本發(fā)明涉及長周期新能源出力預測領域，特別涉及一種基于emd-gru的長周期新能源功率-風險預測方法及系統(tǒng)。

背景技術：

1、目前，對于新能源出力預測方法和模型層出不窮，主要分為統(tǒng)計學方法，人工智能方法和組合方法。對于風力發(fā)電而言，考慮到風速、風向、溫度、濕度等環(huán)境因素對風電出力有著重要影響；而對于光伏發(fā)電，其出力與太陽輻照度成強線性關系，太陽輻照度的強弱受到多種因素的影響，包括太陽高度、日照時間、地理位置、大氣各項指標等。其中，風速、溫度、大氣指標等受到天氣狀況的影響，具有很強的隨機性；而太陽高度、日照時間則由地球的自轉與公轉決定，具有很強的周期性。因此，新能源出力預測的影響因子呈現(xiàn)出隨機性、波動性以及周期性的特征，同時是來自多維度的數(shù)據(jù)。另外，新能源出力時間序列是非平穩(wěn)非線性的信號，直接對其發(fā)電出力曲線進行時間序列預測具有較大困難。若借助統(tǒng)計學方法也很難處理高維數(shù)據(jù)尤其是這種非線性非平穩(wěn)的數(shù)據(jù)。

技術實現(xiàn)思路

1、為解決上述技術問題，本發(fā)明提出一種基于emd-gru的長周期新能源功率-風險預測方法及系統(tǒng)，先對新能源發(fā)電出力歷史數(shù)據(jù)信號進行時頻分解，對分解后的子序列分別進行時間序列分析與預測，再將子序列預測結果疊加得到最終的預測值。經過分解后的子序列仍具有一定的非平穩(wěn)、非線性的特性，為了提高預測的精度，考慮結合深度學習的模型與算法研究進展，選用gru網(wǎng)絡算法對子序列進行預測，本發(fā)明利用的組合方法在該領域具備創(chuàng)新性，在保障高預測精度的條件下，還可以提升訓練速度，簡化訓練流程。

2、emd（經驗模態(tài)分解）是一種非常實用的信號時-頻分析技術，與傳統(tǒng)的傅里葉分解和小波分解相比，傅里葉分解需要提取信號的全部時域信息，小波分解需要信息在頻域上是穩(wěn)定的，運用二者對非平穩(wěn)時間序列及非線性信號進行分解時，將導致難以提取信號的全部時-頻特性，會產生較大誤差。emd在對信號進行分解時，能夠體現(xiàn)信號自身的時域與頻域特征，不需要預先選擇基函數(shù)，是一種自適應的信號分解方法。

3、引入風險度和功率值刻畫新能源出力的時序波動特性，風險度作為表征電力品質的指標用于簡化描述新能源運行特征，將與風險度一一對應的功率值作為表征電力流量的指標用于描述電能供需規(guī)模，在考慮新能源波動特性的基礎上，簡單直觀快速的給出電源規(guī)劃結果和靈活性資源需求規(guī)模。

4、在眾多的人工智能模型算法中，lstm（長短期記憶網(wǎng)絡）算法因其具有長期記憶功能，可以有效利用有限數(shù)據(jù)樣本的長期依賴性、能夠有效刻畫新能源出力時間序列的復雜時間關聯(lián)性以及不容易產生梯度爆炸或消失的問題，在長周期新能源出力預測領域備受青睞。gru（門控循環(huán)單元）作為lstm的一種變體，與lstm?網(wǎng)絡相比，gru網(wǎng)絡的參數(shù)更少，且訓練速度更快，在預測過程中可以簡化算法流程。

5、為實現(xiàn)上述目的，本發(fā)明采用如下技術方案：

6、一種基于emd-gru的長周期新能源功率-風險預測方法，包括：

7、在歷史數(shù)據(jù)處理階段，收集某一年共365d每日24h的新能源發(fā)電出力的歷史數(shù)據(jù)；

8、對所獲取的歷史數(shù)據(jù)進行標準化處理，獲得標準化處理后的歷史數(shù)據(jù)的序列；

9、對標準化處理后的歷史數(shù)據(jù)的序列進行emd分解，根據(jù)歷史數(shù)據(jù)的具體情況決定分解的imf子序列的個數(shù)；分析imf子序列的特性，去除頻率最高和最低的imf子序列，保留其余的imf子序列與余量序列；imf表示本征模態(tài)函數(shù)；

10、對分解后的imf子序列進行出力曲線分割，提出風險度作為電夾點分析中描述電力品質的指標；

11、在出力預測階段，利用gru模型對各個imf子序列分別進行預測，輸入變量為各imf子序列和對應時間點的氣象因素數(shù)據(jù)，輸出為各imf子序列對應的預測結果；

