[發明專利]一種基于AEEMD和LSTM的風功率預測方法及裝置在審

申請號：	202210905924.0	申請日：	2022-07-29
公開（公告）號：	CN115392542A	公開（公告）日：	2022-11-25
發明（設計）人：	麻紅波;張澈;王曉寧;劉聰;崔源;王亮亮	申請（專利權）人：	北京華能新銳控制技術有限公司
主分類號：	G06Q10/04	分類號：	G06Q10/04;G06Q50/06;G06N3/00;G06N3/04;G06N3/08;H02J3/00
代理公司：	蘇州國誠專利代理有限公司 32293	代理人：	陳君名
地址：	102209 北京市昌平區北七家***	國省代碼：	北京;11
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 aeemd lstm 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】：

本申請提供了一種基于AEEMD和LSTM的風功率預測方法及裝置，通過采用基于模態分形特征的自適應集合經驗模態分解(Adaptive Ensemble Empirical Mode Decomposition,AEEMD)方法，根據不同模態分量展現出不同的分形維數，并采用粒子群優化算法尋優模態分量分形維最小時的白噪聲參數，能夠實現EEMD的最佳分解狀態，并結合具有良好的非線性建模能力的長短時記憶網絡(Long Short Term Memory,LSTM)對AEEMD分解得到的模態分量進行風功率預測，預測精度更高，從而能夠提高風能利用效率。

技術領域

本發明涉及風功率預測技術，尤其涉及一種基于AEEMD和LSTM的風功率預測方法及裝置。

背景技術

受到風速的間歇性和波動性特點影響，高比例風電接入電網會影響電力系統的穩定運行，且存在風電消納難度大、棄風等問題，對短期風功率準確預測成為有效利用風能的重要研究內容。

當前主要的風功率預測方法包括物理方法、統計方法。物理方法利用氣象信息作為初始邊界條件進行推理建模，但模型復雜且計算量較大。統計方法根據歷史數據獲得影響因素與風功率數據間的映射函數關系，模型精度對歷史數據依賴性較大。鑒于單一方法的局限性，基于數據分解技術的組合方法得到進一步應用。

集合經驗模態分解(Ensemble Empirical Mode Decomposition,EEMD)作為一種自適應的非線性信號分解方法，能將非線性信號分解為一系列不同特征尺度的模態分量，廣泛應用于風功率預測。然而，實際風功率數據大多表現出非線性、非平穩的特性，直接采用EEMD處理信號的分解效果較差，獲得的分量可能存在模態混疊效應。

發明內容

本發明的目的在于提供一種基于AEEMD和LSTM的風功率預測方法及相關裝置，以提高風能的利用效率。

以下給出一個或多個方面的簡要概述以提供對這些方面的基本理解。此概述不是所有構想到的方面的詳盡綜覽，并且既非旨在指認出所有方面的關鍵性或決定性要素亦非試圖界定任何或所有方面的范圍。其唯一的目的是要以簡化形式給出一個或多個方面的一些概念以為稍后給出的更加詳細的描述之序。

根據本發明的一方面，提供了一種基于AEEMD和LSTM的風功率預測方法，包括：

步驟1：獲取實際風電場的風功率數據，分析數據質量；

步驟2：基于分形維數原理，結合粒子群尋優算法，實現AEEMD對原始風功率數據的分解，獲得n個較平穩的模態分量imf；

步驟3：分別對n個模態分量構建LSTM模型，實現LSTM模型對模態分量的訓練與預測；

步驟4：疊加LSTM模型的預測結果，獲得對原始風功率數據的預測結果；

步驟5：對預測結果進行誤差分析，評估模型性能。

在一實施例中，所述步驟2包括：

步驟21：設置白噪聲幅值和加噪次數的取值范圍，初始化粒子群算法參數，將白噪聲幅值和加噪次數作為粒子位置；

步驟22：在不同的白噪聲幅值和加噪次數條件下，對信號進行EEMD分解，并計算所得模態的分形維數，作為對應情況下的適應度函數；