的模型参数。
其中，图3是本发明实施例二提供的一种优化预设功率预测模型的示例图，参见图3，根据灰狼算法优化所述预设功率预测模型中的模型参数，包括：
S31、根据给定训练样本确定预设功率预测模型的网络拓扑结构和模型参数，其中，所述模型参数至少包括网络节点数、种群规模、最大迭代次数、输入权值和隐含层偏置个数中至少一个。
在本发明实施例中，预测模型的网络拓扑结构的方式可以包括可以根据需要的预测步长决定输出层节点数，例如，将输出层节点数记为n，若使用预设功率预测模型预测后一个小时的风电功率，则n＝1,预测后三个小时的风电功率，则n＝3；输入层维度m可以根据需要输入模态分量的数量确定；预设功率预测模型的输入层维度m和输出层节点数n可以决定隐含层节点数L，可以通过
Figure BDA0002870970200000071
其中，round表示取整数，rand为随机取整数。
S32、根据预设范围随机产生M个灰狼群位置
Figure BDA0002870970200000072
每个灰狼群包括一组极限学习机参数，其中，第i个灰狼群为：
xi＝(w11,w12,Kw1l,w21,w22,Kw2l,K,wn1,wn2,Kwnl,b1,b2,K,bl)T；i＝1,2,K,M，其中，n和l分别为极限学习机的输入层和隐含层个数，wnl为输入层第n个节点到第l个节点的输入权值，b1为隐含层第l个节点的偏置。
S33、根据预设适应度公式评价各灰狼群中个体，预设使用度公式包括：
Figure BDA0002870970200000073
其中，pt表示实际风电功率，
Figure BDA0002870970200000074
表示极限学习机的输出，N表示训练样本数。
S34、根据各适应度fitness排序灰狼以获取到具有最高适应度的灰狼α的位置
Figure BDA0002870970200000081
具有次适应度的灰狼β的位置
Figure BDA0002870970200000082
和适应度第三高的灰狼δ的位置
Figure BDA0002870970200000083
其中灰狼α作为头狼。
S35、根据预设公式确定灰狼α、灰狼β和灰狼δ距离猎物的距离
Figure BDA0002870970200000084
和
Figure BDA0002870970200000085
其中，预设公式包括：
Figure BDA0002870970200000086
其中，
Figure BDA0002870970200000087
和
Figure BDA0002870970200000088
通过公式
Figure BDA0002870970200000089
计算得到，
Figure BDA00028709702000000810
为[0,1]之间的随机数，
Figure BDA00028709702000000811
为当前的灰狼位置矩阵，
Figure BDA00028709702000000812
和
Figure BDA00028709702000000813
为当前灰狼位置矩阵中排名前三的灰狼位置。
S36、根据矩阵更新公式对灰狼位置矩阵X0完成更新，其中，矩阵更新公式包括：
Figure BDA00028709702000000814
其中，
Figure BDA00028709702000000815
和
Figure BDA00028709702000000816
通过公式
Figure BDA00028709702000000817
计算得到，
Figure BDA00028709702000000818
t为当前迭代次数，
Figure BDA00028709702000000819
随着迭代次数的增大在2到0之间线性递减，
Figure BDA00028709702000000820
为[0,1]之间的随机数。
S37、判断当迭代次数t是否达到最大迭代次数Tmaxgen，如果是则继续执行步骤S38，否则根据更新后的灰狼位置矩阵X0返回执行步骤S33。
S38、输出灰狼α的位置
Figure BDA00028709702000000821
作为优化后的模型参数。
步骤240、根据预设功率预测模型确定各模态分量对应的预测风电功率子序列。
步骤250、叠加预测风电功率子序列的子风电功率作为目标风电预测功率。
本发明实施例，通过将风电功率数据处理为风电功率时间序列，按照集合经验模式将风电功率时间序列分解为多个模态分量，使用灰狼算法优化预设功率预测模型中的模型参数，使用优化后的预设功率预测模型确定各模态分量对应的预测风电功率子序列，叠加预测风电功率子序列中的子风电功率作为目标风电预测功率，通过真实风电功率数据预测短期风电功率，降低风速原始数据的波动性和随机性，提高短期风电功率预测的准确性和稳定性。
进一步的，在上述发明实施例的基础上，所述预设功率预测模型包括极限学习机模型。
在本发明实施例中，可以使用极限学习机模型预测短期风电功率，通过对反向传播算法进行改进，提高学习效率并简化模型参数设定过程，在保障高预测准确率的前提下提高抗干扰能力，降低风速变化对风电功率预测的影响。图4是本发明实施例二提供的一种极限学习机模型的结构示意图，参见图4，极限学习机模型可以由输入层、隐含层和输出层组成，模型参数w和b决定了短期风电预测的准确性。