12、通過對各imf子序列預測值的疊加，得到長周期新能源發(fā)電出力預測的最終結果。

13、進一步地，所述歷史數(shù)據(jù)來自相同高度、相同地理位置坐標，所有數(shù)據(jù)的分辨率統(tǒng)一為1h。

14、進一步地，標準化處理按照如下公式進行：

15、（1）

16、其中，為各歷史數(shù)據(jù)樣本，為樣本的均值，為樣本的標準差。

17、進一步地，所述對標準化處理后的歷史數(shù)據(jù)的序列進行emd分解，根據(jù)歷史數(shù)據(jù)的具體情況決定分解的imf子序列的個數(shù)；分析imf子序列的特性，去除頻率最高和最低的imf子序列，保留其余的imf子序列與余量序列包括：

18、首先找到原始信號的所有極大值點，通過三次樣條函數(shù)插值法擬合出極大值包絡線；找到原始信號的所有極小值點，通過三次樣條函數(shù)插值法擬合出極小值包絡線；t為任意具體時刻，計算上、下包絡的平均值：

19、（2）

20、將原始信號序列減去就得到一個去掉低頻的新信號：

21、（3）

22、重復上述過程，假定經過k次之后，滿足imf的定義，則原始信號的一階imf分量為：

23、（4）

24、用原始信號減去，得到一個去掉高頻成分的新信號：

25、（5）

26、根據(jù)重復得到的過程，得到第二個imf分量，如此反復進行，一直到第n階imf分量或殘余余量小于預設值；或當殘余分量是單調函數(shù)或常量時，emd分解過程停止；

27、最后，原始信號經emd分解，表示為：

28、（6）

29、其中，i為循環(huán)次序數(shù)，n為循環(huán)最終次數(shù)。

30、進一步地，所述對分解后的imf子序列進行出力曲線分割，提出風險度作為電夾點分析中描述電力品質的指標包括：

31、假設系統(tǒng)中風電出力為，光伏出力為，新能源出力為，其上下限分別為和；

32、將新能源出力曲線以為間隔劃分為n個區(qū)間，以功率下限為起始點，第n個區(qū)間的風險度表達式如下：

33、（7）

34、其中，代表字母t及其下角標，代表1個的時間間隔；n為區(qū)間個數(shù)，區(qū)間個數(shù)n<n，區(qū)間個數(shù)n能取到最大值為：

35、（8）

36、將間隔區(qū)間內的中間值作為對應風險度的功率值，第n個區(qū)間的風險度對應的功率值如下：

37、（9）。

38、進一步地，所述在出力預測階段，利用gru模型對各個imf子序列分別進行預測，輸入變量為各imf子序列和對應時間點的氣象因素數(shù)據(jù)，輸出為各imf子序列對應的預測結果包括：

39、更新門決定使用多少歷史信息和當前信息來更新隱含狀態(tài)；

40、第t時刻的更新門為：

41、（10）

42、其中，是門控更新信號，代表歷史t-1時刻的隱含狀態(tài)輸出，代表當前t時刻的輸入數(shù)據(jù)，是sigmoid函數(shù)，為權重矩陣；

43、重置門決定保留多少歷史信息，第t時刻的重置門為：

44、（11）

45、其中，為重置信號，為權重矩陣；

46、在更新門和重置門的作用下，當前時刻候選隱含狀態(tài)，隱含輸出狀態(tài)更新為：

47、（12）

48、其中，候選隱含狀態(tài)：

49、（13）

50、上式中，為候選隱含狀態(tài)，表示雙曲正切函數(shù)，為權重矩陣。

51、本發(fā)明還提供一種基于emd-gru的長周期新能源功率-風險預測系統(tǒng)，包括如下模塊：

52、歷史數(shù)據(jù)收集模塊，在歷史數(shù)據(jù)處理階段，收集某一年共365d每日24h的新能源發(fā)電出力的歷史數(shù)據(jù)；

53、標準化模塊，對所獲取的歷史數(shù)據(jù)進行標準化處理，獲得標準化處理后的歷史數(shù)據(jù)的序列；

54、分解模塊，對標準化處理后的歷史數(shù)據(jù)的序列進行emd分解，根據(jù)歷史數(shù)據(jù)的具體情況決定分解的imf子序列的個數(shù)；分析imf子序列的特性，去除頻率最高和最低的imf子序列，保留其余的imf子序列與余量序列；imf表示本征模態(tài)函數(shù)；

