[发明专利]一种风电场超短期功率预测方法

权利要求书

1.一种基于集合经验模态分解后样本熵度量筛选数据，最后用改进鲸鱼算法优化的长短期记忆网络预测的风电场超短期功率预测方法。包括以下步骤：

给原始信号添加白噪声；

用EMD分解算法得到IMF分量；

对得到的IMF分量进行Hilbert变换；

用样本熵对得到的IMF分量进行度量筛选；

对鲸鱼算法进行改进；

采用鲸鱼算法对长短期记忆网络的参数进行无监督寻优；

利用寻优后的神经网络对数据进行预测。

2.根据权利要求1所述的基于集合经验模态分解和鲸鱼算法优化的长短期记忆网络的风电场超短期功率预测方法，所属采用改进鲸鱼算法优化长短期记忆网络进行风电功率超短期预测的步骤为：

步骤一：原始的鲸鱼算法的收敛因子为a＝2-2t/T_max，其中T_max表示最大迭代次数。经过分析，可以发现此时的收敛因子a是线性从2递减到0的。但在群智能算法中，全局搜索和局部搜索这两种搜索类型是同时存在的，前者能力强可以保证种群的多样性，而后者则与算法对局部搜索的精准度正相关。而原始的收敛因子a线性递减策略不能完全体现出实际的优化搜索过程，故本专利提出一种新的非线性收敛方式

其中，e是自然对数的底数；t是当前迭代的次数；L_max是最大迭代次数；

步骤二：将改进鲸鱼算法与长短期记忆网络结合以无监督方式获取合适的模型参数；

步骤三：将长短期记忆网络的迭代次数epoch和隐藏层神经元个数N作为改进后的鲸鱼算法的决策变量；

步骤四：分别计算种群内个体鲸鱼的适应度fitness。其中，鲸鱼优化算法的适应度函数为：fitness(l)＝(Y′-Y)^T(Y′-Y)，Y′为LSTM模型的输出值，Y为训练样本X对应的标签值，l为当前迭代次数；

步骤五：对每个鲸鱼的适应度值进行比较，取适应度最小的鲸鱼作为当前最佳鲸鱼位置X(epoch,N)；

步骤六：座头鲸捕猎方式判断，选择收缩包围机制或者螺旋螺旋泡泡网攻击的方式更新位置；

其中，l和p分别为(-1，1)和(0，1)之间的随机数，D_p表示猎物与鲸鱼之间的距离，b为对数螺旋系数，螺线的形状会随着b的取值发生改变。座头鲸捕猎时会以p的概率选择以上2种捕猎方式的其中的1种；

步骤七：计算更新后的鲸鱼个体适应度值，如果新的鲸群个体适应度优于前代鲸群个体适应度，则新鲸群个体位置替代原鲸群个体位置；否则保留原鲸群个体位置；

步骤八:令t＝t+1.判断算法是否达到终止条件，若是，输出最优个体位置X″及其适应度值算法结束；否则重复上面的步骤；

步骤九：利用改进鲸鱼算法获得的最优个体位置X″，即长短期记忆网络的迭代次数epoch和隐藏层神经元个数N；

步骤七：利用无监督学习得到的长短期记忆网络对通过经验模态分解后的IMF分量进行预测，最后将每个预测值组合得到最终的结果。