[发明专利]基于VMD和CNN-LSTM的风功率概率预测模型

说明书

本发明公开了提出了基于VMD和CNN‑LSTM的风功率概率预测模型，属于新能源发电和智能电网的技术领域，包含以下内容，首先使用VMD技术将原始风功率数据序列分解为一系列特征互异的模态分量，再通过卷积神经网络(convolutional neural network，CNN)提取反映各模态分量动态变化的高阶特征。长短期记忆(long short‑term memory，LSTM)循环神经网络基于提取的高阶特征进行分位数回归建模，预测未来任意时刻不同分位数条件下的风功率值。最后利用核密度估计(kernel density estimation,KDE)得到风功率概率密度曲线。采用本发明方法，该模型能够在保证了对风功率点预测准确性的同时，实现高可靠性和敏锐度的风功率区间预测以及可靠有效的风功率概率预测。

技术领域

本发明属于新能源发电和智能电网的技术领域，涉及基于VMD和CNN-LSTM的风功率概率预测模型。

背景技术

作为清洁和经济的发电资源，风能已在现代电力系统中得到越来越多的普及。然而，由于风能本身具有的随机性、波动性以及间歇性，风能的大规模并网给电力系统的供电侧的安全运行和风能消纳利用带来了很大的不确定性和风险，这使系统的运行更具挑战性。

为了减少风功率的不确定性对电力系统运行的不利影响，已有较多学者进行了一系列研究以提高风功率的预测准确性。风功率的点预测模型主要有三类，分别为统计模型，机器学习模型以及深度学习模型。典型的统计模型是时间序列模型，如自回归和自回归移动平均等；机器学习模型包括多层感知器，支持向量机，随机森林等；深度学习模型中，卷积神经网络和深度置信网络等广泛应用于提取复杂序列中非线性的高阶的动态特征,长短期记忆网络、门限循环网络等适合对序列数据建立时序模型。以上所提模型都为点预测模型，得到的是未来风功率的确定性值，但并不能准确形容风功率的不确定性。在风电功率强波动时，点预测的结果可靠性可能较低，不能满足现实的调度需求。因此，风功率的概率预测与区间预测更具有实际的应用意义，成为最近的热点研究方向。区间预测能够提供高置信度的预测区间，概率预测可以得到预测结果的概率密度函数曲线，两者能够为调度部门提供更多的决策信息。

区间预测与概率预测通常以分位数回归(Quantile Regression，QR)与点预测模型相结合的组合模型来实现。有学者将分位数回归与极限学习机结合，实现了风功率概率密度预测。但极限学习机等传统机器学习方法只能进行浅层学习，难以提取风功率的高阶的动态特征；有学者提出基于深度学习的概率预测模型，将QR与LSTM或MGM结合，再经过KDE实现概率预测，使预测效果有一定程度的提高。

为进一步提高风功率预测精度，许多学者提出了数据分解技术与预测模型相结合的组合模型。常见的数据分解方法有经验模态分解，集总经验模态分解，经验小波变换，变分模态分解等。通常使用数据分解技术将原始风功率序列其分解成有限个特征互异的分量，然后对每个分量分别建立预测模型，或者将各分量作为单个预测模型的输入特征。

基于已有研究，本发明提出了基于VMD和QRCNN-LSTM的风功率概率预测模型，以实现对风功率准确的点预测和可靠的区间预测与概率预测。首先，为了分析风功率周期性、随机性的变化特点，该模型采用VMD将原始风功率序列分解为有限个子序列，即固有模态分量(Intrinsic Mode Functions,IMF)。然后使用CNN提取各模态分量的具有复杂动态变化特性的高阶特征，再使用LSTM构建结合分位数回归的预测模型，最后利用KDE得到风功率概率密度函数曲线。使用国内某风电场的实际风功率数据进行测试，并与其他预测模型进行对比，结果分析表明本发明所提模型能够达到更优的预测性能。

发明内容

发明目的：本发明提供一种在保证了点预测准确性的同时，实现高可靠性和敏锐度的区间预测以及可靠有效的概率预测的基于变分模态分解和相关向量机的风功率区间短期预测方法。

技术方案：本发明公开了基于VMD和CNN-LSTM的风功率概率预测模型，其特征在于，包括以下步骤：