CN112926398A - 基于vmd-emd-wt信号分解和sdae深度学习模型的短期集群风电功率预测方法 - Google Patents

基于vmd-emd-wt信号分解和sdae深度学习模型的短期集群风电功率预测方法 Download PDF

Info

Publication number
CN112926398A
CN112926398A CN202110117431.6A CN202110117431A CN112926398A CN 112926398 A CN112926398 A CN 112926398A CN 202110117431 A CN202110117431 A CN 202110117431A CN 112926398 A CN112926398 A CN 112926398A
Authority
CN
China
Prior art keywords
sdae
vmd
emd
prediction
wind power
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202110117431.6A
Other languages
English (en)
Inventor
彭小圣
王洪雨
陈奕虹
和识之
王皓怀
王勃
车建峰
邓韦斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
China Electric Power Research Institute Co Ltd CEPRI
China Southern Power Grid Co Ltd
Original Assignee
Huazhong University of Science and Technology
China Electric Power Research Institute Co Ltd CEPRI
China Southern Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology, China Electric Power Research Institute Co Ltd CEPRI, China Southern Power Grid Co Ltd filed Critical Huazhong University of Science and Technology
Priority to CN202110117431.6A priority Critical patent/CN112926398A/zh
Publication of CN112926398A publication Critical patent/CN112926398A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Wind Motors (AREA)

Abstract

本发明提供一种基于VMD‑EMD‑WT信号分解和SDAE深度学习的短期集群风电功率预测优化方法，包括以下步骤：对原始特征数据库中多维NWP数据和风电场历史功率数据进行预处理后划分为训练集和测试集，利用VMD、EMD和WT对训练集风速和风向特征量进行分解后作为新训练集，将新训练集和测试集的风速和风向特征量输入SDAE进行深度学习，建立VMD‑SDAE、EMD‑SDAE和WT‑SDAE预测子模型；将三个预测子模型输出结果随机划分成几个集合，使用SVM算法对每个集合进行集成，产生单次集成结果；将所有单次集成结果再随机划分成几个集合，再利用SVM算法对每个集合进行集成，建立多重集成学习模型，输出预测结果。本发明具有更高准确性和更好鲁棒性，有效提升短期风电功率预测精度。