在一个示例性的实施方式中，图5是本发明实施例二提供的一种短期风电功率预测方法的示例图，参见图5，本实施例首先对原始风电功率进行集合经验模式分解以获取一个或者多个本征模态函数IMF以及剩余序列Residue，采用灰狼算法优化的极限学习机预测模型GWO-ELM对分解后的子序列进行预测，最后将所有子序列的预测结果叠加得到风电功率实际预测值。图6是本发明实施例二提供的一种短期风电功率预测的效果图，参见图6，单独使用预设功率预测模型ELM进行短期风电功率预测、到使用灰狼算法GWO优化后的预设功率预测模型ELM进行短期风电功率预测，再到集合经验模式EEMD分解后使用灰狼算法GWO优化后的预设功率预测模型ELM进行短期风电功率预测，其预测精度在逐步增高，下表示出了不同预测方式下的风电功率预测误差：
表1多模型风电功率预测误差对比
Figure BDA0002870970200000101
实施例三图7是本发明实施例三提供的一种短期风电功率预测装置的结构示意图，图7示出的装置可执行本发明任意实施例所提供的短期风电功率预测方法，具备执行方法相应的功能模块和有益效果。该装置可以由软件和/或硬件实现，具体包括：序列确定模块301、分解模块302、序列预测模块303和结果生成模块304。
序列确定模块301，用于根据风电功率数据生成风电功率时间序列。
分解模块302，用于根据集合经验模式分解所述风电功率时间序列以获得至少一个模态分量。
序列预测模块303，用于预测根据预设功率预测模型确定各所述模态分量对应的预测风电功率子序列。
结果生成模块304，用于叠加所述预测风电功率子序列的子风电功率作为目标风电预测功率。
本发明实施例，通过序列确定模块将风电功率数据处理为风电功率时间序列，分解模块基于集合经验模式将风电功率时间序列分解为至少一个模态分量，序列预测模块根据预设功率预测模型分别确定各模态分量对应的预测风电功率子序列，结果生成模块将各预测风电功率子序列叠加后作为目标风电预测功率，通过真实风电功率数据预测短期风电功率，降低风速原始数据的波动性和随机性，提高短期风电功率预测的准确性和稳定性。
进一步的，在上述发明实施例的基础上，所述装置还包括：
优化模块，用于根据灰狼算法优化所述预设功率预测模型中的模型参数。
进一步的，在上述发明实施例的基础上，所述分解模块302具体用于：
S21、在所述风电功率时间序列x(t)加入高斯白噪声w(t)，生成包含噪声的信号X(t)；
S22、确定所述信号X(t)的局部极大值和局部极小值，并根据三次样条拟合曲线将所述信号X(t)的局部极大值和局部极小值链接，构成所述信号X(t)的上包络线u1(t)和下包络线l1(t)；
S23、确定所述上包络线u1(t)和下包络线l1(t)的均值m1(t)＝u1(t)+l1(t)；
S24、根据所述信号X(t)与所述均值m1(t)的差值确定新序列h1(t)＝X(t)-m1(t)；
S25、确定所述新序列h1(t)是否满足预设本征模态函数的特征，若满足则所述新序列h1(t)为模态分量，令IMF1(t)＝h1(t),若不满足，则重复执行步骤S22-S24直至新序列h1k(t)满足预设本征模态函数的特征，令IMF1(t)＝h1k(t)；
S26、从所述信号X(t)中减去IMF1(t)，获取差值序列r1(t)＝X(t)-IMF1(t)，将所述差值序列r1(t)作为所述信号X(t)，重复执行步骤S22-S25获得新的模态分量IMFi(t),直到所述信号X(t)中减去IMFi(t)生成的剩余序列rn(t)满足停止条件，所述风电功率时间序列
Figure BDA0002870970200000111
进一步的，在上述发明实施例中，所述分解模块302中的预设本征模态函数的特征包括：极值点与过零点的数目相同或所述极值点与所述过零点的数目差值为1；在任意时刻，所述新序列的上包络线和下包络线的均值为0。
进一步的，在上述发明实施例的基础上，所述分解模块302中的停止条件至少包括以下一种：剩余序列rn(t)只有一个局部极值点；剩余序列rn(t)为单调函数。
进一步的，在上述发明实施例的基础上，所述优化模块具体用于：
S31、根据给定训练样本确定所述预设功率预测模型的网络拓扑结构和模型参数，其中，所述模型参数至少包括网络节点数、种群规模、最大迭代次数、输入权值和隐含层偏置个数中至少一个；
S32、根据预设范围随机产生M个灰狼群位置
Figure BDA0002870970200000121
每个灰狼群包括一组极限学习机参数，其中，第i个灰狼群为：
xi＝(w11,w12,Kw1l,w21,w22,Kw2l,K,wn1,wn2,Kwnl,b1,b2,K,bl)T；i＝1,2,K,M，其中，n和l分别为极限学习机的输入层和隐含层个数，wnl为输入层第n个节点到第l个节点的输入权值，b1为隐含层第l个节点的偏置；
S33、根据预设适应度公式评价各所述灰狼群中个体，所述预设使用度公式包括：
Figure BDA0002870970200000122
其中，pt表示实际风电功率，
Figure BDA0002870970200000123
