[发明专利]一种基于变模式分解与长短记忆网络的风电预测方法

权利要求书

1.一种基于变模式分解与长短记忆网络的风电预测方法，其特征在于：包括如下步骤：

步骤1：测取风电功率历史数据P(t)；

步骤2：对风电功率信号进行变模式分解，获取多模态分量u_k，k取1、2、3，分别代表风电功率信号中的长期分量、短期波动分量和超短期随机分量；

步骤3：建立k个长短记忆网络模型，假设当前时刻为t，预测步长ΔT，以X＝(x_t-n，...，x_t)为输入，X为P(t)的VMD分解信号，其中x_t＝u_k(t)，u_k(t)为模态函数，以h_k＝u_k(t+ΔT)为输出，训练长短记忆网络模型；

步骤4：实时采样风电功率信号，得到信号的多模态分量，带入k个训练好的长短记忆网络模型，分别得到各个模型的输出h_k，最后合成输出即为风电功率预测值。

2.根据权利要求1所述的基于变模式分解与长短记忆网络的风电预测方法，其特征在于：所述步骤2包括如下具体步骤：

步骤2.1：对每个模态函数u_k(t)，采用希尔伯特变换计算相应的解析信号，得到相应的单侧频谱为：

式中：

步骤2.2：对每个模态函数u_k(t)，通过与模态函数对应的中心频率ω_k的指数项混叠，将每个模态的频谱调制到相应基频带为：

步骤2.3：由解调信号的高斯平滑法估计出各模态的带宽，求解带约束条件的变分问题，目标函数为：

式中：{u_k}＝{u₁，...，u_k}；{ω_k}＝{ω₁，...，ω_k}；

步骤2.4：采用二次惩罚因子α和拉格朗日乘法算子λ，将带约束条件的变分问题变为非约束性变分问题，拓展的拉格朗日表达式为：

式中：f(t)为风电功率信号P(t)；

步骤2.5：采用交替方向乘子法解决所述非约束性变分问题，通过交替更新以及λⁿ⁺¹寻求所述拓展的拉格朗日表达式的最优点；其中，利用傅里叶等距变换转变到频域：

式中：参数顶部带符号∧表示该参数的傅里叶变换，ω为频域变量，中i≠k；相当于当前剩余量的维纳滤波，n为迭代次数；

步骤2.6：对利用傅里叶等距变换转变到频域后的表达是求解，求得二次优化问题的解为：

步骤2.7：通过迭代求解，解得中心频率的更新方法：

式中：为当前模态函数功率谱的重心；对进行傅里叶逆变换，其实部则为{u_k(t)}。

3.根据权利要求1所述的基于变模式分解与长短记忆网络的风电预测方法，其特征在于：所述步骤3中，递归隐层按照时刻t依次计算长短记忆网络中3个门和记忆单元的激活值，t时刻的计算公式为：

输入门：

i_t＝σ(W_ixx_t+W_ihh_t-1+W_icc_t-1+b_i)

忘记门：

f_t＝σ(W_fxx_t+W_fhh_t-1+W_fcc_t-1+b_f)

记忆单元：

输出门：

o_t＝σ(W_oxx_t+W_ohh_t-1+W_occ_t-1+b_o)

隐层输出：

h_t＝o_t⊙φ(c_t)

其中：i_t表示输入门的输出，f_t表示忘记门的输出，c_t表示记忆单元的输出，o_t表示输出门的输出，h_t表示隐层输出；W_.x为上一隐层的输入x_t与记忆模块之间的连接矩阵，W_.h为当前隐层上一时刻的输出h_t-1与记忆模块之间的连接矩阵，W_.c为记忆模块内部连接3个门与记忆单元的对角矩阵；W_o.为输出门权重矩阵，b.为偏置向量；W_.x、W_.h、W_.c、W_o.、b.下标中的“.”指i、f、c、o、h，分别表示相应的输入门、忘记门、记忆单元、输出门、隐层输出对应的权中和偏置向量；x_t、h_t、c_t分别为当前时刻t的网络输入、网络输出和隐层输出；σ为Sigmoid非线性函数，φ为双曲正切非线性函数，⊙为向量间的逐个元素相乘符号；

长短记忆网络采用反向传播算法进行训练，步骤包括如下：

1)前向计算每个神经元输出值；

2)反向计算每个神经元的误差项，长短记忆网络误差项反向传播包括：沿时间反向传播；将误差项向上一层传播；

3)根据相应误差项，计算每个权重的梯度。