Description

基于VMD-EMD-WT信号分解和SDAE深度学习模型的短期集群风 电功率预测方法
技术领域
本发明涉及一种基于Variational Mode Decomposition-Empirical ModeDecomposition-Wavelet Transform(VMD-EMD-WT)信号分解和Stacked Denoising AutoEncoder(SDAE)深度学习模型的短期集群风电功率预测方法，属于集群风电功率短期预测领域。
背景技术
风电的间歇性、随机性和波动性对电网的安全稳定运行提出了极大的挑战，风电功率预测(WPP)是解决这一问题的有效途径之一。风电功率预测是通过气象预报数据、风电场运行状态数据等参数对风力发电未来出力进行预测，提高风力发电的可预见性。
目前，世界范围内的风电功率预测大多集中在对单一风电场的功率预测上,但单个风电场的功率预测并不能满足电网调度的需求,一方面，电力***作为一个整体，其不确定性的功率总量更受调度人员关注，而单个风电场的出力变化对调度而言作用并不突出；另一方面，为了对电网进行合理的实时调度以及对联络交换功率的有效控制，避免风电穿透功率提高而造成的脱网事件，需要对集群风电功率做出有效预测。集成WPP模型将多个子模型的优点相结合，比单一统计升尺度模型具有更高的准确性和更好的鲁棒性，能够有效提升集群短期风电功率预测的精度。根据WPP的结果，可以提前制定科学合理的发电计划，有利于电力***的经济调度和安全可靠。
发明内容
本发明的目的是提供一种基于VMD-EMD-WT信号分解和SDAE深度学习模型的短期集群风电功率预测方法，以解决上述背景技术中存在的问题。
本发明的目的由以下技术措施实现：
基于VMD-EMD-WT信号分解和SDAE深度学习的短期集群风电功率预测优化方法，其特征在于，包括以下步骤：
步骤1，对原始特征数据库中的多维数值天气预报(NWP)数据和风电场历史功率数据进行预处理；
步骤2，将预处理后数据划分为训练集和测试集，利用确定参数的变分模式分解(VMD)、经验模态分解(EMD)和小波变换(WT)对训练集的风速和风向特征量进行分解，得到从高频到低频段的大量特征；
所述的利用确定参数的VMD、EMD和WT对训练集的风速和风向特征量进行分解，具体参数设置如下：使用5-9层共计5层的VMD分解算法，1-5层共计5层的EMD分解算法，Sym2-4、Coif2-4及Db2-4为母小波函数的WT分解算法，WT分解层数为9层。
步骤3，将VMD、EMD和WT分解后的训练集的风速和风向特征量作为新训练集，将新训练集和测试集的风速和风向特征量作为测试集输入SDAE进行深度学习，建立VMD-SDAE、EMD-SDAE和WT-SDAE的预测子模型；
步骤4，使用SVM(Support Vector Machines)算法对上一步VMD-SDAE、EMD-SDAE和WT-SDAE三种预测子模型输出的结果进行集成，产生单次集成结果；
步骤5,将上一步产生的所有单次集成结果进一步利用SVM算法集成，建立多重集成学习模型，输出预测结果。
本发明提出了一种基于变分模式分解(VMD)、小波变换(WT)和经验模态分解(EMD)的、使用SVM作为集成算法三阶段的集成SDAE模型，并成功地将集成学习应用于短期集群风电功率预测中。
多重集成学习模型的建立具体包括以下两个步骤：
步骤1，将VMD-SDAE、EMD-SDAE和WT-SDAE三种预测子模型输出的结果进行加权，根据VMD、EMD和WT的不同输出，使用VMD-SDAE、EMD-SDAE和WT-SDAE的不同结果组合成n个集合，将n个集合利用SVM算法分别进行集成，产生n个单次集成结果。
步骤2，将上一步的n个单次集成结果进一步组成m个集合，将m个集合分别利用SVM算法分别进行集成，重复此步骤，直到m＝1，得到最终的预测结果(每一次划分的集合数可以人为确定)，至此建立了多重集成学习模型，并将模型应用于短期集群风电功率预测中。
本发明达到的有益效果是：本发明方法提出了一种基于变分模式分解(VMD)、小波变换(WT)和经验模态分解(EMD)、使用SVM作为集成算法三阶段的集成SDAE模型，并成功地将多重集成学习应用于短期集群风电功率预测中，进一步提高了风电功率预测的精度。该方法在集群风电功率预测领域具有更高的准确性和更好的鲁棒性，能够有效提高风电并网能力，减小弃风限电率，有利于电力***的经济调度和安全可靠运行。
附图说明
图1为本发明的整体流程结构框图。
具体实施方式
下面结合本发明实施方式中的附图进行具体的描述，本发明的目的是提供一种基于多重集成学习模型，提高集群风力发电功率预测精度的一种基于VMD-EMD-WT信号分解技术和SDAE深度学习模型多重集成的短期集群风电功率预测方法。
如图1所示，一种基于VMD-EMD-WT信号分解技术和SDAE深度学习模型多重集成的短期集群风电功率预测方法，本方法分为五个步骤来实现集群风电功率短期预测，包括以下步骤：
步骤1，对原始特征数据库中的多维NWP数据和风电场历史功率数据进行预处理；
步骤2，将预处理后数据集划分为训练集和测试集，利用确定参数的变分模式分解(VMD)、经验模态分解(EMD)和小波变换(WT)对训练集的风速和风向特征量进行分解，得到从高频到低频段的大量特征；
所述的利用确定参数的VMD、EMD和WT对训练集的风速和风向特征量进行分解，具体参数设置如下：使用5-9层共计5层的VMD分解算法，1-5层共计5层的EMD分解算法，Sym2-4、Coif2-4及Db2-4为母小波函数的WT分解算法，WT分解层数为9层。
步骤3，将VMD、EMD和WT分解后的训练集的风速和风向特征量作为新训练集，将新训练集和测试集的风速和风向特征量作为测试集输入SDAE进行深度学习，建立VMD-SDAE、EMD-SDAE和WT-SDAE的预测子模型；
步骤4，使用SVM算法对上一步VMD-SDAE、EMD-SDAE和WT-SDAE三种预测子模型输出的结果进行集成，产生单次集成结果，具体过程如下：
将VMD-SDAE、EMD-SDAE和WT-SDAE三种预测子模型输出的结果进行加权，根据VMD、EMD和WT的不同输出，使用VMD-SDAE、EMD-SDAE和WT-SDAE的不同结果组合成n个集合，将n个集合利用SVM算法分别进行集成，产生n个单次集成结果。
步骤5，将上一步产生的n个单次集成结果进一步组成m个集合，将m个集合分别利用SVM集成，重复此步骤，直到m＝1，得到最终的预测结果(每一次划分的集合数可以人为确定)，建立多重集成学习模型。
上述实施例仅说明了本发明的几种实施方式，但并不是用来限制本发明。还要指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (3)