表示极限学习机的输出，N表示训练样本数；
S34、根据各所述适应度fitness排序所述灰狼以获取到具有最高适应度的灰狼α的位置
Figure BDA0002870970200000124
具有次适应度的灰狼β的位置
Figure BDA0002870970200000125
和适应度第三高的灰狼δ的位置
Figure BDA0002870970200000126
其中灰狼α作为头狼；
S35、根据预设公式确定灰狼α、灰狼β和灰狼δ距离猎物的距离
Figure BDA0002870970200000127
和
Figure BDA0002870970200000131
其中，所述预设公式包括：
Figure BDA0002870970200000132
其中，
Figure BDA0002870970200000133
和
Figure BDA0002870970200000134
通过公式
Figure BDA0002870970200000135
计算得到，
Figure BDA0002870970200000136
为[0,1]之间的随机数，
Figure BDA0002870970200000137
为当前的灰狼位置矩阵，
Figure BDA0002870970200000138
和
Figure BDA0002870970200000139
为当前灰狼位置矩阵中排名前三的灰狼位置；
S36、根据矩阵更新公式对灰狼位置矩阵X0完成更新，其中，矩阵更新公式包括：
Figure BDA00028709702000001310
Figure BDA00028709702000001311
Figure BDA00028709702000001312
Figure BDA00028709702000001313
其中，
Figure BDA00028709702000001314
和
Figure BDA00028709702000001315
通过公式
Figure BDA00028709702000001316
计算得到，
Figure BDA00028709702000001317
t为当前迭代次数，
Figure BDA00028709702000001318
随着迭代次数的增大在2到0之间线性递减，
Figure BDA00028709702000001319
为[0,1]之间的随机数。
S37、判断当迭代次数t是否达到最大迭代次数Tmaxgen，如果是则继续执行步骤S38，否则根据更新后的灰狼位置矩阵X0返回执行步骤S33；
S38、输出灰狼α的位置
Figure BDA00028709702000001320
作为优化后的模型参数。
进一步的，在上述发明实施例的基础上，所述装置中预设功率预测模型包括极限学习机模型。
实施例四
图8是本发明实施例四提供的一种电子设备的结构示意图，如图8所示，该电子设备包括处理器40、存储器41、输入装置42和输出装置43；电子设备中处理器40的数量可以是一个或多个，图8中以一个处理器40为例；电子设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接，图8中以通过总线连接为例。
存储器41作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的短期风电功率预测方法对应的程序模块(例如，短期风电功率预测装置中的序列确定模块301、分解模块302、序列预测模块303和结果生成模块304)。处理器40通过运行存储在存储器41中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的短期风电功率预测方法。
存储器41可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器41可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器41可进一步包括相对于处理器40远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置42可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置43可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种短期风电功率预测，该方法包括：
根据风电功率数据生成风电功率时间序列；
根据集合经验模式分解所述风电功率时间序列以获得至少一个模态分量；
根据预设功率预测模型确定各所述模态分量对应的预测风电功率子序列；
叠加所述预测风电功率子序列的子风电功率作为目标风电预测功率。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的短期风电功率预测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述短期风电功率预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种短期风电功率预测方法，其特征在于，所述方法包括：
