[發(fā)明專利]一種基于AEEMD和LSTM的風(fēng)功率預(yù)測(cè)方法及裝置在審
| 申請(qǐng)?zhí)枺?/td> | 202210905924.0 | 申請(qǐng)日: | 2022-07-29 |
| 公開(公告)號(hào): | CN115392542A | 公開(公告)日: | 2022-11-25 |
| 發(fā)明(設(shè)計(jì))人: | 麻紅波;張澈;王曉寧;劉聰;崔源;王亮亮 | 申請(qǐng)(專利權(quán))人: | 北京華能新銳控制技術(shù)有限公司 |
| 主分類號(hào): | G06Q10/04 | 分類號(hào): | G06Q10/04;G06Q50/06;G06N3/00;G06N3/04;G06N3/08;H02J3/00 |
| 代理公司: | 蘇州國(guó)誠(chéng)專利代理有限公司 32293 | 代理人: | 陳君名 |
| 地址: | 102209 北京市昌平區(qū)北七家*** | 國(guó)省代碼: | 北京;11 |
| 權(quán)利要求書: | 查看更多 | 說(shuō)明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 一種 基于 aeemd lstm 功率 預(yù)測(cè) 方法 裝置 | ||
1.一種基于AEEMD和LSTM的風(fēng)功率預(yù)測(cè)方法,其特征在于,包括:
步驟1:獲取實(shí)際風(fēng)電場(chǎng)的風(fēng)功率數(shù)據(jù),分析數(shù)據(jù)質(zhì)量;
步驟2:基于分形維數(shù)原理,結(jié)合粒子群尋優(yōu)算法,實(shí)現(xiàn)AEEMD對(duì)原始風(fēng)功率數(shù)據(jù)的分解,獲得n個(gè)較平穩(wěn)的模態(tài)分量imf;
步驟3:分別對(duì)n個(gè)模態(tài)分量構(gòu)建LSTM模型,實(shí)現(xiàn)LSTM模型對(duì)模態(tài)分量的訓(xùn)練與預(yù)測(cè);
步驟4:疊加LSTM模型的預(yù)測(cè)結(jié)果,獲得對(duì)原始風(fēng)功率數(shù)據(jù)的預(yù)測(cè)結(jié)果;
步驟5:對(duì)預(yù)測(cè)結(jié)果進(jìn)行誤差分析,評(píng)估模型性能。
2.根據(jù)權(quán)利要求1所述的基于AEEMD和LSTM的風(fēng)功率預(yù)測(cè)方法,其特征在于,所述步驟2包括:
步驟21:設(shè)置白噪聲幅值和加噪次數(shù)的取值范圍,初始化粒子群算法參數(shù),將白噪聲幅值和加噪次數(shù)作為粒子位置;
步驟22:在不同的白噪聲幅值和加噪次數(shù)條件下,對(duì)信號(hào)進(jìn)行EEMD分解,并計(jì)算所得模態(tài)的分形維數(shù),作為對(duì)應(yīng)情況下的適應(yīng)度函數(shù);
步驟23:比較各參數(shù)下的分形維數(shù),若歷史分形維數(shù)值小于當(dāng)前參數(shù)下的分形維數(shù),則對(duì)粒子參數(shù)更新;
步驟24:參數(shù)更新,重復(fù)步驟22和步驟23的過(guò)程,直到滿足停止條件;
步驟25:以不同白噪聲幅值和加噪次數(shù)下分解所得模態(tài)的分形維作為尋優(yōu)過(guò)程的適應(yīng)度函數(shù)fitness:
以適應(yīng)度函數(shù)最小為尋優(yōu)目標(biāo),記錄最優(yōu)的白噪聲參數(shù)和最優(yōu)參數(shù)下的EEMD分解結(jié)果。
3.根據(jù)權(quán)利要求2所述的基于AEEMD和LSTM的風(fēng)功率預(yù)測(cè)方法,其特征在于,所述步驟22中,對(duì)信號(hào)進(jìn)行EEMD分解包括:
步驟221:確定加入的白噪聲的幅值ε和加噪次數(shù)Ne;
步驟222:將白噪聲序列添加到待分解的時(shí)間序列x(t)中:
xj(t)=x(t)+ε*sj(t);
