[发明专利]一种基于长短期记忆模块的短期风功率预测方法

权利要求书

1.一种基于长短期记忆模块的短期风功率预测方法，其特征在于，包括：

获取原始风功率数据，并对所述原始风功率数据进行预处理，得到预处理数据；

对所述预处理数据进行改进经验模态分解处理，得到多个内涵模态分量；

通过鲸鱼优化算法确定长短期记忆模型的学习率，创建长短期记忆模型，设定长短期记忆模型的隐含单元个数为288；初始化鲸鱼算法的学习率、维度、迭代次数和种群数，并设定预设迭代次数；确定训练数据集，将所述训练数据集中的训练内涵模态分量输入初始长短期记忆模型，得到训练预测值，其中，所述训练数据集包括多组训练内涵模态分量，以及每组训练内涵模态分量对应的实际值；基于训练预测值和所述训练内涵模态分量对应的实际值确定每个种群各自分别对应的适应度，并选取所有适应度中的最小适应度，将所述最小适应度和预设全局最优适应度中的较小值作为目标适应度；利用鲸鱼优化算法更新下一种群对应的学习率；继续执行所述基于所有训练预测值和所述多个训练内涵模态分量各自分别对应的实际值确定多个适应度的步骤，直至迭代次数达到所述预设迭代次数，得到长短期记忆模型的学习率，采用该学习率，基于训练数据集对初始长短期记忆模型训练得到长短期记忆模型，所述初始长短期记忆模型的模型结构与所述长短期记忆模型的模型结构相同，将所述多个内涵模态分量输入长短期记忆模型，通过长短期记忆模型确定每个内涵模态分量对应的初始预测子结果，将多个内涵模态分量各自分别对应的初始预测子结果求和重构，得到初始预测结果；

基于所述原始风功率数据和所述初始预测结果确定误差序列，并将所述误差序列输入自回归滑动平均模型，得到修正误差序列，自回归滑动平均模型结合自回归模型和移动平均模型，自回归滑动平均模型通过公式(2)表示：

X_t＝γ₁X_t-1+γ₂X_t-2+…+γ_pX_t-p+α_t-β₁α_t-1-β₂α_t-2-…-β_qα_t-q (2)

其中，p和q为自回归滑动平均模型的阶数；γ₁,γ₂,…,γ_p是自回归参数；β₁,β₂,…,β_q是移动平均参数；α_t为待定估测参数；

基于训练风功率数据和所述长短期记忆模型确定训练预测结果；基于所述训练预测结果和所述训练风功率数据确定训练误差序列；当所述训练误差序列平稳时，根据最小信息准则确定阶次；基于所述训练风功率数据、所述阶次和所述初始自回归滑动平均模型确定训练残差序列，当所述训练残差序列不是白噪声序列时，继续执行所述当所述训练误差序列平稳时，根据最小信息准则确定阶次的步骤，直至所述训练残余序列为白噪声序列，则得到所述自回归滑动平均模型；

得到训练误差序列后，首先确定所述训练误差序列的平稳性，若所述训练误差序列平稳，则确定阶次，若所述训练误差序列不平稳，则对训练误差序列进行平稳化处理，当所述训练误差序列平稳时，通过自相关函数和偏自相关函数截尾判断识别训练误差序列的阶次，以最小信息准则作为定阶标准，确定自回归滑动平均模型的阶次后，将训练风功率数据输入确定阶次的自回归滑动平均模型，得到拟合序列，根据所述训练风功率数据和所述拟合序列得到训练残余序列，若所述训练残余序列为白噪声序列，则将确定的自回归滑动平均模型的阶次作为最优阶次，得到已训练的自回归滑动平均模型；若所述训练残余序列不是白噪声序列，则确定的自回归滑动平均模型的阶次不是最优阶次，继续执行当所述训练误差序列平稳时，根据最小信息准则确定阶次的步骤，直至所述训练残余序列为白噪声序列，得到已训练的自回归滑动平均模型；

基于所述修正误差序列和所述初始预测结果确定目标预测结果。