根据风电功率数据生成风电功率时间序列；
根据集合经验模式分解所述风电功率时间序列以获得至少一个模态分量；
根据预设功率预测模型确定各所述模态分量对应的预测风电功率子序列；
叠加所述预测风电功率子序列的子风电功率作为目标风电预测功率。
2.根据权利要求1所述的方法，其特征在于，还包括：
根据灰狼算法优化所述预设功率预测模型中的模型参数。
3.根据权利要求1所述的方法，其特征在于，所述根据集合经验模式分解所述风电功率时间序列以获得至少一个模态分量，包括：
S21、在所述风电功率时间序列x(t)加入高斯白噪声w(t)，生成包含噪声的信号X(t)；
S22、确定所述信号X(t)的局部极大值和局部极小值，并根据三次样条拟合曲线将所述信号X(t)的局部极大值和局部极小值链接，构成所述信号X(t)的上包络线u1(t)和下包络线l1(t)；
S23、确定所述上包络线u1(t)和下包络线l1(t)的均值m1(t)＝u1(t)+l1(t)；
S24、根据所述信号X(t)与所述均值m1(t)的差值确定新序列h1(t)＝X(t)-m1(t)；
S25、确定所述新序列h1(t)是否满足预设本征模态函数的特征，若满足则所述新序列h1(t)为模态分量，令IMF1(t)＝h1(t),若不满足，则重复执行步骤S22-S24直至新序列h1k(t)满足预设本征模态函数的特征，令IMF1(t)＝h1k(t)；
S26、从所述信号X(t)中减去IMF1(t)，获取差值序列r1(t)＝X(t)-IMF1(t)，将所述差值序列r1(t)作为所述信号X(t)，重复执行步骤S22-S25获得新的模态分量IMFi(t),直到所述信号X(t)中减去IMFi(t)生成的剩余序列rn(t)满足停止条件，所述风电功率时间序列
Figure FDA0002870970190000021
4.根据权利要求3所述的方法，其特征在于，所述预设本征模态函数的特征包括：
极值点与过零点的数目相同或所述极值点与所述过零点的数目差值为1；
在任意时刻，所述新序列的上包络线和下包络线的均值为0。
5.根据权利要求3所述的方法，其特征在于，所述停止条件至少包括以下一种：
剩余序列rn(t)只有一个局部极值点；
剩余序列rn(t)为单调函数。
6.根据权利要求1所述的方法，其特征在于，所述根据灰狼算法优化所述预设功率预测模型中的模型参数包括：
S31、根据给定训练样本确定所述预设功率预测模型的网络拓扑结构和模型参数，其中，所述模型参数至少包括网络节点数、种群规模、最大迭代次数、输入权值和隐含层偏置个数中至少一个；
S32、根据预设范围随机产生M个灰狼群位置
Figure FDA0002870970190000022
每个灰狼群包括一组极限学习机参数，其中，第i个灰狼群为：
xi＝(w11,w12,Kw1l,w21,w22,Kw2l,K,wn1,wn2,Kwnl,b1,b2,K,bl)T；i＝1,2,K,M，其中，n和l分别为极限学习机的输入层和隐含层个数，wnl为输入层第n个节点到第l个节点的输入权值，b1为隐含层第l个节点的偏置；
S33、根据预设适应度公式评价各所述灰狼群中个体，所述预设适应度公式包括：
Figure FDA0002870970190000031
其中，pt表示实际风电功率，
Figure FDA0002870970190000032
表示极限学习机的输出，N表示训练样本数；
S34、根据各所述适应度fitness排序所述灰狼以获取到具有最高适应度的灰狼α的位置
Figure FDA0002870970190000033
具有次适应度的灰狼β的位置
Figure FDA0002870970190000034
和适应度第三高的灰狼δ的位置
Figure FDA0002870970190000035
其中灰狼α作为头狼；
S35、根据预设公式确定灰狼α、灰狼β和灰狼δ距离猎物的距离
Figure FDA0002870970190000036
和
Figure FDA0002870970190000037
其中，所述预设公式包括：
Figure FDA0002870970190000038
其中，
Figure FDA0002870970190000039
和
Figure FDA00028709701900000310
通过公式
Figure FDA00028709701900000311
计算得到，
Figure FDA00028709701900000312
为[0,1]之间的随机数，
Figure FDA00028709701900000313
为当前的灰狼位置矩阵，
Figure FDA00028709701900000314
和
Figure FDA00028709701900000315
为当前灰狼位置矩阵中排名前三的灰狼位置；
S36、根据矩阵更新公式对灰狼位置矩阵X0完成更新，其中，矩阵更新公式包括：
Figure FDA00028709701900000316
Figure FDA00028709701900000317
Figure FDA00028709701900000318
Figure FDA00028709701900000319
其中，
