本發(fā)明屬于電力系統(tǒng)數(shù)據(jù)分析、新能源預(yù)測(cè)，具體涉及一種基于分解-重構(gòu)-集成的新能源出力自適應(yīng)預(yù)測(cè)方法。

背景技術(shù)：

1、以風(fēng)電、光伏發(fā)電為代表的新能源發(fā)電形式受到廣泛關(guān)注，其裝機(jī)容量逐年提升。然而，受到環(huán)境因素、地理位置等多種因素的影響，其出力具有較大的不穩(wěn)定性及波動(dòng)性，未來(lái)時(shí)刻出力的不確定性與不規(guī)律性對(duì)電網(wǎng)運(yùn)行造成較大影響。因此，準(zhǔn)確可靠的新能源預(yù)測(cè)近年來(lái)受到關(guān)注。常用方法有物理法、統(tǒng)計(jì)方法、機(jī)器學(xué)習(xí)方法。物理方法主要依據(jù)數(shù)值天氣預(yù)報(bào)和風(fēng)電場(chǎng)的地理位置特性，不依賴(lài)于海量的歷史氣候數(shù)據(jù)，但其預(yù)測(cè)的準(zhǔn)確性深受天氣預(yù)報(bào)精度和實(shí)際條件的影響；相較之下，統(tǒng)計(jì)方法在操作上更為簡(jiǎn)潔，數(shù)據(jù)需求較低，但在應(yīng)對(duì)異常情況時(shí)表現(xiàn)不佳；機(jī)器學(xué)習(xí)技術(shù)盡管需要海量的歷史觀測(cè)數(shù)據(jù)支撐，卻能夠?qū)崿F(xiàn)較為精準(zhǔn)的預(yù)測(cè)效果，模型調(diào)整靈活，且有潛力通過(guò)集成多種預(yù)測(cè)技術(shù)來(lái)增強(qiáng)預(yù)測(cè)的準(zhǔn)確度。然而，現(xiàn)有機(jī)器學(xué)習(xí)技術(shù)仍面臨兩個(gè)較為突出的問(wèn)題：

2、1.由于出力的不穩(wěn)定性及其波動(dòng)特性，直接對(duì)原始序列進(jìn)行模型建立存在一定難度。如何更加準(zhǔn)確深入分析原始序列特性，根據(jù)其特性對(duì)原始序列進(jìn)行自適應(yīng)處理，從而提升預(yù)測(cè)進(jìn)度，存在挑戰(zhàn)。

3、2.不同的序列具有不同的特性，采用同種神經(jīng)網(wǎng)絡(luò)對(duì)所有子序列進(jìn)行預(yù)測(cè)，無(wú)法達(dá)到最優(yōu)預(yù)測(cè)效果，且容易使模型自適應(yīng)性下降。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述新能源預(yù)測(cè)領(lǐng)域存在的復(fù)雜問(wèn)題，本發(fā)明提出了一種基于分解-重構(gòu)-集成的新能源出力自適應(yīng)預(yù)測(cè)方法，為提高新能源出力預(yù)測(cè)結(jié)果的準(zhǔn)確性提供了可行的解決方案。

2、本發(fā)明解決技術(shù)問(wèn)題所采用的技術(shù)方案是：

3、本發(fā)明提供了一種基于分解-重構(gòu)-集成的新能源出力自適應(yīng)預(yù)測(cè)方法，包括以下步驟：

4、步驟1.數(shù)據(jù)預(yù)處理；

5、步驟2.應(yīng)用iceemdan技術(shù)對(duì)風(fēng)力發(fā)電功率信號(hào)進(jìn)行分解與去噪處理；將原始復(fù)雜信號(hào)分解為一系列固有模態(tài)函數(shù)(imfs)；

6、步驟3.基于樣本熵的特性，對(duì)分解得到的信號(hào)分量進(jìn)行再整合。通過(guò)計(jì)算每個(gè)imf的樣本熵，將復(fù)雜度相近的imfs組合起來(lái)，形成新的子序列(重構(gòu)序列)，確保其復(fù)雜度一致性，進(jìn)而對(duì)重組的子序列進(jìn)行建模和預(yù)測(cè)。

7、步驟4.根據(jù)不同子序列以及模型特性，分別采用cnn和bilstm模型對(duì)各個(gè)子序列進(jìn)行預(yù)測(cè)，并將這些預(yù)測(cè)結(jié)果進(jìn)行集成，形成最終的預(yù)測(cè)輸出，并通過(guò)誤差評(píng)價(jià)指標(biāo)來(lái)驗(yàn)證模型的有效性。

8、進(jìn)一步地，步驟1所述數(shù)據(jù)預(yù)處理是對(duì)采集的數(shù)據(jù)進(jìn)行歸一化預(yù)處理。

9、進(jìn)一步地，步驟2包括以下幾個(gè)子步驟：

10、步驟2.1利用emd算法對(duì)信號(hào)x(t)進(jìn)行局部均值分解，得到序列xi(t)＝x(t)+ε0e1(ξi(t))，進(jìn)而獲得第一個(gè)殘差：r1＝<m(xi(t))>

