[发明专利]基于VMD-GRU的短期风速预测方法

摘要

本发明公开了一种基于VMD‑GRU的短期风速预测方法，其特征在于，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，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。本发明采用变分模态分解法将非平稳的风速数据分解成频率不同的子序列以及残余分量，子序列以及残余分量的平稳性好，便于更好的预测；对于波动性、随机性以及不确定性较强的风速有着较好的预测精度，能够更加合理地调整风力发电装置的运行状态。

主权项

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：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。