一种基于长短期记忆模块的短期风功率预测方法技术

本发明专利技术提供了一种基于长短期记忆模块的短期风功率预测方法，包括：获取原始风功率数据，并对原始风功率数据进行预处理得到预处理数据；对预处理数据进行改进经验模态分解处理得到多个内涵模态分量；将多个内涵模态分量输入长短期记忆模型得到初始预测结果；基于原始风功率数据和初始预测结果确定误差序列，并将误差序列输入自回归滑动平均模型得到修正误差序列；基于修正误差序列和初始预测结果确定目标预测结果。本发明专利技术采用改进经验模态分解对风功率预处理数据进行分解，能够减少由增加白噪声带来的重构误差，可抑制模态分裂的问题，采用自回归滑动平均模型对误差序列进行修正，使得目标预测结果与实际值更加接近，得到更准确的预测结果。确的预测结果。确的预测结果。

【技术实现步骤摘要】
一种基于长短期记忆模块的短期风功率预测方法


[0001]本申请涉及预测领域，特别是涉及一种基于长短期记忆模块的短期风功率预测方法。

技术介绍

[0002]随着我国经济的高速发展，传统能源煤炭，石油，天然气快速消耗，仅是在一个不太长的阶段，它们最终会消耗殆尽。新能源和可再生能源将受到全球各国广泛的关注。在各种新能源中，风能受到的关注越来越多。由于风能发电的间歇性，不稳定性，并网后对于电网的冲击很大，对风功率的预测可以帮助电力有关部门对风功率的变化做出相应的调整，可减小风电并网对电力系统的运行带来的不利影响，因此对风功率的预测是很重要和有意义的。
[0003]目前对风功率预测的方法有很多，其中利用神经网络对风功率进行预测成为当前一大热点。但是，传统的神经网络对长期依赖信息的学习能力不足，会出现梯度消失等问题，并且风电功率数据是随机性的，波动性的，直接对风电功率数据进行预测是不准确的。加上考虑实际气象因素的影响，利用神经网络对风功率进行预测与实际值相比会出现一些偏差。
[0004]因此，现有技术有待改进。

