[发明专利]基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术

权利要求书

1.基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术，其特征在于，包括以下步骤：

S1、利用完备集合经验模态分解对风速序列进行平稳化处理，将其分解为N个不同尺度的模态分量，降低风速序列的复杂度，然后对这N个序列分别建立LSTM预测模型，最后叠加求和；

S2、利用相空间重构的算法将数据集分割成训练集、交叉验证集和测试集；

S3、通过在交叉验证集上计算误差的方式，利用改进蚁群优化算法优化LSTM模型参数的选择，得到最优模型，最后在测试集上测试误差。

2.根据权利要求1所述的基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术，其特征在于，经验模态分解(EMD)算法递归地将一个原始风速时间序列分解成不同的模态，这些模态由未知但独立的频段组成，其过程如下：

(1)设有一个待处理信号x(t),确定该信号的所有极值点；

(2)通过插值的方法，得到信号的上下包络线分别设为φ(t)和ω(t)，基于此可算出上下包络线之间的均值

(3)得到x(t)去掉均值μ(t)之后的信号余量γ(t)，查看此信号余量是否满足IMF的两个条件，若否，则以γ(t)作为待处理信号，重复上述步骤，直到满足IMF条件为止，则此时得到第一个分量σ_o(t)；

(4)以剩余信号θ(t)＝x(t)-c₁(t)为待处理信号，重复上述步骤，可以得到其他分量，直到满足终止条件为止；

(5)通过上面的分解过程，可以得到一个带分解信号x(t)可以表示为：

其中σ_o(t)为残量。

3.根据权利要求1所述的基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术，其特征在于，设定符号E_j(·)为经EMD分解产生第j个IMF算子，CEEMDAN算法的模态分解步骤如下所示：

(1)设在原始风速时间序列s(t)中加入辅助的正负成对形式的高斯白噪声，得到对应的含噪声信号s_ni(t)＝s(t)+αn_i(t)，i＝1,2,3,…,I，其中n_i(t)为辅助噪声，α为参数，对该含噪声信号进行模态分解，即E_j(s_ni(t))，重复多次过程，直到得到多个个本征模态分对着多个本征模态分量求均值，最终得到第一阶本征模态分量IMF₁，由于添加的是符号相反的高斯白噪声，所以在此求均值的过程中会相互抵消，故而残留的辅助噪声量会很少；

(2)得到第一阶的本征模态分量之后，可以求出剩下的信号余量，记做r₁(t),对信号添加正负的经EMD分解后的噪声分量E_j(n_i(t)),对添加后的信号进行模态分解，和上面的步骤相同，首先经过多次的模态分解得到多个本征模态分量，再通过求均值，得到第二阶IMF₂；

(3)在以后的每个阶段，先计算剩余信号的余量，在此余量信号上添加E_j(n_i(t))，并多次模态分解，最终求得第j阶的均值本征模态分量；

(4)重复以上过程，直至余量信号不能够被模态分解为止；

(5)CEEMDAN的分解过程是完备的，能对原始风速时间序列进行精确的重构，并且可以通过前面的辅助噪声系数α来选择合适的噪声大小。