[发明专利]基于集合经验模态分解的粒子群优化长短期记忆网络的区域风光系统出力预测模型

权利要求书

1.一种基于集合经验模态分解的粒子群优化长短期记忆网络的区域风光系统出力预测模型，其特征在于，具体包括如下步骤：

集合经验模态分解在原始信号中添加高斯白噪声实现对样本日的风光出力历史数据各频率进行辅助分解，通过多次平均计算，实现信号在适当时间尺度内的自动分布；

根据步骤1）的分解结果，将每次分解后获得的IMF 分量相加取均值作为最终的分解结果，并计算集合经验模态分解分解后每一阶IMF 的能量，在各分量的频率高低差基础上将原始风光出力数据根据能量占比分解为11个分量，根据风光各频分量所占能量比不同，以IMF 前后分量变化值最大时所对应的阶次为高低频初始分界点，分别得到高频分量、低频分量；

采用按照线性递减权值策略进行调整的改进粒子群算法；

利用粒子群对长短期记忆网络进行优化，构建基于粒子群- 长短期记忆网络的预测模型。粒子群算法对隐藏层单元个数、初始学习率、最大迭代次数三个参数进行寻优，确定最优参数组合；

由步骤2）所得的高频分量和低频分量输入进步骤3）所建的粒子群- 长短期记忆网络的预测模型中，得到高频和低频分量的预测结果，将其叠加得到最终预测结果；

2.根据权利要求1 所述的一种基于集合经验模态分解的粒子群优化长短期记忆网络的区域风光系统出力预测模型，其特征在于，所述步骤1）充分解决了经验模态分解处理非平滑时间序列分解时容易出现模态混叠现象；

3.根据权利要求1所述的一种基于集合经验模态分解的粒子群优化长短期记忆网络的区域风光系统出力预测模型，其特征在于，所述步骤2）预测各子序列功率，预测结果进行叠加，较直接对历史数据进行预测的结果，预测准确度大幅提高；

4.根据权利要求1所述的一种基于集合经验模态分解的粒子群优化长短期记忆网络的区域风光系统出力预测模型，其特征在于，所述步骤3）中的粒子群算法是一种自适应学习策略算法，粒子反复地进行迭代搜索，从随机解出发迭代寻优，由当前搜索到的最优解得到全局的最优解；

5.根据权利要求1所述的一种基于集合经验模态分解的粒子群优化长短期记忆网络的区域风光系统出力预测模型，其特征在于，风力发电、光伏发电构成的能源互补发电系统，可以有效平抑风力和光伏出力的波动，大功率随机波动下并网必将会给电网的稳定性带来严峻的挑战。而对风电和光伏功率进行准确预测，是实现可再生能源领域电力互助和发电调度互补的关键步骤，对提高电网的安全、稳定、经济运行具有重要的意义。