完备总体经验模态分解和深度信念网络的风速预测方法技术

本发明专利技术涉及一种基于完备总体经验模态分解和深度信念网络的风速预测方法，通过将采集到的原始风速数据进行预处理及归一化处理；再用完备总体经验模态分解对归一化处理后的数据进行分解，分解成一系列不同频率的子序列和一个残余序列；建立深度信念网络预测模型，网络输入为各频率子序列及残余序列，网络输出为模型预测出的风速数据；将各频率子序列分别代入所建立的深度信念网络模型，深度信念网络先提取各子序列中的主要特征并建模，然后利用BP神经网络进行有监督学习，采用梯度下降法对网络权值参数不断进行调整，实现风速预测的预测误差最小化。本发明专利技术所提供的方法能够对风速进行准确高效的预测，提高了预测精度，减小了预测误差，实现方便。

【技术实现步骤摘要】
完备总体经验模态分解和深度信念网络的风速预测方法
本专利技术涉及风速预测
，特别是涉及一种完备总体经验模态分解和深度信念网络的风速预测方法。
技术介绍
近年来，由于能源消费的快速增长，全球能源危机日益严重，而且传统资源如煤、石油等的储量十分有限，因而，人们越来越多的关注自然可再生能源的发展和利用。风能，作为清洁的可再生能源，分布广泛，无环境成本，而且我国风能资源蕴藏十分丰富，开发前景广阔。风力发电是风能的主要利用形式，并网的风力发电量在电网中所占的比例越来越大。但由于风速具有随机性、波动性和不可控性的特性，导致发电功率的不稳定性，给电网带来了极大的冲击，从而影响了电能质量和电力系统的安全稳定运行。因此，努力提高风力发电的利用效率，降低风能的集成成本，发展准确高效的风速预测技术十分必要。国外对风速预测研究已有二十多年了，风力发电技术已经比较成熟，并且已经将短期风速预测技术运用到了电力系统中。国内风速预测研究起步比国外晚，广大学者和科研工作者也相继发表了大量相关文章，取得了较好的科研成果。目前，风速预测研究的常见方法主要有：持续法、时间序列法、卡尔曼滤波法、人工神经网络法、空间相关本文档来自技高网...

【技术保护点】
一种完备总体经验模态分解和深度信念网络的风速预测方法，其特征在于，包括训练阶段和测试阶段，训练阶段包括以下步骤：(A)输入训练数据，并将训练数据进行归一化，将输入数据归一化到区间(0,1)之内；(B)用完备总体经验模态分解方法对归一化之后的训练数据进行分解，得到频率不同的子序列和一个残余分量序列，并建立对应的深度信念网络预测模型；(C)将分解得到的子序列和残余分量序列代入深度信念网络预测模型中的受限玻尔兹曼机中进行训练，获得深度信念网络的参数初始值；测试阶段包括以下步骤：(a)输入测试数据，将测试数据按照训练阶段中的归一化参数和分解尺度分别进行数据归一化和完备总体经验模态分解，得到测试数据的各...

【技术特征摘要】
1.一种完备总体经验模态分解和深度信念网络的风速预测方法，其特征在于，包括训练阶段和测试阶段，训练阶段包括以下步骤：(A)输入训练数据，并将训练数据进行归一化，将输入数据归一化到区间(0,1)之内；(B)用完备总体经验模态分解方法对归一化之后的训练数据进行分解，得到频率不同的子序列和一个残余分量序列，并建立对应的深度信念网络预测模型；(C)将分解得到的子序列和残余分量序列代入深度信念网络预测模型中的受限玻尔兹曼机中进行训练，获得深度信念网络的参数初始值；测试阶段包括以下步骤：(a)输入测试数据，将测试数据按照训练阶段中的归一化参数和分解尺度分别进行数据归一化和完备总体经验模态分解，得到测试数据的各子频率序列和残余分量序列；(b)将测试数据的各子频率序列分别代入对应的已经训练调整好的深度信念网络预测模型，得到测试数据的各子频率序列对应的预测值；(c)进行序列重构得到测试数据的完整预测值，输出测试数据，并将测试数据反归一化得到完整的风速预测值。2.根据权利要求1所述的完备总体经验模态分解和深度信念网络的风速预测方法，其特征在于，所述训练阶段的步骤(C)后还包括再对各子频率序列对应的深度信念网络预测模型进行有监督的学习，使用BP神经网络结合梯度下降法对网络进行...

【专利技术属性】
技术研发人员：胡亚兰，陈亮，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海,31