技术特征：
1.一种基于多时间尺度融合的中长期风力发电量预测方法，其特征在于，包括：s1、将风电场的历史发电量数据处理为月平均发电量和以月平均发电量为基准的日发电量距平；s2、结合月平均发电量数据，采用ls-svm实现月平均发电量预测值；s3、结合日发电量距平数据，使用eemd得到日发电量预测距平；s4、将日发电量预测距平叠加月平均发电量预测值，得到该月的日平均发电量，最终得到完整12个月的日发电量预测结果。2.根据权利要求1所述的一种基于多时间尺度融合的中长期风力发电量预测方法，其特征在于，步骤s1中，风电场的历史发电量数据在处理前首先剔除异常值，然后将无效日发电量数据通过插值替换补全。3.根据权利要求1所述的一种基于多时间尺度融合的中长期风力发电量预测方法，其特征在于，步骤s2的具体方法包括：s201、输入月平均发电量，通过ls-svm回归函数得到未来一个月的预测值；s202、将预测值作为输入，通过ls-svm回归函数进行下一个月的预测，并按照预测时间长度依次迭代预测之后的月度发电量。4.根据权利要求1所述的一种基于多时间尺度融合的中长期风力发电量预测方法，其特征在于，步骤s3的具体内容包括：s301、使用eemd对每个月的日发电量距平时间序列进行分解得到各个集成平均的imf和余项；s302、将各年相同月的各个imf和余项分别进行组合，每月使用最小二乘法训练并预测未来一年每月的日发电量距平。5.一种基于多时间尺度融合的中长期风力发电量预测系统，其特征在于，包括：历史数据处理模块，将风电场的历史发电量数据处理为月平均发电量和以月平均发电量为基准的日发电量距平；月平均发电量预测模块，结合月平均发电量数据，采用ls-svm实现月平均发电量预测值；日发电量预测距平模块，结合日发电量距平数据，使用eemd得到日发电量预测距平；叠加预测模块，将日发电量预测距平叠加月平均发电量预测值，得到该月的日平均发电量，最终得到完整12个月的日发电量预测结果。6.根据权利要求5所述的一种基于多时间尺度融合的中长期风力发电量预测系统，其特征在于，所述历史数据处理模块还包括：剔除单元，用于风电场的历史发电量数据在处理前首先剔除异常值；插值单元，将无效日发电量数据通过插值替换补全。7.根据权利要求5所述的一种基于多时间尺度融合的中长期风力发电量预测系统，其特征在于，所述月平均发电量预测模块包括：月预测单元，用于输入月平均发电量，通过ls-svm回归函数得到未来一个月的预测值；迭代预测单元，将预测值作为输入，通过ls-svm回归函数进行下一个月的预测，并按照预测时间长度依次迭代预测之后的月度发电量。8.根据权利要求5所述的一种基于多时间尺度融合的中长期风力发电量预测系统，其
特征在于，所述日发电量预测距平模块包括：分解单元，使用eemd对每个月的日发电量距平时间序列进行分解得到各个集成平均的imf和余项；训练预测单元，将各年相同月的各个imf和余项分别进行组合，每月使用最小二乘法训练并预测未来一年每月的日发电量距平。
技术总结
本发明提出一种基于多时间尺度融合的中长期风力发电量预测方法及系统，将风电场的历史发电量数据处理为月平均发电量和以月平均发电量为基准的日发电量距平；结合月平均发电量数据，采用LS-SVM实现月平均发电量预测值；结合日发电量距平数据，使用EEMD得到日发电量预测距平；将日发电量预测距平叠加月平均发电量预测值，得到该月的日平均发电量，最终得到完整12个月的日发电量预测结果。本发明结合不同时间尺度的融合模型进行中长期发电量预测，模型参数同时考虑发电量的季节变化和日变化等不同时间尺度的信号，适用性较强，不依赖于海量气象数值模拟和数据积累，为中长期发电量预测提供一种合理的理论依据和数据基础。预测提供一种合理的理论依据和数据基础。预测提供一种合理的理论依据和数据基础。
技术研发人员：向婕 雍正 续昱
受保护的技术使用者：国能日新科技股份有限公司
技术研发日：2021.05.28
技术公布日：2022/11/29