式中,sj(t)為第j次添加的白噪聲序列,xj(t)為染噪信號(hào);
步驟223:對(duì)xj(t)進(jìn)行EMD分解,得到一組i層imf,記為ci,j(t);
步驟224:重復(fù)步驟222和223Ne次,每次加入不同的白噪聲序列;
步驟225:對(duì)所有imf按層求平均值
由以上步驟,時(shí)間序列x(t)的EEMD分解結(jié)果表示為n個(gè)imf和余項(xiàng)之和,即:
4.一種裝置,其特征在于,包括存儲(chǔ)器和處理器;
所述存儲(chǔ)器,用于存儲(chǔ)計(jì)算機(jī)程序;
所述處理器,用于當(dāng)執(zhí)行所述計(jì)算機(jī)程序時(shí),實(shí)現(xiàn)如權(quán)利要求1至3任一項(xiàng)所述的基于AEEMD和LSTM的風(fēng)功率預(yù)測(cè)方法。
5.一種可讀存儲(chǔ)介質(zhì),其特征在于,所述存儲(chǔ)介質(zhì)上存儲(chǔ)有程序,當(dāng)所述程序被處理器執(zhí)行時(shí),實(shí)現(xiàn)如權(quán)利要求1至3任一項(xiàng)所述的基于AEEMD和LSTM的風(fēng)功率預(yù)測(cè)方法。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于北京華能新銳控制技術(shù)有限公司,未經(jīng)北京華能新銳控制技術(shù)有限公司許可,擅自商用是侵權(quán)行為。如果您想購(gòu)買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請(qǐng)聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202210905924.0/1.html,轉(zhuǎn)載請(qǐng)聲明來(lái)源鉆瓜專利網(wǎng)。
- 同類專利
- 專利分類
G06Q 專門適用于行政、商業(yè)、金融、管理、監(jiān)督或預(yù)測(cè)目的的數(shù)據(jù)處理系統(tǒng)或方法;其他類目不包含的專門適用于行政、商業(yè)、金融、管理、監(jiān)督或預(yù)測(cè)目的的處理系統(tǒng)或方法
G06Q10-00 行政;管理
G06Q10-02 .預(yù)定,例如用于門票、服務(wù)或事件的
G06Q10-04 .預(yù)測(cè)或優(yōu)化,例如線性規(guī)劃、“旅行商問(wèn)題”或“下料問(wèn)題”
G06Q10-06 .資源、工作流、人員或項(xiàng)目管理,例如組織、規(guī)劃、調(diào)度或分配時(shí)間、人員或機(jī)器資源;企業(yè)規(guī)劃;組織模型
G06Q10-08 .物流,例如倉(cāng)儲(chǔ)、裝貨、配送或運(yùn)輸;存貨或庫(kù)存管理,例如訂貨、采購(gòu)或平衡訂單
G06Q10-10 .辦公自動(dòng)化,例如電子郵件或群件的計(jì)算機(jī)輔助管理
- 用于高階長(zhǎng)短期記憶網(wǎng)絡(luò)的系統(tǒng)和方法
- 基于深度學(xué)習(xí)LSTM的空調(diào)故障診斷方法
- 基于注意力機(jī)制的時(shí)間序列預(yù)測(cè)方法、裝置及存儲(chǔ)介質(zhì)
- 一種基于PCA-LSTM網(wǎng)絡(luò)的廢水處理智能監(jiān)控方法
- 一種基于FAF-LSTM深度神經(jīng)網(wǎng)絡(luò)的居民負(fù)荷預(yù)測(cè)方法及系統(tǒng)
- 用于預(yù)測(cè)血糖水平的循環(huán)神經(jīng)網(wǎng)絡(luò)裝置和系統(tǒng)
- 基于情景LSTM結(jié)構(gòu)網(wǎng)絡(luò)的微博情感分析方法
- 語(yǔ)音信號(hào)處理方法、裝置、電子設(shè)備和存儲(chǔ)介質(zhì)
- 基于約束并行LSTM分位數(shù)回歸的電力負(fù)荷概率預(yù)測(cè)方法
- 基于深度網(wǎng)絡(luò)AS-LSTM的命名實(shí)體識(shí)別系統(tǒng)及識(shí)別方法





