[发明专利]一种基于变模式分解与长短记忆网络的风电预测方法

说明书

本发明公开了一种基于变模式分解与长短记忆网络的风电预测方法，首先对风电功率信号进行变模式分解，根据风电功率的特性将其分解为长期子、波动号和随机等3个模态分量。然后采用长短记忆网络分别学习风电功率这3个方面的模态分量，建立预测模型，最后合成得到预测值。本方法能够获取风电功率的随机特性，提高风电预测的精度和预测步长。

技术领域

本发明属于电力系统控制技术领域，尤其涉及一种变模式分解与长短记忆网络组合的风电预测方法。

背景技术

风电的与生俱来的波动性和随机性带来的不确定性会造成发供电的不平衡，给电力系统带来了一系列难题。提高风电功率预测的准确度是解决这些难题的有效手段，因而长期以来都是研究热点。

风电功率分为基于物理模型的和基于统计模型的预测方法。基于物理模型的方法依赖于气象数据，实现较为复杂。基于统计模型的预测方法通过归纳风电历史数据的时间序列之间的统计规律，建立实际值与预测值时间序列之间的线性或非线性映射，主要有时间序列方法、支持向量机方法和相似日法等。这些方法对于较长时间距离的时间序列学习能力有限，预测步长愈大，预测误差越大。为了提高风电功率各个频段特性的预测精度，许多学者对风电功率信号进行分解分析，主要采用的技术有小波分解、相空间分解、经验模态分解等。但是小波方法中小波基函数难以选取，相空间重构技术中延时时间和嵌入维数难以获取，经验模态分解方法对风电功率信号分解依赖于经验，缺乏理论基础。现在还有学者开始研究利用变模式分解对风电功率信号分层，但是分解层数难以确定。而且追求分解重构的精度，忽略风电本身的特性。

发明内容

发明目的：针对上述现有技术，提出一种有效提高预测精度和预测步长的风电预测方法，基于变模式分解与长短记忆网络进行预测，获取风电功率的随机特性，提高风电预测的精度和预测步长。

技术方案：一种基于变模式分解与长短记忆网络的风电预测方法，包括如下步骤：

步骤1：测取风电功率历史数据P(t)；

步骤2：对风电功率信号进行变模式分解，获取多模态分量u_k，k取1、2、3，分别代表风电功率信号中的长期分量、短期波动分量和超短期随机分量；

步骤3：建立k个长短记忆网络模型，假设当前时刻为t，预测步长ΔT，以X＝(x_t-n，...，x_t)为输入，X为P(t)的VMD分解信号，其中x_t＝u_k(t)，u_k(t)为模态函数，以h_k＝u_k(t+ΔT)为输出，训练长短记忆网络模型；

步骤4：实时采样风电功率信号，得到信号的多模态分量，带入k个训练好的长短记忆网络模型，分别得到各个模型的输出h_k，最后合成输出即为风电功率预测值。

进一步的，所述步骤2包括如下具体步骤：

步骤2.1：对每个模态函数u_k(t)，采用希尔伯特变换计算相应的解析信号，得到相应的单侧频谱为：

式中：

步骤2.2：对每个模态函数u_k(t)，通过与模态函数对应的中心频率ω_k的指数项混叠，将每个模态的频谱调制到相应基频带为：

步骤2.3：由解调信号的高斯平滑法估计出各模态的带宽，求解带约束条件的变分问题，目标函数为：