[發明專利]一種風速時序特征挖掘方法及短期風電功率預測方法

有效

• 申請號: 202011357189.1
• 申請日: 2020-11-26
• 公開（公告）號: CN112417028B
• 公開（公告）日: 2022-09-02
• 發明（設計）人: 黃東晨;郭彥飛;熊歡;李科;李浩文;杜業冬;陳雨帆;陶子彬;王坤;曾浩;張熹;趙福林;戴維;韋偉
• 申請（專利權）人: 國電南瑞科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06Q10/04;G06Q50/06;G06N20/10
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 張倩倩

本發明一種風速時序特征挖掘方法及短期風電功率預測方法，風速時序特征挖掘方法包括：獲取原始風速序列數據；對原始風速序列數據進行分解，得到多模態分量；計算分解得到的各模態分量的多尺度排列熵；對各模態分量的多尺度排列熵進行聚類，根據聚類結果將多模態分量進行重組得到新的模態分量；對原始風速序列數據和重組后的各模態分量分別進行時序特征提取，得到風速時序特征集合；基于所述風速時序特征集合進行特征選擇，得到最優風速時序特征集合，即為原始風速序列數據的風速時序特征挖掘結果。利用本發明方法能夠提取引起風電功率波動的主導因素，為風電功率預測提供可靠的數據基礎。

技術領域

本發明涉及風力發電預測技術領域，特別是一種面向短期風電功率預測的風速時序特征挖掘方法，以及短期風電功率預測方法。

背景技術

風電場天氣變幻莫測，導致風電發電具有強烈的間歇性、隨機性和波動性，給電網的安全穩定運行及調度帶來了嚴峻挑戰。對風電功率進行短期預報，對于電力系統的功率平衡和經濟調度意義重大。在短期風電功率預測中，風速是影響發電的主導因素。風速的隨機變化是引起風電功率波動和影響風電功率預測精度的最主要原因。深度挖掘風速序列的時序特征，有助于降低模型學習的難度，提高預測精度。

名詞解釋

VMD(variational mode decomposition)，變分模態分解。在信號處理中，變分模態分解是一種信號分解估計方法。該方法在獲取分解分量的過程中通過迭代搜尋變分模型最優解來確定每個分量的頻率中心和帶寬，從而能夠自適應地實現信號的頻域剖分及各分量的有效分離。

Tsfresh和hctsa，皆為專門處理時間序列數據的特征提取工具。

發明內容

本發明的目的是提供一種面向短期風電功率預測的風速時序特征挖掘方法，以及短期風電功率預測方法，能夠提取引起風電功率波動的主導因素，為風電功率預測提供可靠的數據基礎。本發明采用的技術方案如下。

一方面，本發明提供一種風速時序特征挖掘方法，包括：

獲取原始風速序列數據；

對原始風速序列數據進行分解，得到多模態分量；

計算分解得到的各模態分量的多尺度排列熵；

對各模態分量的多尺度排列熵進行聚類，根據聚類結果將多模態分量重組得到新的模態分量；

對原始風速序列數據和重組后的各模態分量分別進行時序特征提取，得到風速時序特征集合；

基于所述風速時序特征集合進行特征選擇，得到最優風速時序特征集合，即為原始風速序列數據的風速時序特征挖掘結果。

可選的，對原始風速序列數據進行分解得到多模態分量為，采用VMD算法進行多模態分量分解。

可選的，所述對原始風速序列數據進行分解得到多模態分量，包括：

a1)通過Hilbert變換計算各模態分量u_k(t)的解析信號，得到各模態的單側頻譜，表示為下式：

式中，δ(t)為單位脈沖函數，j為虛數，t為采樣時間點，*表示卷積；

b1)對每個模態分量u_k(t)，通過對其對應的中心頻率的指數項混疊w_k，將每個模態的頻譜調制到相應基頻帶，表示為下式：

式中，e^-jwkt為中心頻率在復平面上的相量描述；

c1)通過計算式(2)調制信號梯度的平方范數L²，估計各模態信號帶寬，構造最小化總帶寬的變分求解問題，如下：