[发明专利]一种风力发电数据修补方法和系统

说明书

本发明提供了一种风力发电数据修补方法和系统，包括：获取风力发电时序数据，并确定所述风力发电时序数据中缺失部分；以所述风力发电时序数据中缺失部分为界，利用集成经验模态分解算法进行双向模态分解得到多个双向模态数据序列和剩余分量；利用预先建立的双向预测模型对所述双向模态数据序列和剩余分量进行预测，得到双方向上的预测结果；将所述双方向上的预测结果进行拟合得到修补后的风力发电时序数据；本发明避免了直接对非平稳非线性的时间序列数据进行预测，有利于更精确的预测风电数据。

技术领域

本发明属于电力系统数据处理领域，尤其是涉及一种风力发电数据修补方法和系统。

背景技术

随着经济的迅猛发展，以煤炭、石油为代表的传统化石能源已不足以支撑巨大的电力需求。为了保证能源战略安全，各国开始大力开发新能源及可再生能源。风能作为一种绿色、安全、无污染的可再生能源，其开发难度低，利用效果好，是构建未来理想资源型社会的首选新型能源。现实中由于检测器损坏或通信问题等原因，采集到的风电数据常常出现不完整或异常等现象，为后续新能源数据分析工作带来了巨大困难，亟需对风电缺失数据进行修补。

针对时间序列缺失数据的修补，目前应用较多的算法有回归插补法、K近邻插补、多重填补法等传统的基于统计的方法，但该类方法对数据要求较高，存在较大的局限性。随着深度学习技术的发展，循环神经网络(RNN)、长短期记忆网络(LSTM)在时间序列分析上的作用日渐凸显，该方法考虑了数据间的时序关系，为预测引入了时序特征信息。考虑到风电数据是一种非平稳非线性的时间序列数据，随机性强，可预测性差，直接对其原始序列进行预测效果通常较差，需要对原始数据进行特征提取以提高预测精度。

发明内容

为克服上述现有技术的不足，本发明提出一种风力发电数据修补方法，包括：

获取风力发电时序数据，并确定所述风力发电时序数据中缺失部分；

以所述风力发电时序数据中缺失部分为界，利用集成经验模态分解算法进行双向模态分解得到多个双向模态数据序列和剩余分量；

利用预先建立的双向预测模型对所述双向模态数据序列和正向剩余分量进行预测，得到双方向上的预测结果；

将所述双方向上的预测结果进行拟合得到修补后的风力发电时序数据；

其中，所述双向预测模型的建立是以完整风电数据分别进行正向和反向的双向模态分解，利用正向模态数据序列和正向剩余分量与反向模态数据序列和反向剩余分量分别训练得到正向和反向上的双向长短期记忆网络模型。

优选的，所述双向预测模型的建立，包括：

将获取的完整风力发电时序数据利用集成经验模态分解算法进行正向和反向的双向模态分解，得到多个正向模态数据序列和反向模态数据序列以及正向和反向的剩余分量；

基于所述正向模态数据序列和正向剩余分量对长短期记忆网络模型进行训练，确定正向预测模型；

基于所述反向模态数据序列和反向剩余分量对长短期记忆网络模型进行训练，确定反向预测模型；

基于所述正向预测模型和所述反向预测模型构建双向预测模型。

优选的，所述基于所述正向模态数据序列和正向剩余分量对长短期记忆网络模型进行训练，确定正向预测模型，包括：

利用滑动窗口法，基于设定的正向输入步长以各正向模态数据序列或正向剩余分量的起始处为起点，以所述正向模态数据序列或正向剩余分量的结束处减去设定输出步长处为终点进行滑动窗口采样，得到各正向模态数据序列或正向剩余分量对应的输入数据，按照预设输出步长将所述输入数据之后的数据作为输出数据，得到各正向模态数据序列和正向剩余分量对应的输出数据；

基于所有输入数据和输出数据对长短期记忆网络模型进行训练，确定正向预测模型。