CN113516318A - 一种深度学习的短期功率预测方法 - Google Patents

Abstract

本发明涉及新能源技术领域，尤其涉及了一种深度学习的短期功率预测方法，包括EMD分解方法、CEEMD分解方法、BP神经网络、SVM模型和GRU算法，EMD分解方法、CEEMD分解方法、BP神经网络、SVM模型和GRU算法共同组成组合模型，EMD以及CEEMD对原始风电功率进行分解，得到各个不同的分量，将各个分量应用BP神经网络、SVM模型以及GRU模型进行建模，得到短期风电功率预测结果。该深度学习的短期功率预测方法，风电场次日0‑24h日前功率预测准确率应大于等于80％，提升了风电功率的预测精度，不仅有助于电网调峰工作，增强电网的风电接纳能力，改善电力系统运行的安全性与经济性，而且对于保障风电一体化和电力系统的稳定运行起到至关重要的作用。

Description

一种深度学习的短期功率预测方法

技术领域

本发明涉及新能源技术领域，具体为一种深度学习的短期功率预测方法。

背景技术

现如今全世界正处于不可再生能源濒危的状态，而风能作为可再生能源之一，成为目前最具开发性的代表能源，风力发电具有成本价格低廉、绿色可持续发展、经济规模显著等优点，目前针对风功率预测模型的研究越来越多，主要有四种：物理方法，统计方法，人工智能法与组合预测法，提高风电场短期功率预测精度，不仅可以为风电场制定合适的发电、配电和维护策略，而且可以提高风电并网的稳健性。

但是，由于其受到海拔、气压、温度、地形等环境因素的影响，风速具有随机性、不稳定性和波动性等特性，而风机的运行效率与风速有着密不可分的关系，另外，大规模的风电并网必定会对电网调度产生消极影响。

发明内容

本发明的目的在于提供一种深度学习的短期功率预测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种深度学习的短期功率预测方法，包括EMD分解方法、CEEMD分解方法、BP神经网络、SVM模型和GRU算法，所述EMD分解方法、CEEMD分解方法、BP神经网络、SVM模型和GRU算法共同组成组合模型。

优选的，所述EMD以及CEEMD对原始风电功率进行分解，得到各个不同的分量，将各个分量应用BP神经网络、SVM模型以及GRU模型进行建模，得到短期风电功率预测结果。

优选的，所述EMD分解方法包括以下步骤：

1)通过原始信号，找出上下极值点，并画出上下包络线；

2)由画出的上下包络线，求解出上下包络线的均值，从而画出均值包络线；

3)用原始信号减去均值信号，得出中间信号；

4)通过IMF的两个约束条件来判断均值信号是否为IMF信号；如果满足要求，则将该信号记为第一个分量；如果不满足条件，则以该信号为新的原始信号，并进行步骤(1)-(3)，直到满足条件为止；

5)将分解出的第一个分量记为IMF1，然后用原始信号减去分量IMF1得到新的原始信号，再重复进行步骤(1)-(3)，得到分量IMF2，以此类推，直到原始信号被完全分解。

优选的，所述CEEMD分解方法包括EEMD分解方法，所述EEMD分解方法包括以下步骤：

1)将原始信号处理次数设定为m；

2)将不同幅值的随机白噪声分别添加到这m个原始信号当中，从而形成一系列新的原始信号；

3)对新得到的原始信号进行EMD分解后，得到一系列新的最终IMF分量；

4)对得出的IMF分量分别求取平均值，导出EEMD分解的最终结果。

优选的，所述CEEMD分解方法包括以下步骤：

1)在原始信号x(t)中加入一组符号为一正一负的白噪声n⁺ ₁(t)和n^- ₁(t)得到m⁺ ₁(t)和m^- ₁(t)；

2)对m⁺ ₁(t)和m^- ₁(t)进行EMD分解，分别得出一列模态函数(IMF)；

3)在原始信号x(t)中加入不同高斯白噪声信号，重复步骤(1)、(2)，得到N组本征模态函数C_iN+、r_N+和C_iN-、r_N-；

4)分别对本征模态函数和剩余分量求取均值，公式如下所示，导出最终的模态分量IMF。

与现有技术相比，本发明的有益效果是：

1.该深度学习的短期功率预测方法，风电场次日0-24h日前功率预测准确率应大于等于80％。

2.该深度学习的短期功率预测方法，提升了风电功率的预测精度，不仅有助于电网调峰工作，增强电网的风电接纳能力，改善电力系统运行的安全性与经济性，而且对于保障风电一体化和电力系统的稳定运行起到至关重要的作用。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的模型建立图；

图2为本发明的分量获取流程图；

图3为本发明的预测结果获取流程图；

图4为本发明的GRU网络拓扑结构图；

图5为本发明的风电功率原始序列及CEEMD分解结果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

请参阅图1-5，本发明提供一种技术方案：一种深度学习的短期功率预测方法，包括EMD分解方法、CEEMD分解方法、BP神经网络、SVM模型和GRU算法，EMD分解方法、CEEMD分解方法、BP神经网络、SVM模型和GRU算法共同组成组合模型，EMD以及CEEMD对原始风电功率进行分解，得到各个不同的分量，将各个分量应用BP神经网络、SVM模型以及GRU模型进行建模，得到短期风电功率预测结果。

EMD分解方法包括以下步骤：

1)通过原始信号，找出上下极值点，并画出上下包络线；

2)由画出的上下包络线，求解出上下包络线的均值，从而画出均值包络线；

3)用原始信号减去均值信号，得出中间信号；

4)通过IMF的两个约束条件来判断均值信号是否为IMF信号；如果满足要求，则将该信号记为第一个分量；如果不满足条件，则以该信号为新的原始信号，并进行步骤(1)-(3)，直到满足条件为止；

