买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：淮阴工学院

摘要：本发明提供了一种基于分段滤波与纵横聚类的风电功率预测方法，首先获取风电功率的历史数据，SDT进行爬坡识别，分别使用MEEMD滤波、smooth滤波对数据进行预处理，得到分段滤波后的波形；采用纵横聚类对数据进行聚类，纵向聚类通过日内预聚类、单日间再聚类和纵向时间单元的三步聚类来实现全年细化季节特性聚类，同时将纵向类内的全部数据联排聚类，实现小时间尺度下的精细横向聚类；使用变分自动编码器对聚类后的数据进行特征提取，然后使用改进的蒲公英优化算法优化Transformer预测模型参数，预测得到风电功率。本发明解决了数据波动性对预测精度的影响，其次考虑单日相似性与细化季节特性的实际情况，有效提高了预测风电功率的精确性和鲁棒性。

主权项：1.一种基于分段滤波与纵横聚类的风电功率预测方法，其特征在于，包括以下步骤：1对风电场的原始功率数据进行采集，并将采集后的数据进行预处理；2采用改进的蒲公英优化算法优化旋转门算法，对预处理后的数据进行爬坡事件的特征识别，然后把识别后的数据根据是否爬坡分成两类；3将识别为爬坡的数据通过MEEMD滤波，将非爬坡的数据通过smooth滤波；4将滤波后的数据采用纵横聚类策略对其进行聚类，纵向聚类通过日内预聚类、单日间再聚类和纵向时间单元的三步聚类来实现全年细化季节特性聚类，同时将纵向类内的全部数据联排聚类，实现小时间尺度下的精细横向聚类；5使用变分自动编码器对聚类后的数据分别进行特征提取；6构建Transformer预测模型，并采用改进的蒲公英优化算法对Transformer预测模型参数进行优化；将特征提取后的数据输入优化后的Transformer预测模型，对未来风电功率进行预测；所述步骤2实现过程如下：2.1首先进行初始化，其中K1new为初始化的上旋转门斜率，K2new为初始化的下旋转门斜率，公式如下所示： 其中，x0为上一压缩过程终点，x1为下一数目据点，xi为第i数目据点；τ0，τ1分别为x0，x1所对应的时刻点，E是压缩阈值；2.2分别计算τi上旋转门斜率K1和下旋转门斜率K2，如公式所示： 其中，xi为第i数目据点；τ0，τi分别为x0，xi所对应的时刻点；2.3更新K1new和K2new的值：K1new＝MaxK1,K1new；K2new＝MaxK2,K2new32.4根据K1new和K2new大小判断是否压缩结束；若k1new≥k2new则此过程压缩结束，储存ti-1时刻所对应数据值pi-1，并且返回2.1，开始下一个过程的压缩；如果k1new≤k2new,则继续本次压缩，并返回步骤2.2，此时i＝i+1；2.5采用改进的蒲公英优化算法优化旋转门算法的容差系数ΔE的值，ΔE是门的高度，即容差系数，经过旋转门算法压缩后，得到新的数据序列：DO算法根据蒲公英种子成熟时进行长距离飞行，寻找最优降落位置的特性分为上升阶段、下降阶段和着陆阶段，三个阶段采用不同的策略进行寻优过程，ΔE在算法中对应于适应度值，到算法不断迭代计算出最优适应度值后，输出容差系数ΔE的值；所述步骤2.5包括以下步骤：2.5.1设置DO算法的参数包含：最大迭代次数、种群规模、维度大小、搜索空间的上界与下界；2.5.2使用Logistic混沌初始化方法代替DO算法中的随机初始化方法，使蒲公英种群能够进行更广泛的初步搜索，其公式如下： 