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 PDFInfo
- 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- Withdrawn
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
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。
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)
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 |
-
2021
- 2021-01-28 CN CN202110117431.6A patent/CN112926398A/zh not_active Withdrawn
Patent Citations (1)
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)
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 |