11、其中，算子m(·)作用是計(jì)算所處理信號(hào)的局部平均值，ek(·)為通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解方法所得到的第k個(gè)固有模態(tài)函數(shù)，ξi為具有零均值和單位方差的高斯白噪聲，通過(guò)改進(jìn)的復(fù)合經(jīng)驗(yàn)?zāi)B(tài)分解噪聲輔助方法iceem?dan所產(chǎn)生的第k個(gè)模態(tài)分量,記為

12、步驟2.2根據(jù)第一階段(k＝1)的計(jì)算，得出第一模態(tài)分量：

13、步驟2.3估計(jì)第二個(gè)殘差，作為實(shí)現(xiàn)r1(t)+ε1e2[ξi(t)]的局部均值的平均值，并定義第二個(gè)模態(tài)分量，如下所示：

14、

15、步驟2.4對(duì)于后續(xù)階段k＝3,…,k，計(jì)算出第k個(gè)殘差：

16、rk(t)＝<m(rk-1(t))+ωk-1ek(ξi(t)))>???(2-2)

17、計(jì)算得到第k個(gè)模態(tài)分量:

18、

19、步驟2.5重復(fù)步驟2.4，得到下一個(gè)k，直到所有模態(tài)分量被提取。

20、進(jìn)一步地，步驟3包括以下幾個(gè)子步驟：

21、步驟3.1計(jì)算每個(gè)imf的樣本熵

22、樣本熵用se(n,ɑ)表示，描述如下：

23、

24、其中，m代表序列的總長(zhǎng)度；n表示考慮的維度；ɑ是相似的容差；rn+1(ɑ)和rn(ɑ)分別表示在給定閾值ɑ下兩個(gè)序列匹配n或n+1個(gè)點(diǎn)的概率，當(dāng)m被賦予一個(gè)有限值時(shí)，根據(jù)式(3-1)得到的估計(jì)樣本熵計(jì)算，用se(n,ɑ,m)表示：

25、

26、步驟3.2將復(fù)雜度相近的imfs組合起來(lái)，形成新的子序列(重構(gòu)序列)，為下一步對(duì)重組的子序列進(jìn)行建模和預(yù)測(cè)建立條件。

27、本發(fā)明的優(yōu)點(diǎn)和積極效果是：

28、本發(fā)明提供的一種基于分解-重構(gòu)-集成的新能源出力自適應(yīng)預(yù)測(cè)方法，其可以達(dá)到的有益效果為：通過(guò)構(gòu)建“分解-重構(gòu)”策略，利用改進(jìn)自適應(yīng)噪聲完全集合經(jīng)驗(yàn)?zāi)B(tài)分解算法及基于樣本熵的序列重構(gòu)策略，準(zhǔn)確挖掘原始時(shí)間序列的頻率特性，將其分解為具有不同頻率特性的子序列，并對(duì)將復(fù)雜度相近的子序列再次重構(gòu)，分別采用不同的神經(jīng)網(wǎng)絡(luò)模型開(kāi)展預(yù)測(cè)，一方面提升新能源預(yù)測(cè)模型對(duì)不同特性的時(shí)間序列分解的自適應(yīng)性，另一方面可進(jìn)一步提升預(yù)測(cè)精度。

技術(shù)特征：

1.一種基于分解-重構(gòu)-集成的新能源出力自適應(yīng)預(yù)測(cè)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于分解-重構(gòu)-集成的新能源出力自適應(yīng)預(yù)測(cè)方法，其特征在于，步驟1所述數(shù)據(jù)預(yù)處理是對(duì)采集的數(shù)據(jù)進(jìn)行歸一化預(yù)處理。

3.根據(jù)權(quán)利要求1所述的基于分解-重構(gòu)-集成的新能源出力自適應(yīng)預(yù)測(cè)方法，其特征在于，步驟2包括以下幾個(gè)子步驟：

4.根據(jù)權(quán)利要求1所述的基于分解-重構(gòu)-集成的新能源出力自適應(yīng)預(yù)測(cè)方法，其特征在于，步驟3包括以下幾個(gè)子步驟：

技術(shù)總結(jié)
本發(fā)明提供了一種基于分解?重構(gòu)?集成的新能源出力自適應(yīng)預(yù)測(cè)方法，首先對(duì)數(shù)據(jù)預(yù)處理，再應(yīng)用ICEEMDAN技術(shù)對(duì)風(fēng)力發(fā)電功率信號(hào)進(jìn)行分解與去噪處理；將原始復(fù)雜信號(hào)分解為一系列固有模態(tài)函數(shù)IMFs；計(jì)算每個(gè)IMF的樣本熵，將復(fù)雜度相近的IMFs組合起來(lái)，形成新的子序列；最后根據(jù)不同子序列以及模型特性，分別采用CNN和BiLSTM模型對(duì)各個(gè)子序列進(jìn)行預(yù)測(cè)。本發(fā)明一方面提升新能源預(yù)測(cè)模型對(duì)不同特性的時(shí)間序列分解的自適應(yīng)性，另一方面可進(jìn)一步提升預(yù)測(cè)精度。

技術(shù)研發(fā)人員：王俊毅,金堯,陳亮,賀春,袁中琛,趙玉新,康寧,韓磊,黃家凱,呂慧婕
受保護(hù)的技術(shù)使用者：國(guó)網(wǎng)天津市電力公司電力科學(xué)研究院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6