[發明專利]基于二次模態分解和級聯深度學習的風電功率預測方法

在審

• 申請號: 202011364230.8
• 申請日: 2020-11-27
• 公開（公告）號: CN112465225A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 楊蕾;奚鑫澤;向川;邢超;何廷一;郭成;劉明群;何鑫
• 申請（專利權）人: 云南電網有限責任公司電力科學研究院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 北京弘權知識產權代理事務所(普通合伙) 11363
• 代理人: 逯長明;許偉群

1.一種基于二次模態分解和級聯深度學習的風電功率預測方法，其特征在于，包括以下步驟：

采集原始風電功率數據和風速數據；

對采集到的所述原始風電功率數據和風速數據進行信號預處理；

對預處理后的風電功率數據和風速數據進行二次模態分解，將風電功率和風速時間序列分解成一系列相對平穩的子序列；

通過CNN-GRU的級聯式深度學習模型提取所述二次模態分解后產生的各個時間子序列與風速之間的耦合關系特征，得到各個時間子序列的風電功率預測結果；

疊加所述各個時間子序列的風電功率預測結果，輸出總的風電功率預測值

2.根據權利要求1所述的一種基于二次模態分解和級聯深度學習的風電功率預測方法，其特征在于，所述對采集所述原始風電功率數據和風速數據進行信號預處理，包括：

將采集到的所述原始風電功率數據和風速數據整理成關于時間的序列x(t)；

在所述原始風電功率和風速時間序列x(t)中加入高斯白噪聲w(t)，生成包含噪聲的信號X(t)。

3.根據權利要求2所述的一種基于二次模態分解和級聯深度學習的風電功率預測方法，其特征在于，所述對預處理后的風電功率數據和風速數據進行二次模態分解，將風電功率和風速時間序列分解成一系列相對平穩的子序列，包括：

對預處理后的風電功率數據和風速數據先進行集合經驗模態分解，得到新序列；

分解后的所述新序列若滿足IMF特征，再進行小波包變換分解；

得到風電功率子序列、風速子序列、風向的正弦序列和風向的余弦序列。

4.根據權利要求3所述的一種基于二次模態分解和級聯深度學習的風電功率預測方法，其特征在于，所述對預處理后的風電功率數據和風速數據進行二次模態分解，將風電功率和風速時間序列分解成一系列相對平穩的子序列，具體包括：

確定X(t)的局部極大值和極小值，并利用三次樣條擬合曲線連接X(t)的局部極大值和局部極小值點，構成X(t)的上包絡線u(t)和下包絡線l(t)；

計算上下包絡線的均值m(t)＝u(t)+l(t)；

用X(t)減去m(t)，得到新序列h(t)＝X(t)-m(t)；

若所述新序列h(t)滿足IMF特征，則令X_IMF(t)＝h(t)；

若所述新序列h(t)不滿足IMF特征，則令X(t)＝h(t)，重新確定X(t)的局部極大值和極小值；

從初始信號X(t)中減去IMF分量X_IMF(t)，得到差值序列r(t)＝X(t)-X_IMF1(t)；

若剩余序列只有一個局部極值點或是一個單調函數，則分解完畢；若否，則令X(t)＝r(t)為分解對象，重新確定X(t)的局部極大值和極小值繼續進行分解；

使用小波包分解對頻率較高的X_IMF1(t)進行進一步分解，將X_IMF1(t)子序列最終映射到2ⁱ(i為分解的層數)個小波包子空間中；

得到風電功率子序列、風速子序列、風向的正弦序列和風向的余弦序列。

5.根據權利要求4所述的一種基于二次模態分解和級聯深度學習的風電功率預測方法，其特征在于，所述通過CNN-GRU的級聯式深度學習模型提取所述二次模態分解后產生的各個時間子序列與風速之間的耦合關系特征，得到各個時間子序列的風電功率預測結果，包括：

將所述風電功率子序列、風速子序列、風向的正弦序列和風向的余弦序列拼接起來，形成1個m@T×n的時間序列，其中T為時間步長，n為特征數，m為通道數量；

搭建3個卷積層、1個扁平層的卷積神經網絡CNN模型，各個卷積核的數目分別為4、8和16；

設定所述卷積層的輸入為1@6×4的張量W_c，通過所述扁平層將最終的特征圖譜排列成1個y＝(y1，y2，...，y)^T的一維向量；

搭建3個網絡層的門控循環單元GRU，輸入經過卷積操作的特征向量y，進一步提取各個時間子序列之間的時間相關性，最后輸出各個時間子序列的風電功率預測結果