其中，Ln+1是更新后个体位置，λ是控制变量；2.5.3上升阶段在风速、空气湿度等的影响下，根据不同的天气状况进行局部飘落，通过计算种子位置的适应度值来寻找最优适应度值，从而输出适应度值所对应的容差系数的值：晴天：在晴朗的天气，风速可以认为是对数正态分布，DO算法强调搜索，在搜索时，蒲公英种子被风随机吹到各个位置，其更新公式为：Ft+1＝Ft+α*vx*vy*lnY*Fs-Ft5其中，Ft表示迭代t次时蒲公英种子的位置；Fs表示迭代t次时在搜索空间中随机选择的位置，InY表示符合μ＝0和σ2＝1的对数正态分布，α是用于调整搜索步长的自适应参数，在[0,1]之间的随机波动；雨天：蒲公英种子进行局部搜索，位置更新公式为：Ft+1＝Ft*ε6其中，ε用于限定局部搜索范围,呈“向下凸”振荡；蒲公英种子在上升期的数学表达式为： 2.5.4下降阶段：在本阶段DO算法也强调搜索，采用布朗运动来模拟蒲公英的运动轨迹，为了反映蒲公英下降的稳定性，采用了上升阶段后的平均位置信息，对应的数学表达式为：Ft+1＝Ft-α*βt*Fmean_t-α*βt*Ft8其中，βt表示布朗运动，是标准正态分布的随机数，Fmean_tt为群体的平均位置，表达式为： 2.5.5着陆阶段：在本阶段DO算法重点是开发，基于前两个阶段，随着种群的进化，最终可以找到全局最优解，即是最优容差系数，然后就可以通过旋转门优化算法对爬坡事件进行识别，采用莱维飞行进行选择，位置更新公式：Ft+1＝Felite+levyλ*α*Felite-Ft*δ10其中，Felite表示当前迭代最优位置，δ为一个线性递增的参数，等于2ItMax_it,It为当前迭代次数，Max_it为最大迭代次数，Levy飞行的公式计算： β是一个介于[0,2]之间的随机数，s是一个固定常数0.01，ω和t为[0,1]之间的随机数；2.5.6判断最大迭代次数是否达到算法终止条件，若未达到则转到2.5.3，最终结束运行并输出最优结果；所述步骤3实现过程如下：3.1将一组模值相同，符号相反的白噪声信号vit和-vit添加进实际风电功率信号xt中，如公式所示： 式中，vit表示白噪声：ai表示白噪声幅值，n为添加白噪声的对数，集合中白噪声信号的数目为2n；3.2对集合中每对风电功率信号x+t和x-t进行EMD分解，可获得一组IMF分量： 其中，hij+t，hij-t表示i个信号的第j阶IMF分量；3.3对多组分量集合平均，得到各阶IMF分量： 式中，hjt表示第j阶的IMF分量；3.4通过排列熵来识别hjt是否为异常信号；如果信号随机性越大，排列熵越大；设置阈值判断信号是否为异常信号或噪声信号；3.5用实际风电功率信号减去异常信号和噪声信号，然后加上滤波后的噪声信号，得到滤波后的风电功率信号：pt＝xt-x't+x”t15其中，pt表示滤波之后的风电功率信号，xt是原始信号，x't为所有异常信号和噪声信号之和，x”t为小波滤波后的噪声信号；3.6将非爬坡的数据通过smooth滤波，smooth滤波的作用是对序列进行平滑处理，以及信号的降噪；其滤波原理是将连续的采样数据看成一个长度固定为N的队列，在新的一次测量后，将队列的首数据去掉，其余N-1个数据依次前移，并将新的采样数据插入，作为新队列的尾；然后对这个队列进行算术运算，并将其结果做为本次测量的结果；假设输入为x,输出为y，则移动平均滤波器计算公式为： 所述步骤4实现过程如下：4.1日内预聚类，以日内各最小时间间隔T为样本，构造特征向量，如下表所示： 其中，i为最小时间间隔序列号；Rmaxi和Rmini分别为单日内第i个最小时间间隔Ti内最大有功功率值和最小有功功率值，为Ti内有功功率平均值；然后对样本进行归一化处理对数据进行变换： 