1.一种基于EWT‑PDBN组合的短期风电功率预测方法，其特征是，包括以下步骤：A、采集风场的数值天气预报数据与历史风电功率数据，数值天气预报数据包括风速、温度、气压、平均海平面的大气压和相对湿度，历史风电功率数据包括历史最大风电功率数据、历史最小风电功率数据和历史平均风电功率数据；

B、对采集到的所有数据进行预处理，然后对预处理过后的所有数据进行归一化处理；

C、利用经验小波变换信号分解技术，对归一化后的历史平均风电功率数据进行分解，作平稳化处理，得到多组不同特征频率的子序列；

D、对分解出的不同子序列进行相关性筛选，筛选出n组子序列，然后将筛选出的n组子序列分别和经过归一化处理后的数值天气预报数据、历史最大风电功率数据、历史最小风电功率数据共同作为输入数据，通过粒子群优化的深度信念网络模型中预测，得到n组预测数据；

E、将n组预测数据进行叠加重构成一组数据，然后对该一组数据进行反归一化处理，得出的结果作为最终的风电功率预测结果，再根据误差评价指标进行预测结果分析；

在步骤D中粒子群优化的深度信念网络模型的实现包括以下步骤：a、利用PSO优化算法来搜索受限玻尔兹曼机中最佳隐含层的节点数参数，然后初始化DBN网络参数、粒子种群数，其次计算粒子适应度函数值，更新粒子最优值和群体最优值；

b、检查系统是否达到迭代次数，是则输出节点数参数，建立与之对应的RBM网络，否则返回步骤a进行再一次迭代；

c、筛选与历史平均风电功率数据序列相关程度较大的子序列，并分别输入到PSO已优化好的无监督RBM中进行预训练，而后按照BPNN微调阶段方法进行调整，形成各子序列对应的PDBN网络预测模型；

d、将历史平均风电功率的测试数据按EWT算法进行分解，并筛选出n组子序列，将n组子序列分别和经过归一化处理后的数值天气预报数据、历史最大风电功率数据、历史最小风电功率数据共同作为输入数据，通过粒子群优化的深度信念网络模型中预测，得到n组预测数据；

步骤a中，粒子个体的速度与位置信息更新公式为：vi(k+1)＝ωvi(k)+c1r1[Pbest(k)‑xi(k)]+c2r2[Gbesti(k)‑xi(k)]       (13)xi(k+1)＝xi(k)+φvi(k+1)    (14)其中，在每一次迭代寻优过程中，假设第i个粒子的位置为X＝[x1，x2，…，xi，…，xn]，速度为V＝[v1，v2，…，vi，…，vn]，粒子通过迭代比较适应度值和两个极值来不断更新自己的速度和位置，来找到粒子本身的个体最优解Pbest＝[Pbest1，Pbest2，…，Pbesti，…，Pbestn]和整个种群目前找到的最优解Gbest＝[Gbest1，Gbest2，…，Gbesti，…，Gbestn]；k为迭代次数；xi(k)为粒子在k次迭代的位置；vi(k)为第i个粒子在k次迭代的速度；Pbesti(k)为粒子i个体历史最优位置；Gbesti(k)为群体历史最优位置；c1，c2为认知系数；r1，r2为均匀分布随机数；ω为惯性权重；φ是一个收缩因子，用来保持速度在一定范围内；

步骤b中，RBM网络建立步骤为：b1、DBN由多个受限玻尔兹曼机堆叠成的多隐含层的深度学习网络，RBM由可见层和隐含层组成，是一种基于能量的特殊神经网络模型，即网络模型的理想状态是能量达到最小化，RBM对可视层到隐藏层的概率分布进行学习，其联合能量函数表示为公式(15)：T T

其中，v＝(v1，v2，…，vi，…，vn) 、h＝(h1，h2，…，hj，…，hm) 为可视层、隐藏层的状态向T

量；vi、hj分别可视层、隐含层第i、j个神经元的状态；a＝(a1，a2，…，ai，…，an) 、b＝(b1，T

b2，…，bj，…，bm) 为可视层、隐藏层的偏置向量；ai、bj分别可视层、隐含层第i、j个神经元的m×n

偏置；θ＝{ωij，ai，bj}是RBM的训练参数；ω为连接v与h的权重矩阵，ωij∈R ；n为可见层神经元的数目；m为隐含层神经元的数目；

b2、给定能量函数后，联合概率分布表示为其中Z(θ)为归一化因子

b3、为简化RBM的计算过程，假设全部节点为二进制节点，即v∈{0，1}，h∈{0，1}，并规定各节点之间相互独立，则得到给定v，h的神经元被激活率以及给定h，v的神经元被激活率分别为公式(17)和公式(18)：其中，Pθ(vi＝1|h)为已知h的情况下vi＝1的概率，Pθ(hj＝1|v)为已知v的情况下hj＝1的概率， 表示sigmoid函数；

b4、在给定训练样本S后，训练RBM以此确定求解更新参数θ＝{a，b，ω}，即训练RBM的目标就是最大化对数似然函数 采用梯度上升法获得最大化似然函数logP(v)，计算如下：