55、指標提出模塊，對分解后的imf子序列進行出力曲線分割，提出風險度作為電夾點分析中描述電力品質的指標；

56、預測模塊，在出力預測階段，利用gru模型對各個imf子序列分別進行預測，輸入變量為各imf子序列和對應時間點的氣象因素數(shù)據(jù)，輸出為各imf子序列對應的預測結果；

57、結果輸出模塊，通過對各imf子序列預測值的疊加，得到長周期新能源發(fā)電出力預測的最終結果。

58、進一步地，所述歷史數(shù)據(jù)收集模塊中的歷史數(shù)據(jù)來自相同高度、相同地理位置坐標，所有數(shù)據(jù)的分辨率統(tǒng)一為1h。

59、進一步地，所述標準化模塊的標準化處理按照如下公式進行：

60、（1）

61、其中，為各歷史數(shù)據(jù)樣本，為樣本的均值，為樣本的標準差。

62、進一步地，所述分解模塊實現(xiàn)：

63、首先找到原始信號的所有極大值點，通過三次樣條函數(shù)插值法擬合出極大值包絡線；找到原始信號的所有極小值點，通過三次樣條函數(shù)插值法擬合出極小值包絡線；t為任意具體時刻，計算上、下包絡的平均值：

64、（2）

65、將原始信號序列減去就得到一個去掉低頻的新信號：

66、（3）

67、重復上述過程，假定經過k次之后，滿足imf的定義，則原始信號的一階imf分量為：

68、（4）

69、用原始信號減去，得到一個去掉高頻成分的新信號：

70、（5）

71、根據(jù)重復得到的過程，得到第二個imf分量，如此反復進行，一直到第n階imf分量或殘余余量小于預設值；或當殘余分量是單調函數(shù)或常量時，emd分解過程停止；

72、最后，原始信號經emd分解，表示為：

73、（6）

74、其中，i為循環(huán)次序數(shù)，n為循環(huán)最終次數(shù)。

75、進一步地，所述指標提出模塊包括：

76、假設系統(tǒng)中風電出力為，光伏出力為，新能源出力為，其上下限分別為和；

77、將新能源出力曲線以為間隔劃分為n個區(qū)間，以功率下限為起始點，第n個區(qū)間的風險度表達式如下：

78、（7）

79、其中，代表字母t及其下角標，代表1個的時間間隔；n為區(qū)間個數(shù)，區(qū)間個數(shù)n<n，區(qū)間個數(shù)n能取到最大值為：

80、（8）

81、將間隔區(qū)間內的中間值作為對應風險度的功率值，第n個區(qū)間的風險度對應的功率值如下：

82、（9）。

83、進一步地，所述預測模塊實現(xiàn)：

84、更新門決定使用多少歷史信息和當前信息來更新隱含狀態(tài)；

85、第t時刻的更新門為：

86、（10）

87、其中，是門控更新信號，代表歷史t-1時刻的隱含狀態(tài)輸出，代表當前t時刻的輸入數(shù)據(jù)，是sigmoid函數(shù)，為權重矩陣；

88、重置門決定保留多少歷史信息，第t時刻的重置門為：

89、（11）

90、其中，為重置信號，為權重矩陣；

91、在更新門和重置門的作用下，當前時刻候選隱含狀態(tài)，隱含輸出狀態(tài)更新為：

92、（12）

93、其中，候選隱含狀態(tài)：

94、（13）

95、上式中，為候選隱含狀態(tài)，表示雙曲正切函數(shù)，為權重矩陣。

96、本發(fā)明還提供一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)上述的一種基于emd-gru的長周期新能源功率-風險預測方法的步驟。

97、本發(fā)明還提供一種非暫態(tài)計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)上述的一種基于emd-gru的長周期新能源功率-風險預測方法的步驟。

98、有益效果：

99、1.由于新能源出力具有較強隨機性和波動性，原始序列信息復雜，emd分解方法可以有效提取時序中各時頻的特征，預測誤差較小。

100、2.電夾點分析過程中，通過功率值和風險度分別描述新能源進行功率分布和電量水平，既能夠保障電源與負荷的供需能量平衡，又能慮及新能源運行特性對規(guī)劃結果的影響。

101、3.gru算法因其具有長期記憶功能，可以有效利用有限數(shù)據(jù)樣本的長期依賴性、能夠有效刻畫新能源出力時間序列的復雜時間關聯(lián)性以及不容易產生梯度爆炸或消失的問題，同時gru網(wǎng)絡的參數(shù)較少，且訓練速度更快，在預測過程中可以簡化算法流程。