(19)中华 人民共和国 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 202111392680.2 (22)申请日 2021.11.23 (71)申请人 国网河南省电力公司电力科 学研究 院 地址 450052 河南省郑州市二七区嵩 山南 路85号 申请人 国家电网有限公司 (72)发明人 刘阳　李朝晖　滕卫军　张振安　 孙鑫　谷青发　杨海晶　 (74)专利代理 机构 郑州知己知识产权代理有限 公司 41132 代理人 季发军 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01)G06N 3/04(2006.01) G06N 7/00(2006.01) (54)发明名称 一种风电功率短期预测方法 (57)摘要 本发明公开了一种风电功 率短期预测方法， 包括以下步骤： S1： 获取风电场的风速、 风向、 温 度、 湿度和压强信息， 数据的时间分辨率为 15min， 并对获取的风电场数据进行清洗， 消除不 合理的数据； S2： 对清洗过后的数据进行归一化 处理， 然后对归一化后的风速数据进行变分模态 分解； S3： 将变分模态分解后的风速模态分量、 风 向、 温度、 湿度和压强信息作为时间卷积网络的 输入数据， 实际功率数据作为目标输出， 构建短 期风电功率预测模型； S4： 利用高斯混合模型准 确描述风电功率短期预测误差的分布特性， 并据 此计算风电功率短期预测误差的不确定性分布 特性。 本发明可有效提高风电功率的预测精度， 并准确计算风电功率短期预测误差的不确定性 分布特性。 权利要求书2页 说明书6页 附图4页 CN 114239920 A 2022.03.25 CN 114239920 A 1.一种风电功率短期预测方法， 其特 征在于： 所述预测方法包括以下步骤： S1： 获取风电场的风速、 风向、 温度、 湿度和压强信息， 数据的时间分辨率为15min， 并对 获取的风电场数据进行清洗， 消除不 合理的数据； S2： 对清洗过后的数据进行归一化处理， 然后对归一化后的风速数据进行变分模态分 解； S3： 将变分模态分解后的风速模态分量、 风向、 温度、 湿度和压强信息作为时间卷积网 络的输入数据， 实际功率数据作为目标输出， 构建 短期风电功率预测模型； S4： 利用高斯混合模型准确描述风电功率短期预测误差的分布特性， 并据此计算风电 功率短期预测误差的不确定性分布特性。 2.根据权利要求1所述的一种风电功率短期预测方法， 其特征在于： 步骤S2中所述变分 模态分解包括以下步骤： S2.1： 根据风速信息， 定义有限带宽的内禀模态函数： 其中， Ak(t)为瞬时幅值， 为相位， uk(t)为风速分解后的各模态； S2.2： 分别对各个模态uk(t)进行Hilbert变 换构造相应的解析信号， 得到各模态相应的 单边频谱： 其中， δ(t)为脉冲函数； S2.3： 分别在每个模态 uk中加入指数项 来调整其 所对应的中心频率ωk(t)， 从而把 各模态的频谱调制到相应的基频 带上： S2.4： 以高斯平滑方式对步骤S2.3中的公式进行解调， 并对各个模态信号的带宽进行 估计， 得到变分约束方程： 其中， K为变分模态的分量数； uk为第k个变分模态分量； ωk为第k个变分模态分量的中 心频率；t为时间； 为时间的偏导数。 3.根据权利要求1所述的一种风电功率短期预测方法， 其特征在于： 步骤S3包括以下具 体步骤： S3.1： 当输入数据系列为X＝(x1,x2,…,xT)， 滤波器为F＝(f1,f2,…,fK)时， 则xt处的因 果卷积可根据下式进行计算： 其中， K为滤波器大小， t ‑K+k为历史时刻点；权　利　要　求　书 1/2 页 2 CN 114239920 A 2S3.2： 当输入数据系列为X＝(x1,x2,…,xT)， 滤波器为F＝(f1,f2,…,fK)时， 在xt处的膨 胀卷积可根据下式进行计算： 其中， d为 膨胀因子， K 是滤波器大小， t ‑(K‑k)·d为历史时刻点； S3.3： 当输入数据系列为X＝(x1,x2,…,xT)时， 残差模块的输出计算公式为： O＝Activati on(xi+F(xi)) 其中， xi为残差模块的输入风速模态分量、 风向、 温度、 湿度和压强信息等， F(x)为残差 模块卷积计算的输出， Activati on()为激活函数。 4.根据权利要求1所述的一种风电功率短期预测方法， 其特征在于： 步骤S4包括以下具 体步骤： S4.1： 利用高斯混合模型计算 风电功率预测误差的概 率密度函数： 其中， P(X)为利用高斯 混合模型计算得到的风电功率预测误差的概率密度函数， Xi表示 第i组数据集， ωi是第i个高斯分布函数的权值， 权值满足归一化条件， ηi表示第i 个高斯分布函数， μi和∑i分别是第i个高斯分布函数的均值和 协方差矩阵， d是像素点在高 维空间的维度； S4.2： 根据风电功率预测误差的概 率密度函数， 计算 概率密度函数的置信水平： C(elow＜e＜eup)＝1‑θ 区间[elow,eup]称为置信水平为1 ‑θ下的置信区间， elow为置信区间的下限,eup为置信区 间的上限； C(elow＜e＜eup)表示风电功率预测误差值e落入区间[elow,eup]内的概率。权　利　要　求　书 2/2 页 3 CN 114239920 A 3