(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 202211013068.4 (22)申请日 2022.08.23 (71)申请人 国网甘肃省电力公司电力科 学研究 院 地址 730000 甘肃省兰州市安宁区万 新北 路249号 申请人 国网甘肃省电力公司 　 国家电网有限公司 (72)发明人 吕清泉　周强　赵龙　王定美　 沈渭程　张珍珍　张彦琪　张健美　 张睿骁　高鹏飞　李津　袁琛　 张金平　刘丽娟　郑翔宇　李文君　 朱宏毅　陈柏旭　王晟　刘海伟　 (74)专利代理 机构 北京达友众邦知识产权代理 事务所(普通 合伙) 11904 专利代理师 徐银辉(51)Int.Cl. G06Q 50/06(2012.01) G06Q 10/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于组合预测模型的风电出力与光伏 出力评估的方法 (57)摘要 本发明属于新能源并网技术控制领域， 应用 于新能源场站并网技术， 具体涉及一种基于组合 预测模型对风电出力与光伏出力进行评估的方 法。 包括： 数据相关性及耦 合性量化分析； 数据的 分解与变换； 模型的训练与预测； 得出最终结果： 将各个子序列的预测结果进行重构， 得到最终的 预测值， 进行误差分析。 本发明是是一种预测更 容易， 且不易造成数据丢失， 因此可有效提高出 力超短期预测精度的基于组合预测模型对风电 出力与光伏出力进行评估的方法。 权利要求书2页 说明书7页 附图8页 CN 115511657 A 2022.12.23 CN 115511657 A 1.一种基于组合预测模型的风电出力与光伏出力评估的方法， 其特 征在于； 包括： S1.数据相关性及耦合 性量化分析； S2.数据的分解与变换； S3.模型的训练与预测； S4.得出最终结果： 将各个子序列的预测结果进行重构， 得到最终的预测值， 进行误差 分析。 2.根据权利要求1所述的一种基于组合预测模型的风电出力与光伏出力评估的方法， 其特征在于： 所述数据相关性及耦合性量化分析包括： 从波动性和相关性两个维度分析环 境因素间的耦合关系， 使用时间滞后互相关(TCLL)方法得到变量间的局部相关性系数， 通 过基于Pearson相关性系数的相关性分析算法对多维气象因子进行分析， 提取其中相关性 较大的气象因子组成气象数据输入序列。 3.根据权利要求1所述的一种基于组合预测模型的风电出力与光伏出力评估的方法， 其特征在于： 所述数据的分解与变换包括： 对不平稳的时序输入数据通过CEEMDAN(自适应 完备总体经验模态分解算法)进 行数据分解， 分离成多个平稳的子序列， 对分解后得到的多 个IMF分量使用游程统计法分为高频、 中频、 低频三个频段， 基于各频段的波动特点和 变化 规律分频段建立预测模型。 4.根据权利要求1所述的一种基于组合预测模型的风电出力与光伏出力评估的方法， 其特征在于： 所述模型 的训练与预测包括： 基于每个频段分量序列使用训练集分别 建立起 训练子模 型， 应用LSTM ‑BP、 GA‑BP、 GA‑ACO其中的一种或者多种优化算法对其模型参数进行 优化， 在滚动训练同时利用交叉验证集实时计算误差评价指标， 若不满足各误差评价指标， 重新训练该层次子模型。 5.根据权利要求4所述的一种基于组合预测模型的风电出力与光伏出力评估的方法， 其特征在于： 选取LSTM ‑BP混合模型优化算法进行参数优化， 其中LSTM ‑BP混合模型由LSTM 和BP神经网络组成， LSTM组件的输入集A主要包括连续时序数据及周期时序数据， 作为主要 输入； BP神经网络输入数据集B包括气象数据， 作为辅助输入； LSTM的作用为从历史功率数 据学习功率变化规律， BP神经网络的作用为根据环境监测数据， 建立从环境数据到功率的 映射； 最终两个模型的预测结果加权取和。 6.根据权利要求3所述的一种基于组合预测模型的风电出力与光伏出力评估的方法， 其特征在于： 所述C EEMDAN(自适应完备总体经验 模态分解 算法)包括以下步骤： S2.1.计算第一阶分量 IMFi1和残差ri1(t)； S2.2.定义 算子； S2.3.计算 最终残余 量。 7.根据权利要求1所述的一种基于组合预测模型的风电出力与光伏出力评估的方法， 其特征在于： 所述S2.1 中， 在原始信号u(t)中添加白噪声 ε0ni(t)， 其中ε0为第一次添加的白 噪声幅值系数， 则第i次信号可以表示为ui(t)＝u(t)+ε0ni(t)， 对各ui(t)通过EMD分解， 得 到各个信号第一阶分量 IMFi1和残差ri1(t)；权　利　要　求　书 1/2 页 2 CN 115511657 A 2根据式1可知， 第一阶分量 为 残余信号r1(t)＝u(t) ‑IMF1。 8.根据权利要求6所述的一种基于组合预测模型的风电出力与光伏出力评估的方法， 其特征在于： 所述S2.2中， Ei(·)为使用EMD后的第j个分量， 对r1(t)中添加白噪声ε1E1[ni (t)]， 然后 进行分解得到第二阶分量： 以此类推， 第k个残 余信号为rk(t)＝rk‑1(t)‑IMFk， 可知第k+1阶分量 为 9.根据权利要求6所述的一种基于组合预测模型的风电出力与光伏出力评估的方法， 其特征在于： 所述S2.3中， 重复步骤S2.2， 直到信号无法继续分解， 运算终止， 共得到k个分 量， 最终残余 量为 此时， 原始信号可表示 为 权　利　要　求　书 2/2 页 3 CN 115511657 A 3