[發(fā)明專利]一種基于EMD-LSTM的短期風(fēng)電功率預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202110491290.4
• 申請日: 2021-05-06
• 公開（公告）號: CN113111592A
• 公開（公告）日: 2021-07-13
• 發(fā)明（設(shè)計）人: 田小航;趙燕團;金仕琦;張忠才;王榮泰;徐文力;陳辛
• 申請（專利權(quán)）人: 云南電力技術(shù)有限責(zé)任公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06Q10/04;G06Q50/06;G06F113/06
• 代理公司: 北京弘權(quán)知識產(chǎn)權(quán)代理有限公司 11363
• 代理人: 逯長明;許偉群

1.一種基于EMD-LSTM的短期風(fēng)電功率預(yù)測方法，其特征在于，所述方法包括：

獲取風(fēng)場的歷史數(shù)據(jù)，所述歷史數(shù)據(jù)包括天氣預(yù)報數(shù)據(jù)和歷史風(fēng)電功率數(shù)據(jù)；

對所述歷史數(shù)據(jù)進行歸一化處理，得到待處理歷史數(shù)據(jù)；

根據(jù)經(jīng)驗?zāi)B(tài)分解對待處理歷史數(shù)據(jù)進行分解，以及，平穩(wěn)化處理，得到多組子序列；

對各組子序列進行相關(guān)性篩選，篩選出n+1組待處理子序列；

對所述待處理子序列和所述待處理歷史數(shù)據(jù)通過長短期記憶網(wǎng)絡(luò)模型預(yù)測，得到n+1個預(yù)測值，所述預(yù)測值為待處理子序列分量的預(yù)測值；

對所述n+1個預(yù)測值進行反歸一化處理，并疊加得到最終預(yù)測結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于EMD-LSTM的短期風(fēng)電功率預(yù)測方法，其特征在于，對所述歷史數(shù)據(jù)進行歸一化處理，歸一化公式為：

式中，y與y^*分別表示歸一化前后的數(shù)據(jù)；y_max與y_min分別表示歸一化前的最大值和最小值。

3.根據(jù)權(quán)利要求2所述的一種基于EMD-LSTM的短期風(fēng)電功率預(yù)測方法，其特征在于，所述歷史風(fēng)電功率數(shù)據(jù)包括歷史最大風(fēng)電功率數(shù)據(jù)、歷史最小風(fēng)電功率數(shù)據(jù)和歷史平均風(fēng)電功率數(shù)據(jù)。

4.根據(jù)權(quán)利要求3所述的一種基于EMD-LSTM的短期風(fēng)電功率預(yù)測方法，其特征在于，所述根據(jù)經(jīng)驗?zāi)B(tài)分解對待處理歷史數(shù)據(jù)進行分解，包括：

根據(jù)所述歷史平均風(fēng)電功率數(shù)據(jù)，確定各種特征向量的局部極大值點和極小值點；

通過三次樣條曲線函數(shù)構(gòu)造每種特征向量的上包絡(luò)線a(t)和下包絡(luò)線b(t)；

通過所述上包絡(luò)線和下包絡(luò)線，確定每種特征向量的平均值

計算原始?xì)v史平均風(fēng)電功率序列y(t)，并和平均值c(t)作差，得到特征向量的差值d(t)＝y(tǒng)(t)-c(t)；

如果特征向量的差值d(t)符合經(jīng)驗?zāi)B(tài)分解的分量條件時，所述特征向量的差值d(t)為所述原始?xì)v史平均風(fēng)電功率序列y(t)的最大頻率分量l₁(t)；

對原始?xì)v史平均風(fēng)電功率序列y(t)和最大頻率分量l_i(t)作差，得到剩余分量序列r_i(t)(i＝1，2，…，n)；

如果剩余分量序列r_i(t)是單調(diào)函數(shù)或常量時，則結(jié)束經(jīng)驗?zāi)B(tài)分解過程。

5.根據(jù)權(quán)利要求1所述的一種基于EMD-LSTM的短期風(fēng)電功率預(yù)測方法，其特征在于，所述對所述待處理子序列和所述待處理歷史數(shù)據(jù)通過長短期記憶網(wǎng)絡(luò)模型預(yù)測，其中，對所述長短期記憶網(wǎng)絡(luò)模型進行優(yōu)化，包括：

輸入層與輸出層之間神經(jīng)元的個數(shù)M由訓(xùn)練集數(shù)據(jù)的特征決定；

通過神經(jīng)元個數(shù)公式和評價指標(biāo)最優(yōu)的條件下選取神經(jīng)元的個數(shù)M，所述神經(jīng)元個數(shù)公式為：

式中，n和m分別為輸出層和輸入層的節(jié)點數(shù)，a為[0，10]之間的常數(shù)；

根據(jù)所述神經(jīng)元的個數(shù)M逐步增加網(wǎng)絡(luò)層數(shù)來測試模型和平均相對誤差的評價指標(biāo)，得到網(wǎng)絡(luò)層；

根據(jù)所述網(wǎng)絡(luò)層，得到優(yōu)化后的長短期記憶網(wǎng)絡(luò)模型。