超短期风电功率预测方法与流程

本发明涉及风电预测，具体地涉及一种超短期风电功率预测方法。

背景技术：

1、随着科技的不断进步，人们获取能源的方式也越来越多，例如风电。今年来，风电技术不断发展，相关技术不断成熟，使得风电单机容量和并网型风电场规模不断扩大，风电占电力系统发电总量的比例也逐年提高。

2、然而风能作为一种自然能源，其随机性和不可预测性非常高，对应的，导致风力发电装置存在极大的波动性和间歇性，并进而导致风电输出的不稳定，对电力系统的安全稳定、经济可靠运行构成严重威胁，因此，对风电功率的精确预测能够降低现有技术对电流系统的压力，保障能源的安全供用，提高风能的产业发展。

3、为了解决上述技术问题，技术人员采用了多种超短期风电功率预测方法对其进行预测，例如lstm、tcn等方法，然而在实际应用过程中，上述算法均为时间外推方法，其预测的精确性随着预测时间尺度的增加而不断下降，现有的预测方法很难直接从分散的时间点中找出可靠的依赖关系，时间依赖关系在复杂的时间模式中可能会被掩盖，因此无法满足实际需求，限制了风电技术的发展和应用。

技术实现思路

1、为了克服现有技术中存在的上述技术问题，本发明实施例提供一种超短期风电功率预测方法，通过对现有的风电功率预测方法进行改进，采用模态分解的方法对风电不同周期之间的隐藏关系进行分析，从而实现精确的风电功率预测效果。

2、为了实现上述目的，本发明实施例提供一种超短期风电功率预测方法，所述方法包括：获取历史超短期风电数据；对所述超短期风电数据进行模态分解，获得n个分解后数据，n为正整数；基于所述n个分解后数据生成对应的n个二维特征矩阵；将所述n个二维特征矩阵输入预设二维神经网络模型进行处理，获得对应的n个二维处理结果；对所述n个二维处理结果执行聚合操作，生成对应的超短期预测结果。

3、优选地，所述对所述超短期风电数据进行模态分解，获得n个分解后数据，包括：基于预设风电数据关联规则确定有关联数量n；基于双线性插值规则对所述超短期风电数据进行插值处理，获得插值后数据；对所述插值后数据执行重复筛除操作，获得筛除后数据；对所述筛除后数据执行模态分解操作，获得对应的多个数据分量；从所述多个数据分量中提取前n个数据分量，作为n个分解后数据。

4、优选地，所述筛除后数据包括有功功率，所述对所述筛除后数据执行模态分解操作，获得对应的多个数据分量，包括：确定所述筛除后数据中所有有功功率的极大值点和极小值点；基于所述极大值点确定对应的第一包络曲线，基于所述极小值点确定对应的第二包络曲线；基于所述第一包络曲线和所述第二包络曲线确定曲线平均值；基于所述曲线平均值对所述有功功率进行处理，生成对应的多个数据分量。

5、优选地，所述基于所述曲线平均值对所述有功功率进行处理，生成对应的的多个数据分量，包括：s2541)基于所述有功功率和所述曲线平均值生成第一处理信号；s2542)基于预设迭代规则对所述第一处理信号进行处理，生成第一数据分量；s2543)基于所述有功功率和所述第一数据分量生成第二处理信号；s2544)将所述第二处理信号作为新的第一处理信号，重复执行步骤s2541-s2543)，直至获得多个数据分量。

6、优选地，所述基于所述n个分解后数据生成对应的多个二维特征矩阵，包括：获取预设窗口大小；基于所述预设窗口大小对所述n个分解后数据进行二维特征处理，生成对应的n个初始二维矩阵；对所述n个初始二维矩阵进行优化处理，生成对应的n个二维特征矩阵。

