一种基于鹈鹕优化算法的VMD-PCA-LSTM超短期风电功率预测方法技术

本申请公开了一种基于鹈鹕优化算法的VMD‑PCA‑LSTM超短期风电功率预测方法，本方法包括数据预处理、功率序列模态分解、优化算法以及预测模型四个模块。首先通过四分位法清洗风电场异常数据，并插补缺失数据，采用能量差值法选择VMD分解子模态数，并对复杂波动的原始功率序列进行分解；其次，采用PCA对高维的气象数据进行主成分提取，降低特征数据的挖掘难度；最后，引入鹈鹕优化算法对LSTM预测模型的Dropout丢弃率、学习率、第一隐藏层单元数、第二隐藏层单元数这四维超参数进行自动寻优，以加速模型收敛，提高拟合精度。鹈鹕优化算法结构简洁，容易实现，并且具有良好的可扩展性，可以优化LSTM模型的参数，从而有效提高风电功率预测的精度。

【技术实现步骤摘要】

本专利技术属于超短期风电功率预测领域，涉及一种基于鹈鹕优化算法的vmd-pca-lstm超短期风电功率预测方法。

技术介绍

1、随着经济的发展，全球能源需求不断增加。传统能源使用过程中产生大量温室气体和空气污染物，加速了气候变化和环境破坏。风能作为一种清洁、低碳、可再生、分布广泛的能源，已被广泛认可和应用。然而，由于风力发电的波动性和间歇性等特点，对电力系统的安全运行构成严重隐患，精确的风功率预测可以帮助电网调度人员提前安排旋转备用容量，做出调度决策。

2、风电功率预测模型主要分为物理模型和基于数据的统计模型。物理模型由气象和地理参数构建，涉及温度、地形和障碍物信息。基于数据的统计模型利用风电场历史数据，来寻找风电功率与历史序列之间的非线性关系，从而提高预测精度。常见的非线性预测模型包括支持向量机、随机森林、人工神经网络等。递归神经网络在处理时间序列数据时具有较强的记忆能力、可变长度序列处理能力和参数共享优势，可以有效地捕捉时间序列中的模式和趋势。长短期记忆和门控循环单元神经网络进一步帮助了递归系列网络在时间序列领域的领先地位。但是，在高频、高本文档来自技高网...

【技术保护点】

1.基于鹈鹕优化算法的VMD-PCA-LSTM超短期风电功率预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于鹈鹕优化算法的VMD-PCA-LSTM超短期风电功率预测方法，其特征是，其中对采集的数据进行预处理包括以下步骤：

3.根据权利要求1所述的一种基于鹈鹕优化算法的VMD-PCA-LSTM超短期风电功率预测方法，其特征是，其中基于能量差值法的VMD分解包括以下步骤：

4.根据权利要求1所述的一种基于鹈鹕优化算法的VMD-PCA-LSTM超短期风电功率预测方法，其特征是，其中PCA的实现过程包括以下步骤：>

5.根据权利...

【技术特征摘要】

1.基于鹈鹕优化算法的vmd-pca-lstm超短期风电功率预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于鹈鹕优化算法的vmd-pca-lstm超短期风电功率预测方法，其特征是，其中对采集的数据进行预处理包括以下步骤：

3.根据权利要求1所述的一种基于鹈鹕优化算法的vmd-pca-lstm超短期风电功率预测方法，其特征是，其中基于能量差值法的vmd分解包括以下步骤：

4.根据权利要求1所述的一种基于鹈鹕优化算法的vmd-pca-lstm超短期风电功率预测方法，其特征是，其中pca的实现过程包括以下步骤：

5.根据权利要求1所述的一种基于鹈鹕...

【专利技术属性】
技术研发人员：何必涛，闫建国，罗杰，甘国民，伍雄，吴军，杨靖，彭正义，李庆军，何星月，刘文华，罗潇远，
申请(专利权)人：中国电建集团贵州工程有限公司，
类型：发明
国别省市：