(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211173914.9 (22)申请日 2022.09.26 (71)申请人 三峡大学 地址 443002 湖北省宜昌市西陵区大 学路8 号 (72)发明人 付文龙　章轩瑞　 (74)专利代理 机构 宜昌市三峡专利事务所 42103 专利代理师 吴思高 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06N 3/00(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于INGO-SWGMN混合模型的超短期风速预 测方法 (57)摘要 基于INGO ‑SWGMN混合模型的超短期风速预 测方法， 获取风电场的历史风速数据， 对数据进 行预处理； 基于LS TM网络提出一种共享权重门控 记忆网络SWGMN， 建立SWGMN预测模型； 对北方苍 鹰优化算法进行改进， 将非线性减小机制应用于 其狩猎半径， 并在北方苍鹰个体的位置更新中加 入扰动阶段； 利用INGO优化算法和验证集数据， 对SWGMN的初始学习率和隐藏层 节点个数两个超 参数进行寻优处理， 以获得模型的最优超参数组 合； 将最优超参数和测试集数据分别输入到 INGO‑SWGMN模型中， 得到测试集中各子序列的预 测结果； 将各子序列的预测结果进行累加求和， 得到最终的风速预测结果。 本发 明对北方苍鹰优 化算法和LS TM网络进行了改进， 并将二者进行了 结合， 具有较高的预测精度和较快的预测速度。 权利要求书5页 说明书11页 附图2页 CN 115511177 A 2022.12.23 CN 115511177 A 1.基于INGO‑SWGMN混合模型的超短期风速预测方法， 其特 征在于包括以下步骤： 步骤1： 获取风电场的历史风速数据， 对风速数据进行预处理， 得到一系列子序列， 并将 处理好的数据各自划分为训练集、 验证集和 测试集三个部分； 步骤2： 对LSTM网络进行改进， 提出一种共享权重门控记忆网络SWGMN， 并用训练集建立 SWGMN预测模型； 步骤3： 对原始的北方苍鹰优化算法进行改进， 将非线性减小机制应用于其狩猎半径， 并在北方苍鹰个 体的位置更新中加入扰动阶段， 得到改进的北 方苍鹰优化 算法INGO； 步骤4： 利用改进的北方苍鹰优化算法INGO和验证集数据， 对共享权重门控记忆网络 SWGMN的初始学习率和隐藏层节 点个数这两个超参数进行寻优处理， 以获得混合模 型INGO‑ SWGMN的最优 超参数组合； 步骤5： 将寻优后得到的超参数和测试集数据分别输入到混合模型INGO ‑SWGMN中， 得到 测试集中各子序列的预测结果； 步骤6： 将各子序列的预测结果进行累加求和， 得到最终的风速预测结果。 2.根据权利要求1所述基于INGO ‑SWGMN混合模型的超短期风速预测方法， 其特征在于： 包括步骤7： 采用平均绝对误差MAE、 均方根误差RMSE、 平均相对误差MAPE和决定系数R2这四 个评价指标来对步骤6的模型的预测结果进行误差分析。 3.根据权利要求1所述基于INGO ‑SWGMN混合模型的超短期风速预测方法， 其特征在于： 所述步骤1包括以下步骤： 步骤S1.1： 将风速信号分解成K个有限带宽的固有模态函数IMF， 并使得分解出的K个固 有模态函数IMF的估计带宽之和最小， 所构造的变分约束模型如下 所示： 式中： uk表示分解出的第K个模态分量； ωk表示分解出的第K个模态的中心 频率； δ(t)为 狄拉克函数； f(t)为原始风速信号； *表示卷积运算； k表示当前迭代次数； j表示uk的解析信 号虚部； t 表示时间； 步骤S1.2： 为求取上述变分约束模型的最优解， 引入二次罚函数α和L agrange乘子λ， 从 而将约束性问题变为了非约束性变分问题， 得到的拉格朗日函数为： 式中： λ(t)表示Lagrange乘子； 表示指数调整因子， 其作用是使每个模态函数的频 谱调制到相应的基频 带。 4.根据权利要求1所述基于INGO ‑SWGMN混合模型的超短期风速预测方法， 其特征在于： 步骤S1.3： 采用交替方向乘子法解决上式无约束变分问题， 通过交替更新 求 解步骤S1.1中约束变分问题的最优解， 解得的最终模态分量uk和中心频率ωk分别为：权　利　要　求　书 1/5 页 2 CN 115511177 A 2式中： 和 分别表示f(t)、 λn(t)和 的傅里叶变换； n为迭代次数； 步骤S1.4： 给定一个判断迭代是否停止的精度 ε， 若 则 停止迭代并输出结果， 否则返回步骤S1.3继续进行迭代操作， 最 终能够分解得到K个具有不 同中心频率的模态函数分量 IMF。 5.根据权利要求1所述基于INGO ‑SWGMN混合模型的超短期风速预测方法， 其特征在于： 所述步骤2中， 对于经VMD分解后的一个一维子序列x＝{xi}， i＝1,2,3 …n； ， 其在多维相空 间中的重构结果如下： 若预测模型的输入为X， 则其对应的输出为： Y＝[x1+h+(d‑1)τ,xi+h+(d‑1)τ,…xn+1]T 式中： N为相空间重构矩阵的重构维数， N＝n ‑(d‑1)τ‑h； h表示预测步长； τ和d分别表示 延时时间、 嵌入维数； X1 X2  … XN分别表示重构后相空间矩阵中的N个一维向量； xi、 xi+τ、… xi+(d‑1)τ分别表示相空间重构矩阵中第i维向量的具体数值； x1+h+(d‑1)τ,xi+h+(d‑1)τ,…xn+1分别 表示每一维向量输入后应得到的输出值。 6.根据权利要求5所述基于INGO ‑SWGMN混合模型的超短期风速预测方法， 其特征在于： 所述步骤2中， SWGMN模型的构建包括以下步骤： 步骤S2.1： 为了减小预测训练的时长， SWGMN改变了原LSTM的三个门结构， 将遗忘门、 输 入门和输出门重组成为 一种新的门结构， 称为共享门； 步骤S2.2： 计算共享门的输出和信息状态， 具体公式如下： rt＝σ(W·xt+b)； 式中： 表示当前时刻输入信息的状态； rt表示共享门的输出； xt表示当前时刻模块的输 入； W表示权 重； b表示偏置； σ 表示 一个隐藏层， 其激活函数为sigmo id函数； 步骤S2.3： 更新当前模块的状态， 具体公式如下： 式中： Ct‑1表示上一时刻模块的状态； Ct表示当前时刻模块的状态；权　利　要　求　书 2/5 页 3 CN 115511177 A 3