欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024116872507
申请人: 华东交通大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种风电功率概率预测方法,其特征在于,所述方法包括:采集风电场集群所在区域的地理数据、天气特征数据以及风电场历史特征数据;

基于所述地理数据、所述天气特征数据以及所述风电场历史特征数据计算所述风电场集群所在区域的莫兰指数值,提取所述风电场集群所在区域之间的空间相关特征,并结合Copula的图网络模型进行进一步提取得到空间特征,根据所述莫兰指数值以及所述空间特征组成最终输入矩阵;

采用逐次变分模态分解所述风电场历史特征数据的风电功率时间序列数据,以得到初步分量,并采用自适应噪声完备集合经验模态分解所述初步分量,以得到若干分量,该步骤具体包括:将风电功率时间序列中的风电功率时间序列信号分解为L阶模态以及残差信号;

对所述L阶模态进行最小化约束,并采用第一预设滤波器最小化所述残差信号;

采用第二预设滤波器建立最后约束条件,并基于所述最后约束条件对所述L阶模态进行约束,以得到初步分量,最后约束是保证信号完全重建;

向逐次变分模态分解的高频子序列信号中添加高斯白噪声,以获得第一残差值;

定义所述自适应噪声完备集合经验模态分解生成的若干模态,并通过EMD加高斯白噪声后计算所述第一残差值的局部均值,以得到第二个残差值;

重复计算所有所述模态,并使余下的残差满足单调性,以得到若干分量;

采用精细复合多尺度加权排列熵计算所述若干分量的熵值,并采用均值法综合衡量分析所述若干分量的复杂度,以得到若干个综合分量;

将所述最终输入矩阵以及若干所述综合分量输入到带后馈注意力机制的MultiStacking模型,即FAAM-Stacking模型中,以得到最终确定性预测结果并验证性能;

根据所述最终确定性预测结果的误差并采用分布式核密度估计方法,以得到风电功率区间预测结果,并对所述风电功率区间预测结果进行验证。

2.根据权利要求1所述的风电功率概率预测方法,其特征在于,所述基于所述地理数据、所述天气特征数据以及所述风电场历史特征数据计算所述风电场集群所在区域的莫兰指数值,提取所述风电场集群所在区域之间的空间相关特征,并结合Copula的图网络模型进行进一步提取得到空间特征,根据所述莫兰指数值以及所述空间特征组成最终输入矩阵的步骤包括:基于所述地理数据、所述天气特征数据以及所述风电场历史特征数据计算所述风电场集群所在区域的莫兰指数值,以筛选出初步时空特征,其中,所述莫兰指数值的计算表达式为:;

;

式中,表示所述莫兰指数值,表示总数,表示要素i和要素j之间的空间权重,表示第i个值与平均值的偏差,表示第j个值与其平均值的偏差,表示所有空间权重的聚合;

建立Copula的图网络模型,利用相邻的所述风电场集群所在区域的位置关系组成图网络,通过Copula理论筛选出组成所述图网络的节点并提取出相关时空特征;

将所述初步时空特征以及所述相关时空特征进行组合以得到新的特征矩阵,并通过对所述特征矩阵进行互信息降维,以得到最终输入矩阵。

3.根据权利要求1所述的风电功率概率预测方法,其特征在于,所述风电功率时间序列信号分解为L阶模态以及残差信号的表达式为:;

式中,表示所述风电功率时间序列信号,表示所述L阶模态,表示所述残差信号。

4.根据权利要求1所述的风电功率概率预测方法,其特征在于,所述采用精细复合多尺度加权排列熵计算若干所述分量的熵值,并采用均值法综合衡量分析若干所述分量的复杂度,以得到若干个综合分量的步骤包括:对所述风电功率时间序列数据进行平均以构建若干个粗粒度时间序列;

对若干所述粗粒度时间序列进行相空间重构,以得到重构后的时间序列;

将所述重构后的时间序列按升序进行排列,得到排列后的时间序列;

计算所述排列后的时间序列中若干子序列的权重值;

基于若干所述子序列的权重值计算所述排列后的时间序列在每种排列模式下的加权概率值,并计算每种排列模式下所述排列后的时间序列出现所述加权概率值的平均频率;

计算所述排列后的时间序列的精细复合多尺度加权排列熵,以得到若干个分量的多个熵值;

基于均值法以及多个所述熵值得到若干所述分量的均值熵,根据相近的均值熵对分量重构。

5.根据权利要求4所述的风电功率概率预测方法,其特征在于,所述构建若干粗粒度时间序列的表达式为:;

式中,表示所述粗粒度时间序列,表示尺度因子,表示第个尺度因子,表示正整数,为中的整数,表示[1,]的整数,表示离散时间序列。

6.根据权利要求1所述的风电功率概率预测方法,其特征在于,所述将所述最终输入矩阵以及若干所述综合分量输入到FAAM-Stacking模型中,以得到最终确定性预测结果并验证性能的步骤包括:根据不同的幅值将所述综合分量以及所述最终输入矩阵输入到多模型融合的Multi-Stacking模型中,以得到若干预测值;

将若干所述预测值输入到后馈注意力机制中,以得到最终确定性预测结果;

采用标准均方根误差、平均绝对百分比误差以及决定系数验证所述最终确定预测结果;

7.根据权利要求6所述的风电功率概率预测方法,其特征在于,所述验证所述最终确定预测结果的表达式为:;

;

;

式中,表示所述标准均方根误差,表示平均绝对百分比误差,表示决定系数,表示实测最大值与最小值的差,表示总数,表示实测值,表示风电功率的预测值,表示测量值的平均值,表示正整数。

8.根据权利要求1所述的风电功率概率预测方法,其特征在于,所述并对所述风电功率区间预测结果进行验证的步骤包括:采用预测区间覆盖率以及预测区间平均宽带对所述风电功率区间预测结果进行验证。

9.根据权利要求8所述的风电功率概率预测方法,其特征在于,所述验证的表达式为:;

;

式中,表示所述预测区间覆盖率,表示所述预测区间平均宽带,表示总数,表示布尔量,表示样本数量,表示预测目标值的变化范围,、分别表示第个预测区间的上边界、第个预测区间的下边界。