(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 202111616484.9 (22)申请日 2021.12.27 (71)申请人 广东工业大 学 地址 510090 广东省广州市越秀区东 风东 路729号 (72)发明人 孟安波　朱梓彬　许炫淙　王陈恩　 张铮　殷豪　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 代理人 黄志铖 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/23(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 111/04(2020.01) G06F 111/06(2020.01) G06F 113/06(2020.01) G06F 119/06(2020.01) (54)发明名称 一种超短期风电功率预测方法 (57)摘要 本发明涉及风电功 率预测的技术领域， 更具 体地， 涉及一种超短期风电功率预测方法， 本实 施例采用多元变 分模态分解方法， 将所采集的风 电功率和风速序列依次进行分解， 并拼接形成一 个T×F的输入特征矩阵， 降低复杂度。 再通过自 动编码器与极限学习机的结合构建深度极限学 习机预测模 型， 并利用多目标 纵横交叉算法对所 建立的预测模 型作权值和阈值的初始寻优。 将寻 优结果作为深度极限学习模型的初始参数并继 续训练， 最后利用训练好的模型对分解后的各子 序列分别进行预测， 将各子序列预测结果叠加从 而得到风电功率预测值。 本发明的超短期风电功 率预测方法， 有效提升了模型在风电功率的预测 精度、 预测稳定性与泛化 性能。 权利要求书5页 说明书7页 附图2页 CN 114169251 A 2022.03.11 CN 114169251 A 1.一种超短期风电功率预测方法， 其特 征在于， 包括以下步骤： S10： 采集原始风电功率、 风速历史数据， 以T分钟为单位， 并对风电功率、 风速历史数据 预处理以获得风电功 率时间序列、 风速时间序列， 所述预 处理包括剔除异常数据、 数据标准 化； S20： 将预处理后得到的风电功率时间序列、 风速时间序列， 采用多元变分模态分解 MVMD同时进行分解， 得到j个(j＝1,2, …,m， m为多元变 分模态分解的序列数量)风电功率子 序列与风速子序列； S30： 将步骤S20中风电功率子序列、 风速子序列依次进行拼接， 形成一个T ×F的输入特 征矩阵， 其中T为时间步长， F为特征数； 重复m次， 最后得到m个形状同样为T ×F的输入特征 矩阵， 单个输入矩阵Xorg表示为： S40： 建立m个深度极限学习机DELM风电功率预测模型； S50： 构建风电功率预测中优化的多目标问题的目标函数， 多目标问题包括预测准确性 与预测稳定性； S60： 利用多目标纵横交叉算法MOCSO以步骤S50中所述的的多目标问题的目标函数为 目标函数， 对步骤S40中所建立的DELM风电功 率预测模 型作初始权值和阈值的优化， 得到多 目标纵横交叉算法 ‑深度极限学习机预测模型MOCSO ‑DELM预测模型； S70： 依次从S30中得到的m个风电功率子序列、 风速子序列构成的输入矩阵中动态选择 训练样本， 并对步骤S6 0中所建立的m个MOCSO ‑DELM预测模型进行训练； S80： 利用步骤S70中训练好的m个MOCSO ‑DELM预测模型作提前t时间的风电功率预测， 并获得对应的m个预测风电功率时间子序列； S90： 将各子模态经步骤S80预测得到的结果进行叠加重构， 获得对应预测风电功率时 间序列。 2.根据权利要求1所述的超短期风电功率预测方法， 其特征在于， 步骤S20中， 按以下步 骤进行多元变分模态分解： S21： 将进行分解的多通道信号序列x(t)记为[x1(t)， x2(t)，…， xN(t)]， t表示时间， N表 示信号通道数； 在执行多元模态分解时， 需要预先设置分解阶数K， 即假设有K个IMF分量信 号uk(t)， 使得： 其中， uk(t)＝[u1(t),u2(t),…,uN(t)],i＝1,2,…,k； S22： 利用Hilbert变换， 分别得到S21中向量uk(t)每一个元素的解析表示， 记为 以计算单侧频谱， 并将单侧频谱与指数项 相乘， 调整其中心频率ωk(t)使每个模态的 频谱被调制到与它相应的基频带上； 通过谐波转换后， 利用 的梯度函数的范数平方估权　利　要　求　书 1/5 页 2 CN 114169251 A 2计出各模态 的带宽； 受约束的相关优化问题 表示为： 其中， 为通道为n、 模式为k的各子模态解析信号； ωk为中心频率； δ表示狄拉克 Dirac分布； 表示范数的平； S23： 对于上述变分问题求 解， 构造增广的拉格朗日乘子为： 其中， 为通道为n、 模式为k的各子模态解析信号； ωk为中心频率； δ表示狄拉克 Dirac分布； xn(t)表示通道为n的信号； α 为二次惩罚因子参数； λ为拉格朗日乘子； <>表示内 积； S24： 应用乘 子交替方向方法ADMM 方法进行迭代更新计算， 然后求取uk(t)及中心频率便 得到分解后的信号分量， 模式更新表示 为： 其中， h表示迭代次数， 和 表示经过傅里叶变换后的信号； α 为二次惩罚因子参数。 中心频率更新表示 为： S25： 通过S24 中的更新关系自适应地分解信号的频带， 得到K个窄带IMF分量， 即预处理 后风电功率时间序列、 风速时间序列被分解成K个子模态序列。 3.根据权利要求1所述的超短期风电功率预测方法， 其特征在于， 步骤S40中， 按以下步 骤构建深度极限学习机预测模型： S41： 深度极限学习机DELM是将极限学习机ELM与自动编码器AE相结合， 由多个ELM ‑AE 堆栈而成的深度学习网络； 构建的ELM ‑AE使得隐含层节点随机权值和随机阈值正交， 能够 将特征更好地进行表示， 从而提高模型的泛化能力； 产生 正交的随机 权重和阈值表示 为： 其中， α表示为输入层节点到隐含层节点的输入权重矩阵； B表示为 隐含层节点的阈值 矩阵； I是 单位矩阵；权　利　要　求　书 2/5 页 3 CN 114169251 A 3