[发明专利]一种风电场超短期功率预测方法

说明书

本发明公开了一种风电场超短期功率预测的方法，特别涉及一种基于集合经验模态分解和改进鲸鱼算法优化的长短期记忆网络的风电场超短期功率预测方法。它包括以下步骤:对原始检测信号加入白噪声；用EMD分解算法分解添加白噪声后的信号并得到IMF分量；对得到的IMF的均值进行Hilbert变换；使用样本熵对变化后的IMF分量进行筛选，减少数据量；改进原始鲸鱼算法的收敛因子，平衡算法的全局和局部收敛能力；通过改进的鲸鱼算法与长短期记忆网络结合无监督生成合适的模型预测参数；依次对每个分量数据预测并将结果累加获得最终预测值；本发明对风电功率数据预测表现出较好的精度和泛化性能。

技术领域

本发明涉及一种风电场超短期风电功率预测方法，特别涉及一种 基于集合经验模态分解后样本熵度量筛选数据，最后用改进鲸鱼算法 优化的长短期记忆网络预测的风电场超短期功率预测方法。

背景技术

目前整个人类都在面临着能源枯竭的困境，因此加大可再生能源 开发成为解决问题的最佳选择。风力发电作为风能利用的主要形式， 因其环保可持续、成本低和规模效益显著的特点，广泛的分布在世界 各地。但是与传统的水火发电相比，风速较强的波动性和随机性为电 力系统带来了巨大的挑战。而如今，人们可以通过神经网络来预测自 然世界中的一些规律。

目前国内外对风力发电预测的建模方法主要包括时间序列法、卡 尔曼滤波法、人工智能方法等。时间序列预测法如自回归移动平均法， 自回归差分移动平均法利用序列自身数据即可建立较高精度的预测 模型，但存在低阶模型预测精度偏低、高阶模型参数估计难度偏大等 缺点。人工智能的方法如人工神经网络，虽然可以处理复杂问题，但 是网络的结构很难确定。而支持向量机和极限学习机等虽然有良好的 自学习和自适应能力和较强的非线性映射能力和并行处理能力，但过 于依靠参数的整定。

发明内容

为了解决风电场超短期功率预测中的问题，本发明提供了一种精 度更高，鲁棒性更强的风电场超短期功率预测方法。

本发明解决上述技术问题的技术方案是：

给原始信号添加白噪声；

用EMD分解算法得到IMF分量；

对得到的IMF分量进行Hilbert变换；

用样本熵对得到的IMF分量进行度量筛选；

对鲸鱼算法进行改进；

采用鲸鱼算法对长短期记忆网络的参数进行无监督寻优；

利用寻优后的神经网络对筛选后的数据进行预测。

附图说明

图1是本发明的总体流程图

图2是本发明中给原始信号加入白噪声的过程

图3是本发明中改进前后鲸鱼算法的收敛因子对比

图4是本发明中改进鲸鱼算法优化长短期记忆网络的流程图

图5是本发明中长短期记忆网络的结构

具体实施方式

步骤一：添加白噪声，在原始信号x(t)的基础上，将白噪声加 入到待分解的信号中，得到信号s(t)，通过对原始信号的优化，弥 补了原有信号缺失时间尺度的缺点，使信号更加的平滑，克服模态 混叠的现象；

步骤二：分解，计算信号的s(t)的极值分布，通过三次样条插 值的方法构造极大值和极小值的包络线，设信号的极值包络函数为 f(t)，则有公式

在上述公式中，u(t)和v(t)分别为信号的上包络线和下包络线。 同时设极值的包络函数f(t)的均值为e₁，计算信号s(t)与e₁的差值， 并设该差值为c₁