技术实现思路

[0005]本专利技术所要解决的技术问题是，现有技术对风功率进行预测准确率不高。本专利技术提出了一种基于长短期记忆模块的短期风功率预测方法，对预处理数据进行改进经验模态分解处理，能够减少由增加白噪声带来的重构误差，采用自回归滑动平均模型对误差序列进行修正，使得目标预测结果与实际值更加接近，得到更准确的预测结果。
[0006]第一方面，本专利技术实施例提供了一种基于长短期记忆模块的短期风功率预测方法，包括：
[0007]获取原始风功率数据，并对所述原始风功率数据进行预处理，得到预处理数据；
[0008]对所述预处理数据进行改进经验模态分解处理，得到多个内涵模态分量；
[0009]将所述多个内涵模态分量输入长短期记忆模型，得到初始预测结果；
[0010]基于所述原始风功率数据和所述初始预测结果确定误差序列，并将所述误差序列输入自回归滑动平均模型，得到修正误差序列；
[0011]基于所述修正误差序列和所述初始预测结果确定目标预测结果。
[0012]作为进一步的改进技术方案，所述对所述预处理数据进行改进经验模态分解处理，得到多个内涵模态分量，具体包括：
[0013]将两组白噪声信号分别添加至所述预处理数据，以得到两组风功率噪声信号；
[0014]对所述两组风功率噪声信号分别进行改进经验模态分解处理，得到两组分量序列和残余分量；
[0015]对所述两组分量序列进行集合平均处理，得到平均分量序列，其中，所述平均分量序列包括多个平均分量；
[0016]确定所述平均分量序列中的若干异常分量，并将所述若干异常分量剔除；
[0017]将所述残余分量和未被剔除的多个平均分量作为多个内涵模态分量。
[0018]作为进一步的改进技术方案，所述确定所述平均分量序列中的若干异常分量，并将所述若干异常分量剔除，具体包括：
[0019]确定所述平均分量序列中每个平均分量的熵值，并将熵值大于预设阈值的若干平均分量作为若干异常分量；
[0020]剔除所述若干异常分量。
[0021]作为进一步的改进技术方案，基于训练风功率数据和所述长短期记忆模型对初始自回归滑动平均模型进行训练得到所述自回归滑动平均模型。
[0022]作为进一步的改进技术方案，所述基于训练风功率数据和所述长短期记忆模型对初始自回归滑动平均模型进行训练得到所述自回归滑动平均模型，具体包括：
[0023]基于训练风功率数据和所述长短期记忆模型确定训练预测结果；
[0024]基于所述训练预测结果和所述训练风功率数据确定训练误差序列；
[0025]当所述训练误差序列平稳时，根据最小信息准则确定阶次；
[0026]基于所述训练风功率数据、所述阶次和所述初始自回归滑动平均模型确定训练残差序列，当所述训练残差序列不是白噪声序列时，继续执行所述当所述训练误差序列平稳时，根据最小信息准则确定阶次的步骤，直至所述训练残余序列为白噪声序列，则得到所述自回归滑动平均模型。
[0027]作为进一步的改进技术方案，所述长短期记忆模型是基于训练数据集、学习率对初始长短期记忆模型进行训练得到，其中，基于鲸鱼优化算法确定所述学习率。
[0028]作为进一步的改进技术方案，所述基于所述修正误差序列和所述初始预测结果确定目标预测结果，具体包括：
[0029]将所述修正误差序列和所述初始预测结果相加，得到目标预测结果。
[0030]作为进一步的改进技术方案，所述对所述原始风功率数据进行预处理，得到预处理数据，具体包括：
[0031]获取所述原始风功率数据对应的最大值和最小值；
[0032]计算所述原始风功率数据和所述最大值之间的第一差值；
[0033]计算所述原始风功率数据和所述最小值之间的第二差值；
[0034]将所述第一差值和所述第二差值之间的比值作为所述预处理数据。
[0035]第二方面，本专利技术提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0036]获取原始风功率数据，并对所述原始风功率数据进行预处理，得到预处理数据；
[0037]对所述预处理数据进行改进经验模态分解处理，得到多个内涵模态分量；
[0038]将所述多个内涵模态分量输入长短期记忆模型，得到初始预测结果；
[0039]基于所述原始风功率数据和所述初始预测结果确定误差序列，并将所述误差序列输入自回归滑动平均模型，得到修正误差序列；
[0040]基于所述修正误差序列和所述初始预测结果确定目标预测结果。
[0041]第三方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0042]获取原始风功率数据，并对所述原始风功率数据进行预处理，得到预处理数据；
[0043]对所述预处理数据进行改进经验模态分解处理，得到多个内涵模态分量；
[0044]将所述多个内涵模态分量输入长短期记忆模型，得到初始预测结果；
[0045]基于所述原始风功率数据和所述初始预测结果确定误差序列，并将所述误差序列输入自回归滑动平均模型，得到修正误差序列；
[0046]基于所述修正误差序列和所述初始预测结果确定目标预测结果。
[0047]与现有技术相比，本专利技术实施例具有以下优点：
[0048]在本专利技术实施例中，获取原始风功率数据，并对所述原始风功率数据进行预处理，得到预处理数据；对所述预处理数据进行改进经验模态分解处理，得到多个内涵模态分量；将所述多个内涵模态分量输入长短期记忆模型，得到初始预测结果；基于所述原始风功率数据和所述初始预测结果确定误差序列，并将所述误差序列输入自回归滑动平均模型，得到修正误差序列；基于所述修正误差序列和所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于长短期记忆模块的短期风功率预测方法，其特征在于，包括：获取原始风功率数据，并对所述原始风功率数据进行预处理，得到预处理数据；对所述预处理数据进行改进经验模态分解处理，得到多个内涵模态分量；将所述多个内涵模态分量输入长短期记忆模型，得到初始预测结果；基于所述原始风功率数据和所述初始预测结果确定误差序列，并将所述误差序列输入自回归滑动平均模型，得到修正误差序列；基于所述修正误差序列和所述初始预测结果确定目标预测结果。2.根据权利要求1所述的基于长短期记忆模块的短期风功率预测方法，其特征在于，所述对所述预处理数据进行改进经验模态分解处理，得到多个内涵模态分量，具体包括：将两组白噪声信号分别添加至所述预处理数据，以得到两组风功率噪声信号；对所述两组风功率噪声信号分别进行改进经验模态分解处理，得到两组分量序列和残余分量；对所述两组分量序列进行集合平均处理，得到平均分量序列，其中，所述平均分量序列包括多个平均分量；确定所述平均分量序列中的若干异常分量，并将所述若干异常分量剔除；将所述残余分量和未被剔除的多个平均分量作为多个内涵模态分量。3.根据权利要求2所述的基于长短期记忆模块的短期风功率预测方法，其特征在于，所述确定所述平均分量序列中的若干异常分量，并将所述若干异常分量剔除，具体包括：确定所述平均分量序列中每个平均分量的熵值，并将熵值大于预设阈值的若干平均分量作为若干异常分量；剔除所述若干异常分量。4.根据权利要求1所述的基于长短期记忆模块的短期风功率预测方法，其特征在于，基于训练风功率数据和所述长短期记忆模型对初始自回归滑动平均模型进行训练得到所述自回归滑动平均模型。5.根据权利要求4所述的基于长短期记忆模块的短期风功率预测方法，其特征在于，所述基于训练风功率数据和所述长短期记忆模型对初始自回归滑动平均模型进行训练得到所述自回归滑动平均模型，具体...

【专利技术属性】
技术研发人员：黄文聪，潘风，杨子潇，朱自铭，张凤顺，王浩源，朱禛浩，张惠雯，胡宇博，常雨芳，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：