买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：东北大学

摘要：本发明公开一种基于VMD‑FCM‑GRU的风电场短期风电功率预测方法，属于风电功率预测技术领域。该方法首先基于VMD归一化的复杂的风电功率时间序列，得到一系列有限平稳子序列分量，并使用FCM算法对子序列分量进行聚类，将波动趋势相似的子序列进行聚类，各类进行叠加从而减少训练的时间。再用聚类后的序列分别训练门控循环单元GRU神经网络进行预测，把各子序列的预测结果进行叠加和反归一化，得到最终的预测结果。本发明结合GRU强大的计算效率，VMD‑FCM‑GRU的组合模型能够实现较好的预测精度和较短的训练时间，且能显著提高短期风电功率预测的精度和速度。

主权项：1.一种基于VMD-FCM-GRU的风电场短期风电功率预测方法，其特征在于包括如下步骤：步骤1：采集风电功率p和风速v的数据，并进行预处理包括：剔除异常数据、补充缺失值和归一化处理，得到归一化的风电功率序列Xi'；步骤1.1：对功率p和风速v按照采样时间t编码构成点集v,p，绘出原始数据v,p分布图；步骤1.2：在风速v上划分区间Δv，在每个Δv区间上依次利用四分位算法寻找功率p的三个分位点Q1，Q2,Q3，计算IQR＝Q3-Q1,构造分位点区间[Q1-1.5IQR,Q3+1.5IQR]；步骤1.3：删除区间Δv对应分位点区间外的异常数据，并按照编码的顺序输出剩余正确数据；步骤1.4：取各个区间Δv内风速的平均值，替代步骤1.3中的异常数据，从而得到关于时间的风电功率序列Xi；步骤1.5：将序列Xi按min-max归一化进行归一化处理得到序列Xi'；步骤2：利用VMD算法将复杂的风电功率序列Xi'分解为S个平稳的子序列；步骤2.1：构造变分问题，保证分解后的风电功率子序列为具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，建立约束条件：将风电功率序列Xi'写成时间序列ut，即ut为各模态分量之和，首先通过希尔伯特变换得到各模态mkt的解析频谱，其中单侧普Amkt为： 其中δ表示狄拉克分布，j表示虚单位，并满足条件：j2＝-1；将中心频率混合到分解的时间序列中，频谱将被调整到基带，即Bmkt： 其中，ωk表示第k个中心频率；利用解调信号的高斯平滑法估计各模态信号的带宽，可解决带约束的变分问题；目标函数表示为：其中，{mk}＝{m1m2...mk}，{ωk}＝{ω1ω2...ωk}，K表示需要分解的模态个数，mk表示第k个模态分量，ωk表示第k个中心频率，δt表示狄拉克函数，*表示卷积运算；步骤2.2：引入二次惩罚因子α和拉格朗日乘法运算符λt用于将约束变分问题转换为一个无约束变分问题：α保证信号的重建精度，λt保持严格的约束，增广拉格朗日函数表达式如下： 再利用乘数的交替方向方法和傅里叶变换用于解决上述变分问题，增广拉格朗日函数表达式的最佳解决方案是由交替更新优化mkn+1,ωkn+1,λn+1，交替寻优迭代后的表达式如下： 其中，分别表示mkn+1,ωkn+1,λn+1的傅里叶等距变换，τ表示噪声容纳程度；步骤2.3：根据步骤2.1和步骤2.2的公式，建立VMD分解的迭代过程，如下：步骤2.3.1：初始化和最大迭代次数N；步骤2.3.2：利用公式更新步骤2.3.3：利用公式更新步骤2.3.4：给定一个阈值ε，若不满足：且n＜N，则返回步骤2.3.2，否则完成迭代，输出步骤2.3.5：对分别进行傅里叶反变换可得：m1t、m2t...mKt，即利用VMD算法将处理后的风电功率序列ut分解为了S个子系列；步骤3：利用模糊均值聚类算法FCM将分解的S个子序列进行聚类，得到c个类别；步骤4：训练GRU模型，并将步骤3的c个类别的风电功率序列预测结果；步骤5：验证预测模型的有效性。

全文数据：

权利要求：

百度查询： 东北大学 一种基于VMD-FCM-GRU的风电场短期风电功率预测方法