一种风能功率预测方法与流程

技术特征：
1.一种风能功率预测方法，其特征在于，其包括如下步骤：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；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，其中s为滑动步长，δ为窗口大小，i为滤波采样点；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；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；e对各预测分量的值进行加和，得到最终的预测输出。2.如权利要求1所述的一种风能功率预测方法，其特征在于：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，1找到时间序列x(t)所有的极值点；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)；3根据预设判据判断h(t)是否为imf,预设指标如下：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；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；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imf
k
(t)；5得到一个imf，就从原信号进行剔除，重复1-4，直到剩余r
n
(t)(r
n
(t)为单调序列或者常值序列)，最终得到原信号的ems分解：3.如权利要求1所述的一种风能功率预测方法，其特征在于，lstm神经网络的基本拓扑结构如下：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
f
t
＝σ(w
f
[h
t-1
，x
t
] b
f
)其中w
f
,b
f
为可学习的遗忘参数，用于记录该遗忘的信息；第二步：输入门，以多大概率加入新信息：i
t
＝σ(w
i
[h
t-1
，x
t
] b
i
)其中w
i
,b
i
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。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：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：o
t
＝σ(w
o
[h
t-1
，x
t
] b
o
)h
t
＝o
t
tanh(c
t
)o
t
用于有多少c
t
传递给h
t
，最终，输出隐状态，得到结果。

技术总结
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。其包括如下步骤：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；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，其中s为滑动步长，Δ为窗口大小，i为滤波采样点；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；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；e对各预测分量的值进行加和，得到最终的预测输出。得到最终的预测输出。得到最终的预测输出。


技术研发人员：麻红波 王晓宁 王传鑫 陈岩磊 刘聪 王宇 徐明寿
受保护的技术使用者：北京华能新锐控制技术有限公司
技术研发日：2022.05.31
技术公布日：2022/12/5