1.基于VMD-EMD-WT信号分解和SDAE深度学习的短期集群风电功率预测优化方法，其特征在于，包括以下步骤：(1)首先对原始特征数据库中的多维数值天气预报NWP数据和风电场历史功率数据进行预处理；(2)将预处理后数据集划分为训练集和测试集，利用确定参数的变分模式分解(VMD)、经验模态分解(EMD)和小波变换(WT)对训练集的风速和风向特征量进行分解，得到从高频到低频段的大量特征；(3)将VMD、EMD、WT分解后的训练集的风速和风向特征量作为新训练集，将新训练集和测试集的风速和风向特征量作为测试集输入SDAE进行深度学习，建立VMD-SDAE、EMD-SDAE和WT-SDAE的预测子模型；(4)使用SVM算法对上一步VMD-SDAE、EMD-SDAE和WT-SDAE三种预测子模型输出的结果进行集成，产生单次集成结果；(5)将上一步产生的所有单次集成结果进一步利用SVM算法集成，建立多重集成学习模型，输出预测结果。
2.根据权利要求1所述的基于VMD-EMD-WT信号分解和SDAE深度学习的短期集群风电功率预测优化方法，其特征在于：步骤(2)所述的利用确定参数的VMD、EMD和WT对训练集的风速和风向特征量进行分解，具体参数设置如下：使用5-9层共计5层的VMD分解算法，1-5层共计5层的EMD分解算法，Sym2-4、Coif2-4及Db2-4为母小波函数的WT分解算法，WT分解层数为9层。
3.根据权利要求1所述的基于VMD-EMD-WT信号分解和SDAE深度学习的短期集群风电功率预测优化方法，其特征在于：多重集成学习模型的建立具体包括以下两个步骤：
(4.1)将VMD-SDAE、EMD-SDAE和WT-SDAE三种预测子模型输出的结果进行加权，根据VMD、EMD和WT的不同输出，使用VMD-SDAE、EMD-SDAE和WT-SDAE的不同结果组合成n个集合，将n个集合利用SVM算法分别进行集成，产生n个单次集成结果。
(4.2)将上一步的n个单次集成结果进一步组成m个集合，将m个集合分别利用SVM算法分别进行集成，重复此步骤，直到m＝1，得到最终的预测结果，至此建立了多重集成学习模型，并将模型应用于短期集群风电功率预测中。
CN202110117431.6A 2021-01-28 2021-01-28 基于vmd-emd-wt信号分解和sdae深度学习模型的短期集群风电功率预测方法 Withdrawn CN112926398A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110117431.6A CN112926398A (zh) 2021-01-28 2021-01-28 基于vmd-emd-wt信号分解和sdae深度学习模型的短期集群风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110117431.6A CN112926398A (zh) 2021-01-28 2021-01-28 基于vmd-emd-wt信号分解和sdae深度学习模型的短期集群风电功率预测方法

Publications (1)

Publication Number Publication Date
CN112926398A true CN112926398A (zh) 2021-06-08

Family

ID=76168036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110117431.6A Withdrawn CN112926398A (zh) 2021-01-28 2021-01-28 基于vmd-emd-wt信号分解和sdae深度学习模型的短期集群风电功率预测方法

Country Status (1)

Country Link
CN (1) CN112926398A (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860982A (zh) * 2020-07-06 2020-10-30 东北大学 一种基于vmd-fcm-gru的风电场短期风电功率预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860982A (zh) * 2020-07-06 2020-10-30 东北大学 一种基于vmd-fcm-gru的风电场短期风电功率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
彭小圣等: "A_Three-Stage_Ensemble_Short-Term_Wind_Power_Prediction_Method_Based_on_VMD-WT_Transform_and_SDAE_Deep_Learning", 《HTTPS://IEEEXPLORE.IEEE.ORG/STAMP/STAMP.JSP?TP=&ARNUMBER=9208460》 *

Similar Documents

Publication Publication Date Title
Jiang et al. Short-term wind power forecasting using hybrid method based on enhanced boosting algorithm
Zeng et al. Short-term wind power prediction using a wavelet support vector machine
CN102663513B (zh) 利用灰色关联度分析的风电场功率组合预测建模方法
CN103020743B (zh) 风电场超短期风速预测方法
CN102831475B (zh) 用于风电场功率预测模型的正弦归一化方法
CN105207197B (zh) 包含风电场的电力***可靠性评估方法
CN112580874A (zh) 一种基于随机森林算法和tcn的短期风电功率预测方法
CN103295077A (zh) 一种考虑预测误差分布特性的风电场集群调度方法
Liu et al. Short-term wind power forecasting based on TS fuzzy model
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
Zhang et al. Ultra-short term wind power prediction model based on modified grey model method for power control in wind farm
CN105956252A (zh) 基于生成型深信度网络的超短期风速多尺度预报建模方法
CN113850017B (zh) 一种基于潮流变化图谱的***级故障分析***及方法
Tasnim et al. Wind power prediction using cluster based ensemble regression
CN114021818A (zh) 一种考虑时空分布特征的风电功率多步预测方法
CN115034422A (zh) 基于波动识别和误差修正的风电短期功率预测方法和***
Jiaran et al. Intelligent combined prediction of wind power based on numerical weather prediction and fuzzy clustering
Moustris et al. Wind power forecasting using historical data and artificial neural networks modeling
CN105939014A (zh) 一种风电场站相关性指标获取方法
CN112926398A (zh) 基于vmd-emd-wt信号分解和sdae深度学习模型的短期集群风电功率预测方法
CN110635474B (zh) 一种基于长短期记忆网络的电网动态轨迹趋势预测方法
Hui et al. Short-term wind speed forecasting simulation research based on ARIMA-LSSVM combination method
Zhen et al. Multi-level wavelet decomposition based day-ahead solar irradiance forecasting
Lijuan et al. A novel model for wind power forecasting based on Markov residual correction
Yu et al. Spatio-temporal graph cross-correlation auto-encoding network for wind power prediction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20210608

WW01 Invention patent application withdrawn after publication