一种基于VMD-CNN-LSTM模型的风电功率预测系统技术方案

本发明专利技术属于风电功率预测技术领域，具体为一种基于VMD‑CNN‑LSTM模型的风电功率预测系统，包括LSTM长短时记忆网络模块、CNN卷积神经网络模块、VMD变分模态分解模块、误差评价指标模块和基于VMD‑CNN‑LSTM风电功率预测模型；LSTM长短时记忆网络模块，可以有效解决循环神经网络的梯度爆炸或消失问题，长短时记忆网络作为循环神经网络的一种变体，在时间序列问题上有着强大的学习能力与计算能力，在回归和分类方面均有广泛的应用；CNN卷积神经网络模块，卷积神经网络由卷积层、池化层和全连接层组成，其特点是用卷积代替全连接，其结构合理，结合VMD变分模态分解与CNN卷积神经网络和LSTM长短时记忆网络组合混合预测模型，形成VMD‑CNN‑LSTM风电功率预测系统，可以有效的提高预测精度。

【技术实现步骤摘要】

本专利技术涉及风电功率预测，具体为一种基于vmd-cnn-lstm模型的风电功率预测系统。

技术介绍

1、随着目前人工智能的飞速发展，机器学习的能力不断提升，智能学习方法归属于统计方法中，例如人工神经网络、支持向量机等等。智能学习方法利用输入特征变量与输出变量之间关系进行数据训练建立非线性关系进行预测。由于智能学习方法的计算速度等优势，成为现在目前研究的重点，但由于智能学习方法也依赖于大量的历史数据进行训练，预测结果精度需要进一步提升。随着深度学习理论方法的深入发展以及应用，风电预测领域逐渐引入深度学习方法，包括循环神经网络、长短时记忆神经网络、卷积神经网络等，为提高单一算法的预测精度问题，结合两种及以上的组合算法成为研究的主要方向。

2、风电输出功率受到诸多复杂条件的影响，因此为解决外界因素的影响，将数据预处理技术与预测模型结合的混合预测方法成为目前研究热点。通过分解历史功率的方法建立风电功率子序列的预测模型叠加各个预测结果，一定程度上可以解决预测精度的问题。但分解功率的方法往往选择忽略气象特征的影响，从而提升预测精度。另一方面考虑气象特征与本文档来自技高网...

【技术保护点】

1.一种基于VMD-CNN-LSTM模型的风电功率预测系统，其特征在于：包括LSTM长短时记忆网络模块、CNN卷积神经网络模块、VMD变分模态分解模块、误差评价指标模块和基于VMD-CNN-LSTM风电功率预测模型；

2.根据权利要求1所述的一种基于VMD-CNN-LSTM模型的风电功率预测系统，其特征在于：长短时记忆网络引入新的内部状态ct专门进行线性的循环信息传递，同时非线性输出信息到隐藏层的外部状态ht，则内部状态ct为：

3.根据权利要求1所述的一种基于VMD-CNN-LSTM模型的风电功率预测系统，其特征在于：在全连接前馈神经网络中，如果第n层有Nl个神...

【技术特征摘要】

1.一种基于vmd-cnn-lstm模型的风电功率预测系统，其特征在于：包括lstm长短时记忆网络模块、cnn卷积神经网络模块、vmd变分模态分解模块、误差评价指标模块和基于vmd-cnn-lstm风电功率预测模型；

2.根据权利要求1所述的一种基于vmd-cnn-lstm模型的风电功率预测系统，其特征在于：长短时记忆网络引入新的内部状态ct专门进行线性的循环信息传递，同时非线性输出信息到隐藏层的外部状态ht，则内部状态ct为：

3.根据权利要求1所述的一种基于vmd-cnn-lstm模型的风电功率预测系统，其特征在于：在全连接前馈神经网络中，如果第n层有nl个神经元，第n-1层有nn-1个神经元，连接边有nn×nn-1，也就是权...

【专利技术属性】
技术研发人员：李丽霞，李润金，于宏涛，唐权宇，
申请(专利权)人：沈阳工程学院，
类型：发明
国别省市：