Figure FDA00028709701900000320
和
Figure FDA00028709701900000321
通过公式
Figure FDA00028709701900000322
计算得到，
Figure FDA00028709701900000323
t为当前迭代次数，
Figure FDA00028709701900000324
随着迭代次数的增大在2到0之间线性递减，
Figure FDA00028709701900000325
为[0,1]之间的随机数。
S37、判断当迭代次数t是否达到最大迭代次数Tmaxgen，如果是则继续执行步骤S38，否则根据更新后的灰狼位置矩阵X0返回执行步骤S33；
S38、输出灰狼α的位置
Figure FDA00028709701900000326
作为优化后的模型参数。
7.根据权利要求1或6所述的方法，其特征在于，所述预设功率预测模型包括极限学习机模型。
8.一种短期风电功率预测装置，其特征在于，所述装置包括：
序列确定模块，用于根据风电功率数据生成风电功率时间序列；
分解模块，用于根据集合经验模式分解所述风电功率时间序列以获得至少一个模态分量；
序列预测模块，用于预测根据预设功率预测模型确定各所述模态分量对应的预测风电功率子序列；
结果生成模块，用于叠加所述预测风电功率子序列的子风电功率作为目标风电预测功率。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的短期风电功率预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的短期风电功率预测方法。
CN202011599788.4A 2020-12-29 2020-12-29 一种短期风电功率预测方法、装置、电子设备和存储介质 Active CN112712202B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011599788.4A CN112712202B (zh) 2020-12-29 2020-12-29 一种短期风电功率预测方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011599788.4A CN112712202B (zh) 2020-12-29 2020-12-29 一种短期风电功率预测方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN112712202A true CN112712202A (zh) 2021-04-27
CN112712202B CN112712202B (zh) 2023-05-23

Family

ID=75546702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011599788.4A Active CN112712202B (zh) 2020-12-29 2020-12-29 一种短期风电功率预测方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN112712202B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117744893A (zh) * 2024-02-19 2024-03-22 西安热工研究院有限公司 一种储能辅助黑启动的风速预测方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105138782A (zh) * 2015-09-02 2015-12-09 上海大学 基于eemd-elm的非平稳脉动风速高精度预测方法
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
CN109376897A (zh) * 2018-08-29 2019-02-22 广东工业大学 一种基于混合算法的短期风电功率预测方法
CN111222707A (zh) * 2020-01-13 2020-06-02 湖北工业大学 一种基于时间序列突变误差校正的风速预测方法
US20200293627A1 (en) * 2019-03-13 2020-09-17 General Electric Company Method and apparatus for composite load calibration for a power system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105138782A (zh) * 2015-09-02 2015-12-09 上海大学 基于eemd-elm的非平稳脉动风速高精度预测方法
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
CN109376897A (zh) * 2018-08-29 2019-02-22 广东工业大学 一种基于混合算法的短期风电功率预测方法
