[发明专利]基于VMD-GRU的短期风速预测方法

权利要求书

1.一种基于VMD-GRU的短期风速预测方法，其特征在于，先基于VMD-GRU对风速进行预测，然后根据预测结果调整风力发电的运行状态即控制风力发电站的配电，调整风力发电厂的运行状态前后的预测风速满足下式：

式中：P为函数；C_p为机组风能利用系数；A＝πR²，A是风机叶片扫略一圈的横截面积，R为风机叶片的半径；ρ为空气密度，v为预测的风速数据；

需考虑如下约束：

P_min≤|P_t0|≤P_max               式(2)；

式中：P_min、P_max分别为风能装置在t₀时刻的最小风速功率、最大风速功率；

通过MATLAB对式(1)进行求解；具体步骤如下：

采集当前时刻以及距离当前时刻最近的n个时刻的风速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GRU模型中，一子序列对应一训练好的GRU模型，一残余分量对应一训练好的GRU模型，由训练好的GRU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刻的未来风速预测的数据；GRU模型的训练过程即以连续n+2个时刻中前n+1个时刻的风速的数据对应的子序列或残余分量为输入，以后1个时刻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GRU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；

所述预处理具体为依次进行归一化处理和变分模态分解，所述后处理具体为依次进行重构和反归一化处理；

所述归一化处理的公式如下：

式中，X_max为归一化处理数据的最大值，X_min为归一化处理数据的最小值，X为归一化前的值，X’是归一化后的值；

所述预处理还包括在归一化处理之前的异常值检测及修正处理；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，将当天已有的风速数据进行三次样条插值，三次样条插值建模：设f(x)是区间[a,b]上的一个连续可微函数，在区间[a,b]上给定一组基点，由于风速数据的因变量是日期，故可以用其在一天中的第几个时刻代替，当天去除异常点后的风速数据个数为(n+1)：

a＝x₀x₁x₂…x_n＝b           式(4)；

设函数S(x)满足条件：

(1)在每个子区间上有表达式：S_i(x)＝a_ix³+b_ix²+c_ix；

(2)在区间[a,b]上有2阶连续导数；

根据以下已知条件取求解每个子区间的S_i(x)：

S_i(x)求出之后，可将异常值对应的时刻带入对应的S_i(x)，获取异常值的代替点；

所述变分模态分解的步骤如下：

步骤1)：通过Hilbert变换将各个模态分量u_k(t)转变成解析信号，接着转化成单侧频谱：

其中，

步骤2)：接着再加一个中心频率指数项将模态的频谱转换到相应的基频带上：

步骤3)：将解调的信号通过高斯平滑对信号的带宽进行估算，获得一个变分约束问题，表达式为：

式中，f为原始信号；

步骤4)：将{u_k}＝{u₁…u_k}分解得到K个IMF分量做集成平均处理，

{ω_k}＝{ω₁…ω_k}为各分量的中心频率；

所述GRU模型的训练步骤如下：

步骤a)：确定GRU模型的结构、激活函数和损失函数，并初始化模型参数，令迭代次数s＝1，其中损失函数L的表达式如下：

式中，Y_i为子序列或残余分量对应的真实值，为子序列或残余分量对iY^iY应的模型预测值，N为参与GRU模型训练的训练样本个数；Sigmoid激活函数表达式如下：

双曲正切激活函数表达式如下：

步骤b)：前向计算每个神经元的输出值，即计算z_t、r_t、h_t四个向量的值；

步骤c)：反向计算每个神经元的误差项值，GRU误差项的反向传播包括两个方向：一个是沿时间的反向传播，即从当前时刻t开始，计算每个时刻的误差项；另一个是将误差项向上一层传播；

步骤d)：判断损失函数值是否收敛，同时判断是否达到最大迭代次数，如果有一个是，则停止更新；反之，则令迭代次数s＝s+1后，返回步骤b)；

所述重构采用基于遗传算法的BP算法，具体步骤如下：

步骤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；

步骤2)：利用遗传算法优化BP网络的权值和阈值，具体为：

步骤2.1)：编码，对BP网络的权值和阈值进行二进制编码，BP网络中输入层有k个输入节点，隐含层有m个节点，输出层有1个输出节点，共有k*m+m*1个权值，m+1个阈值，所以编码长度l＝k*m+m*1，设置最大进化代数为T，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t＝0；

步骤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；

步骤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；

步骤2.4)：交叉，将交叉算子作用于群体；

步骤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；

步骤2.6)：判断，若迭代次数t＝T，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t＝t+1，返回步骤2.2)；

步骤3)：BP网络对GRU模型的所有预测值进行非线性重构；

所述反归一化处理的公式如下：

Z＝Z'(X_max-X_min)+X_min           式(16)；

式中，Z’为反归一化处理前的值即重构后的数据值，Z为反归一化处理后的值即为最终的风速预测值；

所述GRU模型函数的更新门表达式如下：

z_t＝σ(W_z·[h_t-1,x_t])              式(8)；

重置门表达式如下：

r_t＝σ(W_r·[h_t-1,x_t])               式(9)；

候选隐藏函数的表达式如下：

最终的时间序列上的输出量的表达式如下：

上述各表达式中，W_z是更新门的权重系数矩阵；W_r则是重置门的权重系数矩阵；W为状态更新时的权重系数矩阵；σ和tanh分别为sigmoid和双曲正切激活函数，h_t-1表示的是上一个的输出，x_t表示当前的输入，z_t、r_t、h_t分别为更新门的结果、重置门的结果和时间序列上的输出结果。

2.如权利要求1所述的基于VMD-GRU的短期风速预测方法，其特征在于，所述n个时刻中的n＝2。