[发明专利]基于集合经验模态分解和LSTM的储能装置控制方法

权利要求书

1.基于集合经验模态分解和LSTM的储能装置控制方法，其特征是：先基于集合经验模态分解和LSTM对短期负荷进行预测，再根据预测结果控制储能装置充放电；

预测过程为：采集当前时间段以及距离当前时间段最近的n个时间段的历史短期负荷的数据构成一时间序列，对时间序列进行预处理得到多个子序列和残余分量，将各子序列和残余分量分别输入到各自对应的训练好的LSTM模型中，由训练好的LSTM模型输出预测值后，对所有的预测值进行后处理得到下一时间段的未来短期负荷的数据；

LSTM模型的训练过程即以连续n+2个时间段中前n+1个时间段的历史短期负荷的数据对应的子序列或残余分量为输入，以后1个时间段的历史短期负荷的数据对应的子序列或残余分量为理论输出，不断调整LSTM模型的参数，直到模型损失函数值趋于收敛或达到最大迭代次数为止的过程，其中子序列或残余分量采用与预测过程相同的方法得到；

所述预处理是指先后进行异常值检测及修正处理、归一化处理和集合经验模态分解，所述后处理是指先后进行重构和反归一化处理；

异常值检测的过程为：将所有数据按大小顺序排列，记上四分位值为Q₁，即所有数据中只有1/4的数据大于Q₁，下四分位值为Q₂，即所有数据中只有1/4的数据小于Q₂，上界为(Q₁+1.5(Q₁-Q₂))，下界为(Q₂-1.5(Q₁-Q₂))，介于上下界之间的都是正常观测值，否则为异常值；

异常值修正的方法为：去除异常值后，将当天已有的负荷数据进行三次样条插值，用与异常值同时间段的三次样条插值上的负荷数据替代异常值；

重构采用基于遗传算法的BP算法，步骤如下：

(1)BP网络建模，采用只含一层隐含层的BP网络，设置输入层神经元的个数为k，隐含层神经元的个数为m，输出层神经元的个数为1；

(2)利用遗传算法优化BP网络的权值和阈值，具体为：

(2.1)编码，对BP网络的权值和阈值进行二进制编码，设置最大进化代数为R，以一组权值和阈值作为一个个体，随机生成M个个体作为初始群体P(0)，迭代次数λ＝0；

(2.2)计算适应度函数值，适应度函数的表达式如下：

式中，y′_j为子序列或残余分量对应的预测值输入至BP网络后BP网络的输出值，y_j为负荷数据归一化后的实际值，q为参与模型训练数据的个数；

(2.3)选择，根据个体的适应度函数值所量度的优劣程度决定它在下一代淘汰还是被遗传，用赌轮选择机制，令∑f_j表示群体的适应度值之总和，f_j表示群体中第j个个体的适应度值，它产生后代的能力刚好为其适应度值所占份额f_j/∑f_j；

(2.4)交叉，将交叉算子作用于群体；

(2.5)变异，将变异算子作用于群体，对群体中个体串的某些基因座上的基因值做变动；

(2.6)判断，若迭代次数λ＝R，则将进化过程中所得到的具有最大适应度值的个体进行解码得到BP网络的最优权值和阈值，并输出，终止计算；反之，则λ＝λ+1，返回步骤(2.2)；

(3)BP网络对LSTM模型的所有预测值进行非线性重构；

控制过程为：先读取当前时刻储能装置的荷电状态Soc(t)，再根据下一时间段Δt的预测结果估算Δt内储能装置与外部的交换功率P_ex，再根据储能装置运行电压U计算Δt内与外部的交换电流I_ex＝P_ex/U，当交换电流I_ex0时，控制储能装置放电；反之，控制储能装置充电。

2.根据权利要求1所述的基于集合经验模态分解和LSTM的储能装置控制方法，其特征在于，n＝2。