T

其中EP和 分别为原始数据和重建数据后概率分布的期望，且Ep[hv]＝P(h|v)v ，b5、RBM采用k步对比散度学习算法来训练RBM参数，其主要思想是用训练数据初始化可视层，然后执行Gibbs采样；

CD学习算法的目的是获取偏导数的近似值Δω、Δa、Δb，更新公式为其中ωk、ak、bk分别为第k次采样的权重矩阵、可见层偏置量、隐含层偏置量，η为学习率；

步骤c中，DBN网络由多层堆叠的RBM和1层BPNN构成，DBN的训练过程包括一个分层的预训练过程和一个微调过程，RBM负责网络的预训练，BPNN负责网络微调部分，DBN网络建立具体步骤为：

c1、分层预训练过程，样本数据输入到第一个RBM网络的可见层，经训练后，隐含层的输出作为第二个RBM可见层的输入，以此方式逐层进行预训练，直到四层RBM网络全部训练完；

c2、微调过程，微调的目的是使输出值接近输入值，由于参数是训练样本学习得到，使网络避免陷入局部最优而达到全局最优，预测效果更好。

2.根据权利要求1所述的基于EWT‑PDBN组合的短期风电功率预测方法，其特征是，在步骤A中，对采集到的数值天气预报数据与历史风电功率数据进行预处理，即进行异常值处理，具体处理方法如下：

(一)、将数值天气预报数据与历史风电功率数据的时间分辨率设为15min；

(二)、用前一个时刻的数据补全缺测的数据；

(三)、用0替换小于0的历史功率数据；

(四)、用相邻时刻求平均值替换异常数据进行插补；

(五)、用风机的额定功率值替换超出阈值的历史功率数据值。

3.根据权利要求1所述的基于EWT‑PDBN组合的短期风电功率预测方法，其特征是，在步骤B中，对所有数据值进行归一化处理，将其数值归算到区间[‑1，1]内，归一化的计算公式为：

其中，xg为数据归一化的结果；x、xmin、xmax分别为数据值、数据中的最小值、数据中的最大值；

在步骤E中，对叠加重构成的一组数据进行反归一化处理使其具有物理意义，反归一化的计算公式为：

xf＝x′(xmax‑xmin)+xmin     (2)其中，x′为EWT‑PDBN预测模型的输出值；xf为反归一化获得的风电功率数据预测值。

4.根据权利要求1所述的基于EWT‑PDBN组合的短期风电功率预测方法，其特征是，在步骤C中，将归一化后的具有非平稳性的历史平均风电功率数据采用EWT算法进行分解，分解得到n个不同模态分量的子序列，每个子序列定义为一组调幅及调频信号，EWT算法的实现包括以下步骤：

(C1)、对傅里叶轴的[0，π]进行自适应的分割，分割为N个连续的小区间，ωn表示每个小区间的宽度大小，每一个小区间用Λn＝[ωn‑1，ωn]表示，τn为以每个ωn为中心的过渡区域，过渡区域宽度为2τn；

(C2)、在每一个小区间Λn上，依据Littlewood‑Paley和Meyer小波变换方法，构造经验小波函数和经验小波尺度函数在频域内的定义为公式(3)和公式(4)：其中，τn＝γωn， 函数β(x)满足公式(5)和公式(6)：

4 2 3

满足上述性质的函数是β(x)＝x (35‑84x+70x‑20x)，对任意n＞0，将经验小波函数和尺度函数进一步化简表示为公式(7)和公式(8)：(C3)、根据经验小波函数和尺度函数来确定经验小波函数的细节系数 与近似‑1

系数 将傅里叶变换和傅里叶逆变换分别记作F[·]和F [·]，经验小波变换的细节系数 通过经验小波函数的内积得到：其中，“<·>”为内积运算；ψn(t)为经验小波函数； 为经验小波函数ψn(t)的傅里叶变换； 为经验小波函数ψn(t)的复共轭；

近似系数 通过尺度函数的内积得到：其中，“<·>”为内积运算；φ1(t)为经验尺度函数； 为尺度函数φ1(t)的傅里叶变换； 为尺度函数φ1(t)的复共轭；

(C4)、根据经验小波函数的细节系数 与近似系数 来重建原始信号，公式为：

其中，“*”为卷积运算； 和 分别为经验小波变换细节系数 和近似系数 的傅里叶变换，原信号分解为经验模态分量公式为：

5.根据权利要求1所述的基于EWT‑PDBN组合的短期风电功率预测方法，其特征是，在步骤E中，将n组预测数据进行叠加重构并反归一化，作为最终的风电功率预测结果，再根据误差评价指标进行预测结果分析，为了直观地评价各风电功率预测模型的准确度，详细分析2

对比各模型间的优劣状态，选择平均相对误差、均方根误差、精确度R、Pearson相关系数ePR作为风电功率预测模型的误差分析指标；

平均相对误差公式为：

均方根误差公式为：

精确度公式为：

Pearson相关系数公式为：

其中，yi、 分别为测试样本的真实值、测试样本真实值的平均值； 分别为测试样本的预测值、测试样本预测值的平均值；N为测试集样本个数，对于以上四种误差评价指2

标，MRE和RMSE指误差性指标，其值越小表示预测精度越高；而R和ePR指预测精度，其值越大表示预测精度越高。