[发明专利]基于非线性加权组合的风电短期功率预测方法及装置

权利要求书

1.一种基于非线性加权组合的风电短期功率预测方法，其特征在于，所述方法包括：

获取风电场的历史输出功率；

基于经验模态分解方法，将所述历史输出功率分解为若干固有模态函数；

根据所述若干固有模态函数，利用LSTM神经网络建立低频预测模型；

根据所述若干固有模态函数，利用改进的麻雀搜索算法通过深度置信网络建立高频预测模型；

利用基于改进的麻雀搜索算法-深度置信网络建立的神经网络对所述低频预测模型的预测结果和所述高频预测模型的预测结果进行整合，以得到风电功率的最终预测模型。

2.根据权利要求1所述的方法，其特征在于，所述基于经验模态分解方法，将所述历史输出功率分解为若干固有模态函数，包括：

将所述历史输出功率作为训练样本确定为原始序列X(t)，取得X(t)的所有局部最大值和局部最小值，用三次样条函数进行插值，得到上包络线e_max(t)和下包络线e_min(t)，求两者的均值得到包络平均曲线m₁(t)；

用原始序列X(t)减去包络平均曲线m₁(t)，得到类距平值序列h₁(t)；

判断h₁(t)是否满足固有模态函数成立的条件，如不满足，将h₁(t)作为新的X(t)，重复上述步骤，直到h₁(t)满足固有模态函数成立的条件，此时，将h₁(t)作为分解出来的第一阶固有模态函数，并将h₁(t)从X(t)中分离，得到r₁(t)，其中，r₁(t)＝X(t)-h₁(t)；

用r₁(t)替换X(t)，分解出新的固有模态函数，每次分解后得到的固有模态函数分别为：r₂(t)＝r₁(t)-h₂(t),...,r_n(t)＝r_n-1(t)-h_n(t)；

满足以下任一条件时分解结束：1)r_n(t)或者h_n(t)小于预设阈值，2)r_n(t)为单调函数，不可能再从中筛分出固有模态函数；

分解结束后，所有的固有模态函数和余量累积相加，得到

3.根据权利要求2所述的方法，其特征在于，所述根据所述若干固有模态函数，利用LSTM神经网络建立低频预测模型，包括：

利用所述若干固有模态函数中的低频固有模态函数对所述LSTM神经网络进行训练，得到所述低频预测模型，其中，所述LSTM神经网络的数学表达式为：

其中，f_t,i_t,o_t分别为遗忘门、输入门和输出门的输出，表示候选细胞状态，c_t,h_t和c_t-1,h_t-1分别表示当前时间t和前一时间t-1的细胞状态和细胞输出，x_t为LSTM单元的输入，为预测输出，w_f,w_i,w_c,w_o,W和b_f,b_i,b_c,b_o,b为权重矩阵和偏差向量，为标量乘法，σ为sigmoid激活函数。

4.根据权利要求3所述的方法，其特征在于，所述根据所述若干固有模态函数，利用改进的麻雀搜索算法通过深度置信网络建立高频预测模型，包括：

利用所述改进的麻雀搜索算法获得所述深度置信网络的最优权重和偏置；

将所述最优权重和偏置代入所述深度置信网络，对所述若干固有模态函数中的高频固有模态函数进行训练，得到所述高频预测模型。