7、优选地，所述基于所述预设窗口大小对所述n个分解后数据进行二维特征处理，生成对应的n个初始二维矩阵，包括：依次将每个分解后数据除以所述预设窗口大小，获得对应的n个初始矩阵；判断所述n个初始矩阵中是否存在非整除信号；若是，在所述n个初始矩阵中针对所述非整除信号沿时间维度执行补零操作，获得对应的n个初始二维矩阵。

8、优选地，所述方法还包括：在将所述n个二维特征矩阵输入所述预设二维神经网络模型之前，获取初始神经网络模型；基于残差神经网络对所述初始神经网络模型的回归层进行调整，获得调整后模型；基于二维训练矩阵对所述调整后模型进行训练，生成预设二维神经网络模型。

9、优选地，所述对所述n个二维处理结果执行聚合操作，生成对应的超短期预测结果，包括：基于预设概率计算规则对每个二维处理结果进行分析，确定每个二维处理结果中每个元素的归一化值，每个二维处理结果包括与所述预设窗口大小对应数量的元素；基于所述归一化值确定与每个二维处理结果对应的加权和；对所述加权和进行聚合操作，获得对应的超短期预测结果，所述超短期预测结果中包括与所述预设窗口大小对应数量的预测值。

10、优选地，所述方法还包括：基于预设采集周期从前一超短期预测结果中提取最近的周期预测值；获取与所述周期预测值对应的真实风电功率数据；基于所述真实风电功率数据对所述周期预测值进行误差分析，生成对应的误差补偿信息；获取最近m个误差补偿信息，基于最近m个误差补偿信息生成误差补偿数据；基于所述误差补偿数据对所述超短期预测结果进行补偿，生成补偿后的超短期预测结果。

11、通过本发明提供的技术方案，本发明至少具有如下技术效果：

12、通过利用历史超短期风电数据，对其进行模态分解，以充分挖掘其周期时间序列特征以及不同周期数据之间的隐藏关系，从而实现更精确的风电功率预测，有效提高了风电功率预测的精确性。

13、本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

技术特征：

1.一种超短期风电功率预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述超短期风电数据进行模态分解，获得n个分解后数据，包括：

3.根据权利要求2所述的方法，其特征在于，所述筛除后数据包括有功功率，所述对所述筛除后数据执行模态分解操作，获得对应的多个数据分量，包括：

4.根据权利要求3所述的方法，其特征在于，所述基于所述曲线平均值对所述有功功率进行处理，生成对应的的多个数据分量，包括：

5.根据权利要求1所述的方法，其特征在于，所述基于所述n个分解后数据生成对应的多个二维特征矩阵，包括：

6.根据权利要求5所述的方法，其特征在于，所述基于所述预设窗口大小对所述n个分解后数据进行二维特征处理，生成对应的n个初始二维矩阵，包括：

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

8.根据权利要求5所述的方法，其特征在于，所述对所述n个二维处理结果执行聚合操作，生成对应的超短期预测结果，包括：

9.根据权利要求1-8中任一权利要求所述的方法，其特征在于，所述方法还包括：

技术总结
本发明实施例公开了一种本发明实施例提供一种超短期风电功率预测方法，涉及风电预测技术领域，所述方法包括：获取历史超短期风电数据；对所述超短期风电数据进行模态分解，获得N个分解后数据，N为正整数；基于所述N个分解后数据生成对应的N个二维特征矩阵；将所述N个二维特征矩阵输入预设二维神经网络模型进行处理，获得对应的N个二维处理结果；对所述N个二维处理结果执行聚合操作，生成对应的超短期预测结果。通过利用历史超短期风电数据，对其进行模态分解，以充分挖掘其周期时间序列特征以及不同周期数据之间的隐藏关系，从而实现更精确的风电功率预测，有效提高了风电功率预测的精确性。

技术研发人员：孙世军,刘军,王立峰,袁帅,张旭,赵奎雨,宁暑光,孙浩宇
受保护的技术使用者：山东鲁软数字科技有限公司
技术研发日：
技术公布日：2024/2/19