[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

说明书

本发明提供了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，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；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、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。针对风速的特性，利用变完备集合经验模态分解将不稳定的风电出力序列分解成多个平稳序列，降低因为非平稳性对预测精度造成的影响；使用遗传‑蚁群优化算法来避免单一优化算法造成的局部最优问题；多种算法结合的组合预测模型对非平稳序列的预测有较好的泛化能力。

技术领域

本发明主要涉及大数据预测的技术领域，具体为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。

背景技术

风电场功率预测模型可以分为三类：1)物理预测模型；2)统计预测模型；3)组合预测模型。物理预测模型首先利用数值天气预报(NWP)系统得到风电场的风速、风向、气温、气压等天气信息，然后根据风电场的物理和地理信息，在充分考虑风电机组群集聚效应(塔影效应、尾流效应等)的基础上，得到每个风力发电机组轮毂高度处的天气信息(风速、风向、气温、气压等)，再使用单个风机的功率曲线计算计算出风电机组的输出功率；统计预测模型的实质是在输入(历史数据、数值天气预报信息等)和输出(风电场功率)之间建立一种映射模型，然后应用这个模型进行预测。组合预测模型是将两种以上的单一预测进行综合考虑，利用每种单一预测模型的优点来获得全局最优的预测性能；风速具有随机性，导致风电站出力也具有极大的不稳定性，序列的不稳定性增加了预测的难度和复杂度，对预测精度造成影响；传统的单一优化算法容易陷入局部最优，难以得到全局最优解，无法得到全局最优的参数，传统的经验模态分解中存在的模态混叠的缺点，采用传统的经验模态分解会降低预测精度。

本发明开发了一种经过基于完备集合经验模态分解和改进蚁群优化长短期记忆网络(LSTM)的风电站出力超短时组合预测模型，将完备集合经验模态分解分解应用于原始数据的预处理，并应用改进蚁群优化算法对长短期记忆网络预测模型进行了优化，对风电站的出力进行超短时预测，能较好地解决由风速的不稳定性造成风功率不稳定性带来的对预测精度的影响。

发明内容

本发明主要提供了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，用以解决上述背景技术中提出的技术问题。

本发明解决上述技术问题采用的技术方案为：

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，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。

进一步的，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)；