[发明专利]一种短期风电功率组合预测方法

说明书

本发明公开了一种短期风电功率组合预测方法，它包括：首先利用自适应白噪声的完备总体经验模态分解算法对风电功率序列进行分解，得到子序列分量，并分别与气象变量数据构成训练集，使用时间模式注意力机制的时间卷积网络对子序列分量分别进行预测，重构预测结果后得到最终的预测值；本发明基于时间模式注意力机制的时间卷积网络结合预测模型能够更好的捕捉关键变量与风电功率之间的非线性联系，提高预测精度；本发明能够更加准确地识别风电功率变化趋势，在实际生产中能够为发电厂提供更准确的风电功率预测数据，是一种具有更好预测表现的组合预测方法。

技术领域

本发明涉及一种短期风电功率组合预测方法，属于风电功率预测技术领域。

背景技术

随着新能源发电的发展，风力发电逐渐成为了最为重要的绿色能源之一。近些年来的风力发电并网比例增长十分迅速，具有良好的发展前景。风力发电的出力功率具有间歇性和不稳定性的特征，会随着一些重要的因素而发生较大的波动，如日间风速、风向以及大气压的变化等。在提高风力发电系统并网运行的比例的同时，风力发电也会对电网的运行安全和稳定性造成比较大的影响。因此，如何提高风力发电的预测能力和精度，在目前的风电发电发展进程中显得尤为重要。

目前阶段，风电功率预测中使用较多的方法总的分为三类—物理方法，统计预测方法以及人工智能方法。其中，物理模型的建立过程较为复杂，其通过建立历史的风速、风向等气象数据与风电功率的函数关系模型实现对风电功率的预测。但由于风电功率信号具有典型非平稳时间序列的特征，传统的物理预测方法效果较差。相比较于物理预测方法，统计预测方法模型更简单。现有技术提出了一种多重离群点平滑转换自回归模型来预测风电功率；利用风电功率的季节性特点，提出了两种阈值自回归模型，对风电功率进行联合预测，其预测精度均好于传统的物理模型。人工智能方法通过对大量的历史记录数据(包括风速、风向和气压等关键因素)进行训练，并利用训练完毕的模型对时间序列的发展趋势进行预测，其中经典的方法有支持向量机和人工神经网络等。人工智能的预测方法能够更加有效地在时序建模中反应时间序列的变化趋势，但是单一的神经网络预测模型精度较低。

单一的预测方法得到的风电功率预测误差比较大，最主要的原因是风电系统受到各个外部干扰因素的影响很大，具有很强的不确定性和间歇性，这导致风电功率曲线称为一种典型的非平稳非线性的时间序列。针对风电功率的不平稳性，先对序列进行分解预测，再进行重构的组合预测方法能有效提高精度。其中，经验模态分解(empirical modedecomposition,EMD)变分模态分解(variational mode decomposition,VMD)和小波变换(wavelet wransform,WT)及其变式是处理非线性时间序列的有效方法。利用小波变换对原始序列分解，并通过支持向量机和人工神经网络进行预测。但其没有考虑关键变量的影响，预测方法精度有待改进。使用集合经验模态分解对序列进行预处理，再分别使用最小二乘支持向量机与小波神经网络进行预测并重构，但分解算法仍存在子序列模态混叠与白噪声难以消除的问题。同时，子分量数量过多会导致误差叠加，增大组合模型的预测误差

发明内容

本发明要解决的技术问题是：提供一种短期风电功率组合预测方法，以风电功率的预测准确率。

本发明采取的技术方案为：

一种短期风电功率组合预测方法，它包括：首先利用自适应白噪声的完备总体经验模态分解算法对风电功率序列进行分解，得到子序列分量，并分别与气象变量数据构成训练集，使用时间模式注意力机制的时间卷积网络对子序列分量分别进行预测，重构预测结果后得到最终的预测值。

所述利用自适应白噪声的完备总体经验模态分解算法对风电功率序列进行分解的方法为：在每一分解阶段添加自适应的高斯白噪声，通过计算残余信号r₁从而得到各个IMF分量；具体方法包括：