基于粒子群优化的制造技术

本发明专利技术公开了一种基于粒子群优化的

【技术实现步骤摘要】
基于粒子群优化的EMD
‑
CNN
‑
LSTM短期风速预测方法


[0001]本专利技术涉及一种短期风速预测方法，尤其涉及一种基于粒子群优化的
EMD
‑
CNN
‑
LSTM
短期风速预测方法，属于风电

。

技术介绍

[0002]风力发电是一种清洁能源
。
但风速具有间歇性和随机性的特征，这对于风电机组的快速稳定控制
、
电网调峰调频以及电网电压控制带来了严峻挑战，而精准有效的风速预测是缓解这一不良影响的有效措施之一
。
因此，风速预测在风电行业发展中显得尤为重要
。
[0003]现有的短期风速预测方法有物理模型法
、
自回归滑动平均模型法等
。
其中，物理模型法需要以天气预报情报为建模基础，根据大气实际情况求解天气演变过程的流体力学和热力学方程，来预测风电场所在区域的风速，该方法涉及的参数种类较多
、
数据量较大，导致预测的运算工作量大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于粒子群算法优化的
EMD
‑
CNN
‑
LSTM
风电功率预测方法，其特征在于，所述方法包括以下步骤：
(1)
使用经验模态分解原始的风电功率数据
。(2)
进行数据集划分
,
划分出训练集和测试集
。(3)
基于长短期记忆神经网络和卷积神经网络构建好风电功率预测模型
。(4)
利用粒子群
(PSO)
优化算法对
CNN
‑
LSTM
模型超参数进行优化，利用粒子群算法搜寻到最优模型超参数
。(5)
设定好模型超参数以及其他参数，并输入训练数据集到型进行训练
。(6)
保存好训练好的模型
。(7)
利用测试数据集对训练得到的模型进行测试，整理数据
。2.
如权利要求1所述的一种基于粒子群算法优化的
EMD
‑
CNN
‑
LSTM
风电功率预测方法，其特征在于，所述步骤
(1)
包括：本发明使用的从美国某风电场收集到的整个风电场
2012
年
10
天的负荷数据，负荷数据是每
15
分钟进行采样的，先将数据进行了归一化处理，根据经验模态分解
(EMD)
处理数据进行分解，得到多组
IMF
子序列
。3.
如权利要求1所述的一种基于粒子群算法优化的
EMD
‑
CNN
‑
LSTM
风电功率预测方法，其特征在于，所述步骤
(2)
包括：选择训练数据集和测试集数据
。
将收集到的横向数据集转换为纵向数据集，取百分之
90
数据作为训练集，百分之
10
作为测试集
。4.
如权利要求1所述的一种基于粒子群算法优化的
EMD
‑
CNN
‑
LSTM
风电功率预测方法，其特征在于，所述步骤
(3)
包括：基于长短期记忆神经网络和卷积神经网络构建好电力负荷预测模型
。
本发明使用
CNN
‑
LSTM
组合而成的混合模型
。
卷积层用于从输入数据中提取有价值的特征，而
LSTM
层用于利用短期和长期依赖关系
。CNN
特征提取块由1个
1D
卷积层组成，卷积操作非常有效，在深度学习框架中堆积几个卷积层使初始层能...

【专利技术属性】
技术研发人员：李永澍，孙炜伟，于得海，丁鲁松，
申请(专利权)人：曲阜师范大学，
类型：发明
国别省市：