[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

说明书

本发明涉及一种短期区域风光系统功率预测方法，将集合经验模态分解(EEMD)、参数粒子群优化(PSO)和长短记忆网络(LSTM)进行有机融合，利用集合经验模态分解对选取样本日的风光出力进行数据分解，得到11个子序列，根据风光各频分量所占能量比的不同，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，将固有模态分量重构成高频分量和低频分量；利用粒子群对长短期记忆网络进行优化，构建基于PSO‑LSTM的预测模型，PSO算法是一种自适应学习策略算法，可以对隐藏层单元个数、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；将高频分量和低频分量分别输入PSO‑LSTM的预测模型中，最终的预测结果进行叠加，有效的提高了预测结果的准确度。

技术领域

本发明涉及一种区域风光系统出力预测模型，特别涉及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。

背景技术

大规模利用可再生能源为特征的新型电力系统中，风光发电已成为调整能源结构、保障能源安全、加强环境保护、实现可持续发展的重要举措之一。两种能源受昼夜变化、自然因素等外界条件影响，单独的风力发电和光伏发电通常会导致发电和用电负荷的不均衡，而风力发电、光伏发电构成的风光互补混合发电系统成为新能源电源组合的优化选择，对以新能源为主体的新型电力系统具有重要的研究价值。

在短期功率预测方面，目前常用的风电和光伏短期功率预测方法包括物理方法、统计方法和人工智能方法。在实现非线性预测时泛化能力较好的是人工智能方法，如深度学习、支持向量机、感知器等，可根据发电系统的历史数据作训练样本，反复训练，通过建立输入与输出之间的复杂非线性映射关系进行自主学习，其适用性及泛化能力均较强，因此具有较好的应用前景；但常规基于人工智能的功率短期预测，由于人工智能方法及参数选取的不同，效果有较大差异，在预测的准确度上还有较大的不确定性。长短期记忆 (longshort-term memory，LSTM)较典型的深度学习网络在梯度爆炸和梯度消失方面有了明显的改善，但依然存在网络参数最优的选择问题。

发明内容

本发明针对风光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。采用EEMD对相似日样本及待预测日的风光出力数据进行分解，分别得到10个模态分量及一个残差余量，将固有模态分量重构成高频分量和低频分量；最后，分别对高频、低频分量建立基于改进粒子群算法优化的长短期记忆神经网络预测模型，预测各子序列功率，将预测结果进行叠加，分别得到风电和光伏功率预测结果，均方根误差(RMSE)作为预测精度的评价指标分析误差。

本发明的技术方案为：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

本发明的有益效果在于：本发明为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，能够有效地改善风光发电功率预测时准确度不足，利用EEMD将原始数据分解成易于预测的分量，LSTM网络对多变量时间序列建模，模型简单，相比于其他网络梯度问题得到一定改善，改进粒子群算法可以选择最优参数，将其应用于长短期记忆网络，可大幅提高预测精度。

附图说明

图1为本发明中LSTM的网络结构图；

图2为本发明的粒子群优化的长短期记忆网络模型流程图；

图3为本发明为本发明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流程图。

实施方式

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，具体包括以下步骤：

在经验模态分解的基础上，对原始信号中添加高斯白噪声，并重复n次，分解后获得的IMF分量相加取均值作为最终的分解结果；

计算EEMD 分解后每一阶IMF 的能量，根据风光各频分量所占能量比不同，划分高频分量和低频分量；

采用按照线性递减权值策略进行调整的改进粒子群算法；