一种风能功率预测方法与流程

1.本发明涉及风能功率预测的技术领域，具体为一种风能功率预测方法。


背景技术：

2.风电机不仅可以缓解了电能短缺地区的用电压力，同时也减少了环境的污染，成为新世纪的能源“新宠”。然而由于风具有随机性、间歇性与波动性的特征，使得风电在引入电力系统时，需要事先进行风能功率预测，才能达到最优的容量调度和电网运行。
3.目前现有的方法有基于建模的方法与基于数据驱动的方法，建模方法利用控制大气行为的物理规律模拟风电场的局部气流场，对气流场进行数学建模，从而计算相应的风力发电机组发电量。基于数据驱动的方法，利用scada 数据进行统计分析，建立概率模型，或利用scada数据建立神经网络模型，利用神经网络的强大拟合能力建立复杂的函数映射关系。风场中大量积累的 scada运行数据中蕴含着风机服役时间内的大量有价值的信息，风机的运行状态、对周围环境的感知与反馈等都记录在scada数据中。
4.基于模型的风力风功率预测方法由于需要控制大气行为的物理规律模拟风电场的局部气流场，因此需要考虑复杂的物理问题(例如风能的湍流)，然而，对于模型进行简化又往往容易无法满足风功率的预测精度要求。
5.利用基于数据驱动的方法对风电功率进行预测可借助大数据的支撑，因此，对数据的深度挖掘可以有效的获取到风功率变化的自然信息，并且基于数据驱动的方式对风机发电机组进行风电功率预测控制已成为新的研究热点。
6.故急需一种基于数据驱动的方法来进行风能功率预测，从而提高预测精度。