5)将分解出的第一个分量记为IMF1，然后用原始信号减去分量IMF1得到新的原始信号，再重复进行步骤(1)-(3)，得到分量IMF2，以此类推，直到原始信号被完全分解。

CEEMD分解方法包括EEMD分解方法，EEMD分解方法包括以下步骤：

1)将原始信号处理次数设定为m；

2)将不同幅值的随机白噪声分别添加到这m个原始信号当中，从而形成一系列新的原始信号；

3)对新得到的原始信号进行EMD分解后，得到一系列新的最终IMF分量；

4)对得出的IMF分量分别求取平均值，导出EEMD分解的最终结果。

CEEMD分解方法包括以下步骤：

1)在原始信号x(t)中加入一组符号为一正一负的白噪声n⁺ ₁(t)和n^- ₁(t)得到m⁺ ₁(t)和m^- ₁(t)，计算公式如下所示：

2)对m⁺ ₁(t)和m^- ₁(t)进行EMD分解，分别得出一列模态函数(IMF)，公式如下所示：

3)在原始信号x(t)中加入不同高斯白噪声信号，重复步骤(1)、(2)，得到N组本征模态函数C_iN+、r_N+和C_iN-、r_N-；

4)分别对本征模态函数和剩余分量求取均值，公式如下所示，导出最终的模态分量IMF。

1、CEEMD分解结果：

完备总体经验模态分解(CEEMD)参数设定为：白噪声的幅度值为0.2，对信号的平均次数为8，原始功率经CEEMD分解后为9个IMF分量(IMF1-IMF9)和一个残差项。

2、分量预测：

建立的GRU模型共含4层网络，包括2层隐含层，每个隐含层包括100个神经元，实际的优化目标为均方误差，最大迭代次数设置为2000，残差收敛条件为0.0001，L2惩罚(正则项)参数为0.001，优化器选择为Adam。

3、实证对比分析：

通过EMD、EEMD以及CEEMD对原始数据进行分解后，得出来的各个分量再应用BP、SVM算法和RF算法进行分析，从而推出最终预测输出结果。

如果将实际功率作为衡量标准，建立三个单模型BP、SVM、GRU以及三个组合模型EMD-GRU、CEEMD-BP、CEEMD-GRU，共计六个模型，对风电功率进行短期预测，并对比不同模型预测结果的精确度。

有益效果：

1.功率预测结果满足：

风电场次日0-24h日前功率预测准确率应大于等于80％，小于80％时按以下公式考核：

日前准确率日考核电量＝(80％-准确率)×P_N×1(小时)

式中：P_Mi为i时刻的实际功率，P_Pi为i时刻的日前功率预测值，Cap为风电场可用容量，n为样本个数，P_N为风电场额定容量。

2.该深度学习的短期功率预测方法，提升了风电功率的预测精度，不仅有助于电网调峰工作，增强电网的风电接纳能力，改善电力系统运行的安全性与经济性，而且对于保障风电一体化和电力系统的稳定运行起到至关重要的作用。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.一种深度学习的短期功率预测方法，包括EMD分解方法、CEEMD分解方法、BP神经网络、SVM模型和GRU算法，其特征在于：所述EMD分解方法、CEEMD分解方法、BP神经网络、SVM模型和GRU算法共同组成组合模型。

2.根据权利要求1所述的一种深度学习的短期功率预测方法，其特征在于：所述EMD以及CEEMD对原始风电功率进行分解，得到各个不同的分量，将各个分量应用BP神经网络、SVM模型以及GRU模型进行建模，得到短期风电功率预测结果。

3.根据权利要求1所述的一种深度学习的短期功率预测方法，其特征在于：所述EMD分解方法包括以下步骤：

1)通过原始信号，找出上下极值点，并画出上下包络线；

2)由画出的上下包络线，求解出上下包络线的均值，从而画出均值包络线；

3)用原始信号减去均值信号，得出中间信号；

4)通过IMF的两个约束条件来判断均值信号是否为IMF信号；如果满足要求，则将该信号记为第一个分量；如果不满足条件，则以该信号为新的原始信号，并进行步骤(1)-(3)，直到满足条件为止；

5)将分解出的第一个分量记为IMF1，然后用原始信号减去分量IMF1得到新的原始信号，再重复进行步骤(1)-(3)，得到分量IMF2，以此类推，直到原始信号被完全分解。

4.根据权利要求1所述的一种深度学习的短期功率预测方法，其特征在于：所述CEEMD分解方法包括EEMD分解方法，所述EEMD分解方法包括以下步骤：

1)将原始信号处理次数设定为m；

2)将不同幅值的随机白噪声分别添加到这m个原始信号当中，从而形成一系列新的原始信号；

3)对新得到的原始信号进行EMD分解后，得到一系列新的最终IMF分量；

4)对得出的IMF分量分别求取平均值，导出EEMD分解的最终结果。

5.根据权利要求1所述的一种深度学习的短期功率预测方法，其特征在于：所述CEEMD分解方法包括以下步骤：

1)在原始信号x(t)中加入一组符号为一正一负的白噪声n⁺ ₁(t)和n^- ₁(t)得到m⁺ ₁(t)和m^- ₁(t)；

2)对m⁺ ₁(t)和m^- ₁(t)进行EMD分解，分别得出一列模态函数(IMF)；

3)在原始信号x(t)中加入不同高斯白噪声信号，重复步骤(1)、(2)，得到N组本征模态函数C_iN+、r_N+和C_iN-、r_N-；

4)分别对本征模态函数和剩余分量求取均值，公式如下所示，导出最终的模态分量IMF。

Images