US20200293627A1 (en) * 2019-03-13 2020-09-17 General Electric Company Method and apparatus for composite load calibration for a power system
CN111222707A (zh) * 2020-01-13 2020-06-02 湖北工业大学 一种基于时间序列突变误差校正的风速预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
于学超: "基于极点对称模态分解的风电短期功率预测研究", 《万方数据知识服务平台》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117744893A (zh) * 2024-02-19 2024-03-22 西安热工研究院有限公司 一种储能辅助黑启动的风速预测方法和系统
CN117744893B (zh) * 2024-02-19 2024-05-17 西安热工研究院有限公司 一种储能辅助黑启动的风速预测方法和系统

Also Published As

Publication number Publication date
CN112712202B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN111382906B (zh) 一种电力负荷预测方法、系统、设备和计算机可读存储介质
CN110619389A (zh) 一种基于lstm-rnn的冷热电联供系统负荷预测方法及系统
CN113657661A (zh) 一种企业碳排放预测方法、装置、计算机设备和存储介质
CN114418180B (zh) 一种风电功率的超短期预测方法、装置及存储介质
Zhang et al. Stochastic dynamic economic emission dispatch with unit commitment problem considering wind power integration
CN111461445A (zh) 短期风速预测方法、装置、计算机设备及存储介质
CN112598188A (zh) 神经网络的生成方法、功率预测方法、装置和存储介质
CN114970345A (zh) 短期负荷预测模型构建方法、装置、设备及可读存储介质
CN115310355A (zh) 考虑多能耦合的综合能源系统多元负荷预测方法及系统
Zhao et al. A hybrid learning method for constructing compact rule-based fuzzy models
CN112712202A (zh) 一种短期风电功率预测方法、装置、电子设备和存储介质
CN111178641A (zh) 基于特征提取和多核rsvr组合模型的短期电力负荷预测方法
CN113094899B (zh) 一种随机潮流计算方法、装置、电子设备及存储介质
CN116544931B (zh) 基于集成片段变换和时间卷积网络的电力负荷分布预测方法
CN116523001A (zh) 电网薄弱线路识别模型构建方法、装置和计算机设备
CN114036823B (zh) 基于编解码和记忆机制的电力变压器负载控制方法及装置
JP2023010660A (ja) リチウム化合物の結晶構造のｃ軸長を予測する方法、学習モデルの構築方法、及び最大のｃ軸長を有する結晶構造を予測するシステム
CN113408702A (zh) 音乐神经网络模型预训练方法及电子设备和存储介质
Xia et al. A hybrid hour-ahead wind power prediction model based on variational mode decomposition and bio-inspired LSTM
CN116484201B (zh) 新能源电网负载预测方法、装置及电子设备
CN117931420B (zh) 云工作负载预测方法、装置、设备及存储介质
Zhao Comprehensive Review of Machine Learning-Based Methods for Electricity Load Forecasting
CN117394308B (zh) 一种多时间尺度风力发电功率预测方法、系统及电子设备
Wang Hopfield neural network based on estimation of distribution for two-page crossing number problem
US20230125436A1 (en) Method for generating neural network architecture and computing apparatus executing the same

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
GR01 Patent grant
GR01 Patent grant