(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210984986.5 (22)申请日 2022.08.16 (71)申请人 广东电网有限责任公司 地址 510000 广东省广州市越秀区东 风东 路757号 申请人 广东电网有限责任公司电力调度控 制中心 (72)发明人 陆秋瑜　刘洋　杨银国　于珍　 李力　骆晓明　闫斌杰　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 专利代理师 严静 (51)Int.Cl. H02J 3/00(2006.01) H02J 3/38(2006.01)G06F 17/14(2006.01) G06K 9/00(2022.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) (54)发明名称 一种基于小波变换的风电功率预测方法及 装置 (57)摘要 本发明公开的一种基于小波变换的风电功 率预测方法及装置， 通过经验小波变换技术将获 取的风电功率时间序列分解为多个风电功率子 序列， 对所述多个风电功率子序列进行归一化处 理， 得到多个归一化风电功率子序列； 基于预构 建的预测模 型， 分别对所述多个归一化风电功率 子序列进行结果预测， 得到多个归一化风电功率 子序列预测结果； 对所述多个归一化风电功率子 序列预测结果进行叠加和反归一化处理， 得到第 一风电功率预测序列； 与现有技术相比， 本发明 提供的技 术方案能提高预测的准确性。 权利要求书2页 说明书11页 附图1页 CN 115360698 A 2022.11.18 CN 115360698 A 1.一种基于小 波变换的风电功率预测方法， 其特 征在于， 包括： 基于经验小波变换技术将 获取的风电功率 时间序列分解为多个风电功率子序列， 对所 述多个风电功率子序列进行归一 化处理， 得到多个归一 化风电功率子序列； 基于预构建的预测模型， 分别对所述多个归一化风电功率子序列进行结果预测， 得到 多个归一 化风电功率子序列预测结果； 对所述多个归一化风电功率子序列 预测结果进行叠加和反归一化处理， 得到第 一风电 功率预测序列。 2.如权利要求1所述的一种基于小波变换的风电功率预测方法， 其特征在于， 得到第 一 风电功率预测序列后， 还 包括： 获取所述风电功率 时间序列与风电校正功率的第 一误差， 获取所述第 一风电功率预测 序列与所述风电功率时间序列的第二 误差； 基于所述第一误差和所述第二误差， 得到实时误差校正函数， 并基于所述实时误差校 正函数， 对所述第一 风电功率预测序列进行误差校正， 得到第二 风电功率预测序列； 将所述第二风电功率预测序列代入预设的风电功率无功裕度关系式中， 计算得到预测 风电功率无功裕度。 3.如权利要求1所述的一种基于小波变换的风电功率预测方法， 其特征在于， 获取的风 电功率时间序列分解 为多个风电功率子序列前， 还 包括： 对获取的风电功率时间序列进行预处理， 其中， 所述预处理包括： 去除所述风电功率 时 间序列中的异常数据、 补足所述风电功率时间序列中的缺失数据， 并对所述风电功率时间 序列进行平稳化处 理。 4.如权利要求1所述的一种基于小波变换的风电功率预测方法， 其特征在于， 基于经验 小波变换技 术将获取的风电功率时间序列分解 为多个风电功率子序列， 具体包括： 获取所述风电功率 时间序列的傅里叶频谱， 并将所述傅里叶频谱分割成多个连续的频 率区域； 对每个频率区域构建经验尺度函数和经验小波函数， 对所述风电功率 时间序列与 所述 经验小波函数进行积分处 理， 得到细节系数； 对所述风电功率时间序列 与所述经验尺度函数进行积分处 理， 得到尺度系数； 基于所述细节系数和所述尺度系数， 对所述风电功率时间序列进行重构， 得到并根据 第一风电功率时间序列， 得到多个风电功率子序列。 5.如权利要求1所述的一种基于小波变换的风电功率预测方法， 其特征在于， 得到多个 归一化风电功率子序列后， 还 包括： 将所述多个归一化风电功率子序列划分为训练集和测试集， 基于所述训练集和所述测 试集对模型进行训练， 得到第一模型； 获取并基于所述第一模型的权重向量、 优化目标函数和约束条件， 对所述第一模型进 行优化处 理， 得到预测模型。 6.一种基于小波变换的风电功率预测装置， 其特征在于， 包括： 子序列划分模块、 预测 结果获取模块和风电功率预测模块； 其中， 所述子序列划分模块， 用于基于经验小波变换技术将获取的风电功率时间序列 分解为多个风电功率子序列， 对所述多个风电功率子序列进行归一化处理， 得到多个归一权　利　要　求　书 1/2 页 2 CN 115360698 A 2化风电功率子序列； 所述预测结果获取模块， 用于基于预构建的预测模型， 分别对所述多个归一化风电功 率子序列进行 结果预测， 得到多个归一 化风电功率子序列预测结果； 所述风电功率预测模块， 用于对所述多个归一化风电功率子序列预测结果进行叠加和 反归一化处理， 得到第一 风电功率预测序列。 7.如权利要求6所述的一种基于小波变换的风电功率预测装置， 其特征在于， 还包括： 风电功率无功裕度预测模块， 其中， 所述风电功 率无功裕度预测模块包括误差获取单元、 误 差校正单 元和风电功率无功裕度预测单 元； 获取所述风电功率 时间序列与风电校正功率的第 一误差， 获取所述第 一风电功率预测 序列与所述风电功率时间序列的第二 误差； 所述误差校正单元， 用于基于所述第 一误差和所述第 二误差， 得到实时误差校正函数， 并基于所述实时误差校正函数， 对所述第一风电功率预测序列进行误差校正， 得到第二风 电功率预测序列； 所述风电功率无功裕度 预测单元， 用于将所述第 二风电功率预测序列代入预设的风电 功率无功裕度关系式 中， 计算得到预测风电功率无功裕度。 8.如权利要求6所述的一种基于小波变换的风电功率预测装置， 其特征在于， 还包括： 数据预处 理模块； 所述数据预处理模块， 用于对获取的风电功率 时间序列进行预处理， 其中， 所述预处理 包括： 去除所述风电功率时间序列中的异常数据、 补足所述风电功率时间序列中的缺失数 据， 并对所述 风电功率时间序列进行平稳化处 理。 9.一种终端设备， 其特征在于， 包括处理器、 存储器以及存储在所述存储器中且被配置 为由所述处理器执行 的计算机程序， 所述处理器执行所述计算机程序时实现如权利要求1 至5任意一项所述的基于小 波变换的风电功率预测方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质包括存储的计算 机程序， 其中， 在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权 利要求1至 5中任意一项所述的基于小 波变换的风电功率预测方法。权　利　要　求　书 2/2 页 3 CN 115360698 A 3