(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 202111388592.5 (22)申请日 2021.11.22 (71)申请人 北京华能新锐控制技 术有限公司 地址 102209 北京市昌平区北七家未来科 技城南区华能人才创新创业基地 实验 楼B座 (72)发明人 杨继明　张澈　陈岩磊　曹利蒲　 李丹阳　 (74)专利代理 机构 北京中知法苑知识产权代理 有限公司 1 1226 代理人 李明　赵吉阳 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/00(2006.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于非线性加权组合的风电短期功率预测 方法及装置 (57)摘要 本发明提供一种基于非线性加权组合的风 电短期功率预测方法及装置。 所述方法包括获取 风电场的历史输出功率； 基于经验模态分解方 法， 将历史输出功率分解为若干固有模态函数； 根据若干固有模态函数， 利用LS TM神经网络建立 低频预测模型； 根据若干固有模态函数， 利用改 进的麻雀搜索算法通过深度置信网络建立高频 预测模型； 利用基于改进的麻雀搜索算法 ‑深度 置信网络建立的神经网络对低频预测模型的预 测结果和高频预测模型的预测结果进行整合， 以 得到风电功率的最终预测模型。 本发 明提供了一 种有效的提取风电功率特征的方法， 能够有效提 升风电短期功率预测的准确率， 取得了更好的预 测精度。 权利要求书3页 说明书10页 附图4页 CN 114139783 A 2022.03.04 CN 114139783 A 1.一种基于非线性加权组合的风电短期功率预测方法， 其特 征在于， 所述方法包括： 获取风电场的历史输出功率； 基于经验 模态分解方法， 将所述历史输出功率分解 为若干固有模态函数； 根据所述若干固有模态函数， 利用LSTM神经网络建立低频 预测模型； 根据所述若干 固有模态函数， 利用改进的麻雀搜索算法通过深度置信网络建立高频预 测模型； 利用基于改进的麻雀搜索算法 ‑深度置信网络建立的神经网络对所述低频预测模型的 预测结果和所述高频 预测模型的预测结果进行整合， 以得到风电功率的最终预测模型。 2.根据权利要求1所述的方法， 其特征在于， 所述基于经验模态分解方法， 将所述历史 输出功率分解 为若干固有模态函数， 包括： 将所述历史输出功率作 为训练样本确定为原始序列X(t)， 取得X(t)的所有局部最大值 和局部最小值， 用三次样条函数进行插值， 得到上包络线emax(t)和下包络线emin(t)， 求两者 的均值得到包络平均曲线m1(t)； 用原始序列X(t)减去包络平均曲线m1(t)， 得到类距 平值序列h1(t)； 判断h1(t)是否满足固有模态函数成立的条件， 如不满足， 将h1(t)作为新的X(t)， 重复 上述步骤， 直到h1(t)满足固有模态函数成立的条件， 此时， 将h1(t)作为分解出来的第 一阶 固有模态函数， 并将h1(t)从X(t)中分离， 得到r1(t)， 其中， r1(t)＝X(t) ‑h1(t)； 用r1(t)替换X(t)， 分解出新的固有模态函数， 每次分解后得到的固有模态函数分别为： r2(t)＝r1(t)‑h2(t),...,rn(t)＝rn‑1(t)‑hn(t)； 满足以下任一条件时分解结束： 1)rn(t)或者hn(t)小于预设阈值， 2)rn(t)为单调函数， 不可能再从中筛分出固有模态函数； 分解结束后， 所有的固有模态函数和余 量累积相加， 得到 3.根据权利要求2所述的方法， 其特征在于， 所述根据所述若干固有模态函数， 利用 LSTM神经网络建立低频 预测模型， 包括： 利用所述若干固有模态函数中的低频固有模态函数对所述LSTM神经网络进行训练， 得 到所述低频 预测模型， 其中， 所述 LSTM神经网络的数 学表达式为： 其中， ft,it,ot分别为遗忘门、 输入门和输出门的输出， 表示候选细胞状态， ct,ht和 ct‑1,ht‑1分别表示当前时间t和前一时间t ‑1的细胞状态和细胞输出， xt为LSTM单元的输入， 为预测输出， wf,wi,wc,wo,W和bf,bi,bc,bo,b为权重矩阵和偏差向量， 为标量乘法， σ 为 sigmoid激活函数。权　利　要　求　书 1/3 页 2 CN 114139783 A 24.根据权利要求3所述的方法， 其特征在于， 所述根据所述若干固有模态函数， 利用改 进的麻雀搜索算法通过深度置信网络建立高频 预测模型， 包括： 利用所述改进的麻雀搜索算法获得 所述深度置信网络的最优权 重和偏置； 将所述最优权重和偏置代入所述深度置信网络， 对所述若干 固有模态函数中的高频固 有模态函数进行训练， 得到所述高频 预测模型。 5.根据权利要求 4所述的方法， 其特 征在于， 所述改进的麻雀搜索算法包括以下步骤： 初始化所述改进 的麻雀搜索算法的参数， 所述参数包括种群规模N、 发现者个数pNum、 负责预警的麻雀个数sNum、 目标函数的维数D、 初始值的上下界、 最大迭代次数以及求解精 度； 计算每只麻雀 的适应度值， 选出当前最优适应度值和其对应的位置， 以及最差的适应 度值和其对应的位置； 在种群中随机选取麻雀作为sNum， 一次迭代完成后再次计算每只麻雀的适应度值， 并 更新发现者的位置如下： 式中， t表示当前迭代次数， j表示维数， itermax表 示最大迭代次数， α属于(0,1]的一个随机数， 属于服从正态分布的随机数， ST表示安全 值， R2表示预警值， R2＜ST表示种群处于安全区域， 发现者可以随机觅食， R2≥ST表示种群周 围存在捕食者， 需要立即转移带安全区域进行觅食； 更新加入者的位置如下： 式中， XP表示发现者目前所处的最优位置， Xworse表示目前种群中的最差 位置， A表示一个1 ×d的矩阵， 且每个元素都是随机赋值1或 ‑1， i＞n/2表示适应度值较低的i个加入者没有获得食物而需要前往其 他地方觅食； 更新侦察 者的位置如下： 式中， β 表示步长控制参数， 为服从均值为0、 方差为1的正态分布的随机数， Xbest表示麻雀当前处在最安全的位置， fi表示当前麻雀个体 的适应度值， fi和fg分别表示当前最好和最差的适应度值， 当fi＞fg时， 表示此时麻雀处在 边缘位置， 所受威胁 最大， 当fi＝fg时， 表示此时中间的麻雀意识到危险， 从而尽量向附近麻 雀靠近， γ为最小常数， 避免分母为 零； 对麻雀种群进行精英反向学习操作， 求得最新的麻雀种群为xi＝k*(ai+bi)‑xi， 其中， xi ∈[ai,bi],k∈[0,1]为服从均匀分布的随机数， 其中ai、 bi分别为x种群的最大位置和最小 位置； 根据麻雀种群的当前状态， 更新整个种群的最优位置、 最差位置和适应度值， 判断是否权　利　要　求　书 2/3 页 3 CN 114139783 A 3