[發明專利]一種基于CEEMD-LZC和流形學習的短期風電功率預測方法和裝置

有效

• 申請號: 202010072450.7
• 申請日: 2020-01-21
• 公開（公告）號: CN111274532B
• 公開（公告）日: 2023-05-02
• 發明（設計）人: 周長城;白浩;黃安迪;葉琳浩;袁智勇;雷金勇
• 申請（專利權）人: 南方電網科學研究院有限責任公司;中國南方電網有限責任公司
• 主分類號: G06F17/14
• 分類號: G06F17/14;G06Q10/04;G06Q50/06
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 黃忠

1.一種基于CEEMD-LZC和流形學習的短期風電功率預測方法，其特征在于，包括：

對待預測風電功率數據進行CEEMD分解，得到若干個第一分量；

計算若干個所述第一分量的Lempel-Ziv復雜度，將滿足預置條件的所述Lempel-Ziv復雜度對應的所述第一分量進行疊加，得到第一模態序列；

將所述第一模態序列和降維后的待預測氣象數據輸入到預置極限學習機中，輸出所述待預測風電功率數據和所述待預測氣象數據的風電功率預測結果；

所述計算若干個所述第一分量的Lempel-Ziv復雜度，將滿足預置條件的所述Lempel-Ziv復雜度對應的所述第一分量進行疊加，得到第一模態序列，包括：

計算若干個所述第一分量的Lempel-Ziv復雜度；

對每個所述Lempel-Ziv復雜度進行歸一化處理；

根據歸一化處理后的所述Lempel-Ziv復雜度劃分若干個區間；

將在同一區間的所述Lempel-Ziv復雜度對應的所述第一分量進行疊加，得到所述第一模態序列。

2.根據權利要求1所述的基于CEEMD-LZC和流形學習的短期風電功率預測方法，其特征在于，所述將所述第一模態序列和降維處理后的待預測氣象數據輸入到預置極限學習機中，輸出所述待預測風電功率數據和所述待預測氣象數據的風電功率預測結果，之前還包括：

獲取待訓練風電功率數據和待訓練氣象數據；

對所述待訓練風電功率數據進行CEEMD分解，得到若干個第二分量；

計算若干個所述第二分量的Lempel-Ziv復雜度，將滿足所述預置條件的所述Lempel-Ziv復雜度對應的所述第二分量進行疊加，得到第二模態序列；

將所述第二模態序列和降維后的所述待訓練氣象數據輸入到極限學習機，對所述極限學習機進行訓練；

當所述極限學習機達到收斂條件時，得到訓練好的所述極限學習機，將訓練好的所述極限學習機作為所述預置極限學習機。

3.根據權利要求2所述的基于CEEMD-LZC和流形學習的短期風電功率預測方法，其特征在于，所述將所述第一模態序列和降維處理后的所述待預測氣象數據輸入到預置極限學習機中，輸出所述待預測風電功率數據和所述待預測氣象數據的風電功率預測結果，之前還包括：

基于窮舉法在預置范圍內選取參數；

基于預置維數和所述參數，根據局部線性嵌入方法對所述待訓練氣象數據進行降維處理，得到若干個低維數據；

將每個所述低維數據輸入到殘差函數中，得到若干個殘差值，所述殘差函數為：

e＝1-ρ²(D_x,D_y)；

其中，ρ為線性相關系數，D_x為所述待訓練氣象數據x的歐式距離矩陣，D_y為所述低維數據y的歐式距離矩陣；

將最小的所述殘差值對應的所述低維數據作為降維后的所述待訓練氣象數據。

4.根據權利要求3所述的基于CEEMD-LZC和流形學習的短期風電功率預測方法，其特征在于，所述基于預置維數和所述參數，根據局部線性嵌入方法對所述待訓練氣象數據進行降維處理，得到若干個低維數據，之前還包括：

基于所述待訓練氣象數據計算關聯積分；

基于所述關聯積分計算關聯維數，將所述關聯維數作為所述預置維數。

5.根據權利要求2所述的基于CEEMD-LZC和流形學習的短期風電功率預測方法，其特征在于，所述將所述第二模態序列和降維后的待訓練氣象數據輸入到極限學習機，對所述極限學習機進行訓練，包括：

將所述第二模態序列和降維后的待訓練氣象數據輸入到所述極限學習機對所述極限學習機的權重和偏差進行初始化；

基于蟻獅算法對所述極限學習機的初始后的權重和偏差進行優化訓練。