[发明专利]一种基于EMD-LSTM的短期风电功率预测方法

权利要求书

1.一种基于EMD-LSTM的短期风电功率预测方法，其特征在于，所述方法包括：

获取风场的历史数据，所述历史数据包括天气预报数据和历史风电功率数据；

对所述历史数据进行归一化处理，得到待处理历史数据；

根据经验模态分解对待处理历史数据进行分解，以及，平稳化处理，得到多组子序列；

对各组子序列进行相关性筛选，筛选出n+1组待处理子序列；

对所述待处理子序列和所述待处理历史数据通过长短期记忆网络模型预测，得到n+1个预测值，所述预测值为待处理子序列分量的预测值；

对所述n+1个预测值进行反归一化处理，并叠加得到最终预测结果。

2.根据权利要求1所述的一种基于EMD-LSTM的短期风电功率预测方法，其特征在于，对所述历史数据进行归一化处理，归一化公式为：

式中，y与y^*分别表示归一化前后的数据；y_max与y_min分别表示归一化前的最大值和最小值。

3.根据权利要求2所述的一种基于EMD-LSTM的短期风电功率预测方法，其特征在于，所述历史风电功率数据包括历史最大风电功率数据、历史最小风电功率数据和历史平均风电功率数据。

4.根据权利要求3所述的一种基于EMD-LSTM的短期风电功率预测方法，其特征在于，所述根据经验模态分解对待处理历史数据进行分解，包括：

根据所述历史平均风电功率数据，确定各种特征向量的局部极大值点和极小值点；

通过三次样条曲线函数构造每种特征向量的上包络线a(t)和下包络线b(t)；

通过所述上包络线和下包络线，确定每种特征向量的平均值

计算原始历史平均风电功率序列y(t)，并和平均值c(t)作差，得到特征向量的差值d(t)＝y(t)-c(t)；

如果特征向量的差值d(t)符合经验模态分解的分量条件时，所述特征向量的差值d(t)为所述原始历史平均风电功率序列y(t)的最大频率分量l₁(t)；

对原始历史平均风电功率序列y(t)和最大频率分量l_i(t)作差，得到剩余分量序列r_i(t)(i＝1，2，…，n)；

如果剩余分量序列r_i(t)是单调函数或常量时，则结束经验模态分解过程。

5.根据权利要求1所述的一种基于EMD-LSTM的短期风电功率预测方法，其特征在于，所述对所述待处理子序列和所述待处理历史数据通过长短期记忆网络模型预测，其中，对所述长短期记忆网络模型进行优化，包括：

输入层与输出层之间神经元的个数M由训练集数据的特征决定；

通过神经元个数公式和评价指标最优的条件下选取神经元的个数M，所述神经元个数公式为：

式中，n和m分别为输出层和输入层的节点数，a为[0，10]之间的常数；

根据所述神经元的个数M逐步增加网络层数来测试模型和平均相对误差的评价指标，得到网络层；

根据所述网络层，得到优化后的长短期记忆网络模型。