(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
专利 基于INGO-SWGMN混合模型的超短期风速预测方法
文档预览
中文文档
19 页
50 下载
1000 浏览
0 评论
0 收藏
3.0分
温馨提示:本文档共19页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 SC 于 2024-02-18 22:25:57上传分享