[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

说明书

本发明提供一种基于非线性加权组合的风电短期功率预测方法及装置。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，将历史输出功率分解为若干固有模态函数；根据若干固有模态函数，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低频预测模型的预测结果和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。本发明提供了一种有效的提取风电功率特征的方法，能够有效提升风电短期功率预测的准确率，取得了更好的预测精度。

技术领域

本发明属于风电功率预测技术领域，具体涉及一种基于非线性加权组合的风电短期功率预测方法及装置。

背景技术

随着能源革命的发展，可再生能源以其低碳、无污染、取之不尽用之不竭的特点，吸引了全世界的目光。其中，风能以其清洁、丰富、可再生的优势成为世界上最具潜力的替代能源之一。然而，风能的随机性、波动性、间歇性等固有特性使得风电功率序列具有高度的非线性和非平稳性，这可能会导致电力系统中电压和频率的波动，尤其是在大规模风电融入电力系统的情况下。因此，准确的风电功率预测对于提高电力系统安全性和充分利用风能资源至关重要。

迄今为止，研究人员已经开发了各种各样的风电功率预测模型，主要包括物理驱动模型和数据驱动模型两大类。其中，物理驱动模型依赖于数值天气预报系统(NWP)，需要对风能转化为电能的过程进行精细化建模，这不仅会增加计算负担，还会使其难以应用于短期风电功率预测。与物理驱动模型不同，数据驱动模型只考虑输入变量和目标变量之间的映射，非常适合短期风速/功率预测。然而，如何进一步提高数据驱动模型对风电功率预测的准确性，成为亟待解决的问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一，提供一种基于非线性加权组合的风电短期功率预测方法及装置。

本发明的一方面，提供一种基于非线性加权组合的风电短期功率预测方法，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。

在一些实施方式中，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)；