基于INGO-SWGMN混合模型的超短期风速预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115511177A(43)申请公布日2022.12.23(21)申请号202211173914.9G06N3/08(2006.01)(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.G06Q10/04(2012.01)G06Q10/06(2012.01)G06Q50/06(2012.01)G06N3/00(2006.01)G06N3/04(2006.01)权利要求书5页说明书11页附图2页(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LSTM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LSTM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。CN115511177ACN115511177A权利要求书1/5页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Lagrange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：2CN115511177A权利要求书2/5页式中：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：TY＝[x