CN119514817A 一种超短期风电功率预测方法 （福建理工大学）

分解算法，将风电功率信号分解为一系列子信将数据送入搭建好的TCN_GRU预测网络，并将两本发明采用上述的一种超短期风电功率预测方法，模型的预测性能优于传统模型和基于TCN的2设x(t)={x(1),x(2)….,x(t)}表示原始时间序列数据，为通过CEEMDAN方法获得的第个r1(t)=x(t)-I丽F1(t)（3计算第k+1个模态：3异值分解表示为：之即：式中，第k个时间序列满足i+j=k+1的所有的平均值，使用皮尔逊相关系数来搜4定义为网络中第i个残差块中的第i个扩张卷积在时间t时的状态，残差块的输入"积的{w,v,b,e}不同；56;[0005]物理方法通常使用数值天气预报(NWP)的数据对风电涡轮机进行建模，将预测的形等因素作为边界层来预测未来48小时范围内的功7设x(t)={x(1),x(2).,x(t)}表示原始时间序列数据，为通过CEEMDAN方法获得的第个IMF，8r1(t)=x(t)-I丽F1(t)（3xi=vhu;v(i=1,2…d),d=maxfi:Ai>0}（10S33、分组：将X=X1+X+…+xa中的xi，i=1,2…,d分成m个不相交的子集X1=xu十xiz十…十xip（119反之即：式中，第k个时间序列满足i+j=k+1的所有yij的平均值，使用皮尔逊相关系数号划分为三类，合并中低两类，最终得到高频分量和低频分量两类，使用pyentrp库中的permutation_entropy定义为网络中第l个残差块中的第i个扩张卷积在时间t时的状态，残差块的输张卷积的{w,v,b,e}不同；图2是本发明一种超短期风电功率预测方法实施例的时间卷积网络TCN结构示意图5是本发明一种超短期风电功率预测方法实施例的1月份数据经CEEMDAN分解的图8是本发明一种超短期风电功率预测方法实施例的预测结果示意图中画框部分施例主要介绍与本发明联系最为紧密的技术改进方向_基于分解的[0026]风电场的发电量根据气象条件的变化而改变，因此存在高波动性和随机性的特解的方法已经被用于风力发电预测领域，例如经验模态分解(EMD)、集合经验模态分解实验已经表明分解的混合模型在提高预测精度方面是有效的，并且与单独的模型相比预测合来预测风速。使用经验模态分解对原始数据进行分解，并利用神经网络对各子序列建立原始时间序列通过使用EEMD分解成几个分量，并使用LSTM预测每个分量，并用贝叶斯优化解，并采用人工神经网络（ANN）和支持向量回归（SVR）建立预测模型。他们的研究表明频率序列的IMF1是最不规则的子序列并且表现出高随机性，SSA去噪技术可以降低IMF1输[0031]CEEMDAN和EEMD之间的主要区别在于它们添加白噪声分量的方法，EEMD将每个具有噪声的信号实现独立地分解为模式，从每个实现中获得的残差彼此不依赖。相比之下，因此，本实施例采用CEEMDAN信号分解算法，将风电功率信号分解为一系列子信设x(t)={x(1),x(2).,x(t)}表示原始时间序列数据，为通过CEEMDAN方法获得的第个IMF，r1(t)=x(t)-I丽F1(t)（3然后计算第k+1个模态：IMF1分量仍然有很强的波动且里面包含噪声，因此采用改进的奇异谱分析算法SSA对IMF1lxi=vhu;v(i=1,2…d),d=maxfi:Ai>0}（10S33、分组：将X=X+X+…+XU中的xi，i=1,2…,d分成m个不相交的子集X1=xu十xiz十…十xip（11反之即：式中，第k个时间序列满足i+j=k+1的所有yij的平均值。[0035]为了使去噪效果达到最佳，使用皮尔逊相关系数来搜索奇异谱分析算法的超参数。此处设置如果SSA算法分解后的IMF1分量相加结果与原始IMF1分量的皮尔逊相关系数差块;然后使用多个残差块进行特征提取，残差块之间通过ReLU激活函数激活的Skips连定义s0为网络中第i个残差块中的第i个扩张卷积在时间t时的状态，残差块的输张卷积的{w,v,b,e}是不同的；[0046]GRU网络的核心模块是更新门和重置门。输入变量XC和前一时刻的状态记录变量hr-1的分割矩阵通过带有Sigmoid的非线性变换输入到更新门，该门决定前一时刻的状态;[0054]最后应说明的是：以上实施例仅用以说明本发明的技术