其中，Yij为第i个样本的第j个属性的采样值，Yij'为第i个样本的第j个属性的规范化值；mj和Mj分别为第j个属性的最大值和最小值；Mjnew和mjnew分别是j的新映射范围上下限；4.2对预聚类之后的数据进行单日间再聚类，经过日内预聚类，对单日间再聚类的特征向量进行构建，来表示日内各T所属类别及日内总聚类数，公式如下： 其中，k是日序列号；DTnk为第k日的时段Tn所属类别聚类中心的，n为单日按最小时间间隔T分成的总段数；DCk为第k天的聚类数；Dmaxk和Dmink分别为第k天日内最大有功功率值和最小有功功率值，为日平均有功功率值；Ds2k为日有功功率样本方差；将全年数据分为J类，可获得全年各日所属类别；4.3将全年纵向时间轴数据以纵向时间单元TZN为单位等分为L段，TZN选择按季度划分；根据单日间再聚类获得的比例特征来构建特征向量，最后获得能反映细化季节特性的聚类结果；经过单日间再聚类，将全年数据分为J类，统计纵向时间单元TZN内各类所占类别，以表示该时段内部单日组成结构和波动趋势，辅以表征功率波动的统计量，构成特征向量， 其中，h为纵向时间单元序号；Sh1,Sh2,...,Shj为统计第h个纵向时间单元内第1,2,...,j类所占比例；Smaxh和Sminh分别为第h个纵向时间单元内的最大有功功率和最小有功功率,和Ss2h分别为第h个纵向时间单元有功功率均值和方差；根据TZN的分类，把全年数据客观分成L类；4.4在纵向聚类之后，对数据进行横向聚类，将属于同一纵向类的全部数据首尾相连，横列组成横向连续数据，按按横向时间单元THN统一分为H段，对全部数据进行横向聚类；利用THN内最小时间间隔T的变化率序列来表示横向数据波动趋势，辅以有功功率统计量，来构成特征向量： 其中，p为横向时间单元序列号；b为TZN中最小时间间隔数；Wmaxp,Wminp分别为第p个横向时间单元内的最大有功功率和最小有功功率；和Ws2p分别为第p个横向时间单元内平均有功功率和方差；ηpb为TZN内b个最小时间间隔波动率序列，其计算公式为： 其中：i为最小时间间隔序列号；Pw为负荷与风电组成的根母线有功功率序列；{}内为根母线功率序列号；THN为横向时间单元；4.5通过横向聚类，同一纵向类的全部数据被聚为q类，每类可由各自的聚类中心表示；通过欧氏距离判断该时段样本与历史样本中各类聚类中心特征向量的相似度： 其中，ρA,B为序列A与序列B的欧氏距离；所述步骤6实现过程如下：6.1DO算法可以对Transformer模型最优超参数进行寻找，随着不断迭代，DO算法中出现适应度值很高的个体即超参数的最优值；聚类和VAE特征提取后的风电功率数据是Transformer的输入，然后经过DO算法寻找的最优超参数来优化模型对风电功率的预测精度；6.2使用Logistic混沌初始化方法代替DO算法中的随机初始化方法，使蒲公英种群能够进行更广泛的初步搜索；6.3其中上升阶段通过计算种子位置的适应度值来寻找最优超参数，在晴天，算法模拟蒲公英种子更面向全局搜索，超参数结果为全局最优；在雨天，则进行局部搜索，超参数结果为局部最优，从而通过输入的风电功率进行预测；6.4着陆阶段：随着种群的进化，最终可以找到全局最优解，即是最优超参数，然后就可以通过模型对风电功率进行预测；6.5判断最大迭代次数是否达到算法终止条件，若未达到则转到步骤6.3，最终结束运行并输出最优结果。

全文数据：

权利要求：

百度查询： 淮阴工学院 一种基于分段滤波与纵横聚类的风电功率预测方法