[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
地址：	510663 廣東省廣州市蘿崗區科***	國省代碼：	廣東;44
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	一種基于 ceemd lzc 流形學習短期電功率預測方法裝置
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【說明書】：

本申請公開了一種基于CEEMD?LZC和流形學習的短期風電功率預測方法和裝置，其中方法包括：對待預測風電功率數據進行CEEMD分解，得到若干個第一分量；計算若干個第一分量的Lempel?Ziv復雜度，將滿足預置條件的Lempel?Ziv復雜度對應的第一分量進行疊加，得到第一模態序列；將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，輸出待預測風電功率數據和待預測氣象數據的風電功率預測結果，解決了現有的短期風電功率預測方法存在風電功率預測準確率不高的技術問題。

技術領域

本申請涉及風電功率預測技術領域，尤其涉及一種基于CEEMD-LZC和流形學習的短期風電功率預測方法和裝置。

背景技術

短期風電功率預測是通過在24～72小時內的風電場功率進行預測，準確預測風電場的出力，可以解決風電隨機波動帶來的調頻、調壓和調度運行等問題。現有的短期風電功率預測方法主要包括物理方法、統計方法和建模方法；物理方法是通過數值天氣預報系統得到風速、風向、氣壓和氣溫等氣象數據，然后風機周圍的物理信息得到風力發電機組的風速和風向等信息，最后根據風機的功率曲線計算得到風機的實際輸出功率；統計方法是根據歷史風電相關數據在天氣狀況和輸出功率之間建立映射關系，然后進行風電功率預測；建模方法主要是通過卷積神經網絡或支持向量機等模型進行風電功率預測。由于風電功率數據本身具有隨機波動性、非線性和非平穩性的特點，使得風電功率預測準確性不高。

發明內容

本申請提供了一種基于CEEMD-LZC和流形學習的短期風電功率預測方法和裝置，用于解決現有的短期風電功率預測方法存在風電功率預測準確率不高的技術問題。

有鑒于此，本申請第一方面提供了一種基于CEEMD-LZC和流形學習的短期風電功率預測方法，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。

優選地，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。