技术实现要素：

7.针对上述问题，本发明提供了一种风能功率预测方法，其将基于经验模态分解emd和lstm神经网络相结合，组合成为基于emd的lstm神经网络风功率预测方法，其可以预测10min内的风能功率，其预测精度高。
8.一种风能功率预测方法，其特征在于，其包括如下步骤：
9.a选择现场scada运行数据中的风速、风功率、风向、温度、天气预报风速作为数据的输入，对各时间序列变量进行经验模态分解；
10.b获取到各时间序列的ems分解，考虑到数据点较多，利用滑动窗口平均滤波对数据进行处理，
[0011][0012]
其中s为滑动步长，δ为窗口大小，i为滤波采样点；
[0013]
c对每个分解且滤波后的数据进行整理，作为lstm神经网络的输入；
[0014]
d通过步骤c数据的输入、通过lstm神经网络输出最终预测，获得预测分量数据；
[0015]
e对各预测分量的值进行加和，得到最终的预测输出。
[0016]
其进一步特征在于：
[0017]
步骤a中，对各时间序列变量分别进行经验模态分解，分解步骤如下，
[0018]
1找到时间序列x(t)所有的极值点；
[0019]
2用3次样条曲线拟合出上下极值点的包络线e
max
(t)和e
min
(t)，并求出上下包络线的平均值m(t)，获取h(t)＝x(t)-m(t)；
[0020]
3根据预设判据判断h(t)是否为imf，预设指标如下：
[0021]
1)在整个数据段内，极值点的个数和过零点的个数必须相等或相差最多不能超过一个；
[0022]
2)在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零，即上、下包络线相对于时间轴局部对称；
[0023]
4如果不满足步骤3的预设指标，则以h(t)代替x(t)，重复以上步骤直到h(t) 满足判据，则h(t)就是需要提取的imfk(t)；
[0024]
5得到一个imf，就从原信号进行剔除，重复1-4，直到剩余rn(t)(rn(t)为单调序列或者常值序列)，最终得到原信号的ems分解：
[0025]
步骤d中，lstm神经网络的基本拓扑结构如下：
[0026]
第一步：遗忘门，新输入x(t)与前状态h
t-1
计算遗忘门输出f
t
[0027]ft
＝σ(wf[h
t-1
，x
t
] bf)
[0028]
其中wf，bf为可学习的遗忘参数，用于记录该遗忘的信息；
[0029]
第二步：输入门，以多大概率加入新信息：
[0030]it
＝σ(wi[h
t-1
，x
t
] bi)
[0031][0032]
其中wi，bi是需要学习的参数(判断有多少信息需要添加)，为候选信息，表示当前与历史信息的所有信息。
[0033]
第三步：更新细胞状态，将前一时刻的历史信息与当前的候选信息进行线性组合，得到当前细胞状态：
[0034][0035]
第四步：获取到细胞状态后，为更好的将隐藏状态传递下去，需要结合当前状态输出：
[0036]ot
＝σ(wo[h
t-1
，x
t
] bo)
[0037]ht
＝o
t
tanh(c
t
)
[0038]ot
用于有多少c
t
传递给hy，最终，输出隐状态，得到结果。
[0039]
采用本发明后，将原始数据scada中的有利于预测功率的信息通过基于经验模态分解emd进行解耦，利用lstm神经网络的长记忆特性有利于充分的提取scada时间序列的变量间的相关性与变量的自相关性，考虑到风力发电的强间歇性和多重分形特性，利用经验模态分解可以有效挖掘出scada数据中的隐藏的风电功率变化信息，同时利用lstm神经网络有利于将时间序列类型的scada数据变量间的相关性进行处理，将变量间的有效信息进一步抽象，得到的高级特征更有利于风电功率预测。
附图说明
[0040]
图1为本发明方法的模型框图；
[0041]
图2为本发明的lstm神经网络的基本拓扑结构。
具体实施方式
[0042]
一种风能功率预测方法，见图1和图2，其包括如下步骤：
[0043]
a选择现场scada运行数据中的风速、风功率、风向、温度、天气预报风速作为数据的输入，对各时间序列变量进行经验模态分解；对各时间序列变量分别进行经验模态分解，分解步骤如下：
[0044]
1找到时间序列x(t)所有的极值点；
[0045]
2用3次样条曲线拟合出上下极值点的包络线e
max
(t)和e
min
(t)，并求出上下包络线的平均值m(t)，获取h(t)＝x(t)-m(t)；
[0046]
3根据预设判据判断h(t)是否为imf,预设指标如下：
[0047]
1)在整个数据段内，极值点的个数和过零点的个数必须相等或相差最多不能超过一个；
[0048]
2)在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零，即上、下包络线相对于时间轴局部对称；
[0049]
4如果不满足步骤3的预设指标，则以h(t)代替x(t)，重复以上步骤直到h(t) 满足判据，则h(t)就是需要提取的imfk(t)；
[0050]
5得到一个imf，就从原信号进行剔除，重复1-4，直到剩余rn(t)(rn(t)为单调序列或者常值序列)，最终得到原信号的ems分解：
[0051]
b获取到各时间序列的ems分解，考虑到数据点较多，利用滑动窗口平均滤波对数据进行处理，
[0052][0053]
其中s为滑动步长，δ为窗口大小，i为滤波采样点。
[0054]
c对每个分解且滤波后的数据进行整理，作为lstm神经网络的输入。
[0055]
d通过步骤c数据的输入、通过lstm神经网络输出最终预测，获得预测分量数据；lstm神经网络的基本拓扑结构如下：
[0056]
第一步：遗忘门，新输入x(t)与前状态h
t-1
计算遗忘门输出f
t
[0057]ft
＝σ(wf[h
t-1
，x
t
] bf)
[0058]
其中wf，bf为可学习的遗忘参数，用于记录该遗忘的信息；
[0059]
第二步：输入门，以多大概率加入新信息：
[0060]it
＝σ(wi[h
t-1
，x
t
] bi)
[0061][0062]
其中wi，bi是需要学习的参数(判断有多少信息需要添加)，为候选信息，表示当
前与历史信息的所有信息。
[0063]
第三步：更新细胞状态，将前一时刻的历史信息与当前的候选信息进行线性组合，得到当前细胞状态：
[0064][0065]
第四步：获取到细胞状态后，为更好的将隐藏状态传递下去，需要结合当前状态输出：
[0066]ot
＝σ(wo[h
t-1
，x
t
] bo)
[0067]ht
＝o
t
tanh(c
t
)
[0068]ot
用于有多少c
t
传递给h
t
，最终，输出隐状态，得到结果。
[0069]
e对各预测分量的值进行加和，得到最终的预测输出。
[0070]
其将原始数据scada中的有利于预测功率的信息通过基于经验模态分解 emd进行解耦，利用lstm神经网络的长记忆特性有利于充分的提取scada时间序列的变量间的相关性与变量的自相关性，考虑到风力发电的强间歇性和多重分形特性，利用经验模态分解可以有效挖掘出scada数据中的隐藏的风电功率变化信息，同时利用lstm神经网络有利于将时间序列类型的scada数据变量间的相关性进行处理，将变量间的有效信息进一步抽象，得到的高级特征更有利于风电功率预测，该方案可以预测10min内的风能功率。
[0071]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
[0072]
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。