基于EMD-KPCA-BiLSTM-ATT模型的风电功率预测方法技术

本发明专利技术提出了一种基于EMD‑KPCA‑BiLSTM‑ATT模型的风电功率预测方法，其步骤为：首先，使用EMD对实验样本数据进行分解，得到一系列IMF分量和残差分量；其次，利用KPCA算法计算各IMF分量的贡献率进行降维处理，降维后的特征数据形成新的数据集；对新的数据集中的数据进行归一化处理后再划分为训练集和测试集；然后，利用训练集数据对BiLSTM‑ATT组合预测模型进行学习训练，对比预测结果，确定达到目标准确率的超参数，进而得到最优预测模型；最后，利用测试集数据对最优预测模型进行测试，得到待预测的风电功率，并对预测效果进行评价。本发明专利技术降低了外部环境因素对预测结果的影响，解决了时间序列的长时依赖问题，提高了预测精度。

【技术实现步骤摘要】

本专利技术属于风电功率预测领域，涉及一种基于emd-kpca-bilstm-att模型的风电功率预测方法。

技术介绍

1、风能作为一种清洁可再生能源，受到全球范围的广泛关注。随着技术进步和经济推动，风能成本降低，效率提高，其在能源转型和可持续发展中的地位也日益重要。然而风电功率受环境因素影响较大，如风速变化、风向改变以及气象条件波动等，致使风电功率输出具有明显的不稳定性、间歇性和强非线性特点。风电功率的不确定性将会危害电力系统运行的可靠性，因此准确预测风电功率对于实现可靠的电力供应、降低运营成本和提高电网稳定性至关重要，也是推动发展风电能源的重要保障。

2、随着计算机科学和人工智能的快速发展，以数据驱动的神经网络模型方法在风电功率预测领域取得了显著进展，如人工神经网络(artificial neural network，ann)、支持向量机(support vector machine，svm)、随机森林(random forest，rf)、极限学习机(extreme learning machine，elm)算法等简单预测模型。由于风电功率具本文档来自技高网...

【技术保护点】

1.一种基于EMD-KPCA-BiLSTM-ATT模型的风电功率预测方法，其特征在于，其步骤如下：

2.根据权利要求1所述的基于EMD-KPCA-BiLSTM-ATT模型的风电功率预测方法，其特征在于，所述采用四分位法和线性插值法对实验样本进行筛选和填充的方法为：

3.根据权利要求1所述的基于EMD-KPCA-BiLSTM-ATT模型的风电功率预测方法，其特征在于，所述使用EMD对异常数据处理后的实验样本数据进行分解的方法为：

4.根据权利要求1所述的基于EMD-KPCA-BiLSTM-ATT模型的风电功率预测方法，其特征在于，所述利用KPCA算法计算...

【技术特征摘要】

1.一种基于emd-kpca-bilstm-att模型的风电功率预测方法，其特征在于，其步骤如下：

2.根据权利要求1所述的基于emd-kpca-bilstm-att模型的风电功率预测方法，其特征在于，所述采用四分位法和线性插值法对实验样本进行筛选和填充的方法为：

3.根据权利要求1所述的基于emd-kpca-bilstm-att模型的风电功率预测方法，其特征在于，所述使用emd对异常数据处理后的实验样本数据进行分解的方法为：

4.根据权利要求1所述的基于emd-kpca-bilstm-att模型的风电功率预测方法，其特征在于，所述利用kpca算法计算各imf分量的贡献率进行降维处理的方法为：

5.根据权利要求1所述的基于emd-kpca-bilstm-att模型的风电功率预...

【专利技术属性】
技术研发人员：张志艳，邓澳博，赵海亮，李建勇，杨唐毅格，杨小亮，郭磊磊，张国华，张雪锋，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：