本发明涉及风力发电,具体涉及一种短期风电功率预测方法及系统。
背景技术:
1、风力发电系统的不断并网会对电力系统的安全性与稳定性造成较大的影响,因此准确的风力发电功率预测是十分必要的。目前主流的风电功率预测方法主要为基于物理模型的预测方法和基于大数据的统计预测方法,此外基于深度学习的风电功率预测方法也得到了国内外学者的广泛关注。但是传统的单一神经网络模型在进行风电功率预测时具有一定的局限性,此外由于风速的波动性以及不确定性较强,对风电功率预测的精度影响也较大。
技术实现思路
1、为此,本发明提供一种短期风电功率预测方法及系统,以解决现有风电功率预测方法存在的异常数据对预测精度影响大的问题。
2、为了实现上述目的,本发明提供如下技术方案:
3、根据本发明实施例的第一方面,提出一种短期风电功率预测方法,所述方法包括:
4、获取风电场的风电功率原始序列数据;
5、基于改进的emd分解算法,向风电功率原始序列中添加均值白噪声并进行多次emd分解及多频重构以剔除原始数据中的异常数据;
6、将处理后的风电功率序列数据分为训练集和测试集,基于所述训练集和测试集对预先构建的cnn-gru组合神经网络模型进行训练和验证,根据得到的cnn-gru组合神经网络模型输出风电功率预测值。
7、进一步地,获取风电场的风电功率原始序列数据,具体包括:
8、从一定时间段的风电功率历史数据中按照设定时间间隔进行数据采集,根据采集得到的数据构成风电功率原始序列。
9、进一步地,基于改进的emd分解算法,向风电功率原始序列中添加均值白噪声并进行多次emd分解及多频重构以剔除原始数据中的异常数据,具体包括:
10、向风电功率原始序列中添加均值白噪声:
11、
12、其中,s(t)为原始信号,st(t)为得到的t个初始噪声信号,ek-1为第k-1阶emd分量,ek为第k阶emd分量,ρ为添加的高斯白噪声;
13、对t个初始噪声信号进行emd分解得到第一阶本征模态分量
14、
15、其中,r1为经emd分解后得到的第一阶剩余分量;
16、将得到的t个本征分量求平均后得到第一阶emd分量:
17、
18、将原始信号减去得到的第一阶emd分量后得到emd一阶残差值r1(t):
19、r1(t)=s(t)-ee1
20、在r1(t)中再次加入高斯白噪声,对得到的信号再次进行emd分解得到第二阶模态分量
21、
22、将得到的t个本征分量求平均后得到第二阶emd分量:
23、
24、重复多次,直到得到的残差信号rk(t)无法被继续分解为止,此时原始信号被分解为:
25、
26、进一步地,所述cnn-gru组合神经网络模型包括输入层、多个卷积层和池化层、与池化层连接的gru层、与gru层连接的全连接层以及输出层。
27、进一步地,所述cnn-gru组合神经网络模型中激活函数采用改进激活函数y为:
28、
29、其中,a和b为修正系数,c为修正常数。
30、进一步地,所述池化层采用最大池化方式。
31、进一步地,所述方法还包括:
32、为了验证模型的预测精度,采用平均绝对误差vmax和均方根误差gmse作为模型精度的衡量标准;
33、当均方根误差gmse<第一预设阈值,平均绝对误差vmax<第二预设阈值时,则认为模型精度满足要求,若不满足则调整模型参数与算法参数重新迭代训练。
34、进一步地,所述方法还包括:
35、采用lm优化算法对cnn-gru组合神经网络模型进行训练直至模型收敛。
36、根据本发明实施例的第二方面,提出一种短期风电功率预测系统,所述系统包括:
37、数据获取模块,用于获取风电场的风电功率原始序列数据;
38、数据处理模块,用于基于改进的emd分解算法,向风电功率原始序列中添加均值白噪声并进行多次emd分解及多频重构以剔除原始数据中的异常数据;
39、风电功率预测模块,用于将处理后的风电功率序列数据分为训练集和测试集,基于所述训练集和测试集对预先构建的cnn-gru组合神经网络模型进行训练和验证,根据得到的cnn-gru组合神经网络模型输出风电功率预测值。
40、进一步地,所述数据处理模块,具体用于:
41、向风电功率原始序列中添加均值白噪声:
42、
43、其中,s(t)为原始信号,st(t)为得到的t个初始噪声信号,ek-1为第k-1阶emd分量,ek为第k阶emd分量,ρ为添加的高斯白噪声;
44、对t个初始噪声信号进行emd分解得到第一阶本征模态分量
45、
46、其中,r1为经emd分解后得到的第一阶剩余分量;
47、将得到的t个本征分量求平均后得到第一阶emd分量:
48、
49、将原始信号减去得到的第一阶emd分量后得到emd一阶残差值r1(t):
50、r1(t)=s(t)-ee1
51、在r1(t)中再次加入高斯白噪声,对得到的信号再次进行emd分解得到第二阶模态分量
52、
53、将得到的t个本征分量求平均后得到第二阶emd分量:
54、
55、重复多次,直到得到的残差信号rk(t)无法被继续分解为止,此时原始信号被分解为:
56、
57、本发明具有如下优点:
58、本发明提出的一种短期风电功率预测方法及系统,所述方法包括:获取风电场的风电功率原始序列数据;基于改进的emd分解算法,向风电功率原始序列中添加均值白噪声并进行多次emd分解及多频重构以剔除原始数据中的异常数据;将处理后的风电功率序列数据分为训练集和测试集,基于所述训练集和测试集对预先构建的cnn-gru组合神经网络模型进行训练和验证,根据得到的cnn-gru组合神经网络模型输出风电功率预测值。采用了多种算法相结合的方式,能够有效地对风电功率预测中的数据进行处理,提高模型训练的精度,并且模型结构进行优化,得到更加准确的风电功率预测值,提高了短期风电功率预测的精度。
1.一种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所述的一种短期风电功率预测方法,其特征在于,获取风电场的风电功率原始序列数据,具体包括:
3.根据权利要求1所述的一种短期风电功率预测方法,其特征在于,基于改进的emd分解算法,向风电功率原始序列中添加均值白噪声并进行多次emd分解及多频重构以剔除原始数据中的异常数据,具体包括:
4.根据权利要求1所述的一种短期风电功率预测方法,其特征在于,所述cnn-gru组合神经网络模型包括输入层、多个卷积层和池化层、与池化层连接的gru层、与gru层连接的全连接层以及输出层。
5.根据权利要求4所述的一种短期风电功率预测方法,其特征在于,所述cnn-gru组合神经网络模型中激活函数采用改进激活函数y为:
6.根据权利要求4所述的一种短期风电功率预测方法,其特征在于,所述池化层采用最大池化方式。
7.根据权利要求1所述的一种短期风电功率预测方法,其特征在于,所述方法还包括:
8.根据权利要求1所述的一种短期风电功率预测方法,其特征在于,所述方法还包括:
9.一种短期风电功率预测系统,其特征在于,所述系统包括:
10.根据权利要求9所述的一种短期风电功率预测系统,其特征在于,所述数据处理模块,具体用于: