Document
拖动滑块完成拼图
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

一种基于VMD-PSO-LSTM的光伏功率预测方法 

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:沈阳化工大学

摘要:一种基于VMD‑PSO‑LSTM的光伏功率预测方法,涉及光伏预测方法技术领域,该方法包括如下步骤:Sl,S2,光伏数据预处理:S3,变分模态分解:S4‑S10,采用PSO算法优化LSTM神经网络模型的参数:S11,IMF预测重构。在长短时记忆人工神经网络LSTM预测模型基础上,构建基于变分模态分解VMD和粒子群优化PSO的光伏系统功率预测模型建:步骤4,采用PSO算法优化LSTM神经网络模型的参数:步骤5,IMF预测重构。通过变分模态分解更好地捕捉光伏发电系统特征信号;采用粒子群优化算法PSO的LSTM神经网络建模方法可以在参数空间内快速寻找最优参数组合。

主权项:1.一种基于VMD-PSO-LSTM的光伏功率预测方法,其特征在于:所述方法包括以下步骤:S1,获取原始光伏系统数据;S2,对所述数据进行预处理;S3,变分模态分解;确定模态分解个数K,再根据VMD分解的模态数建立K个PSO-LSTM网络预测模型;VMD通过建立约束变分问题并对其进行求解而实现信号分解。要求解的约束变分问题表示为: 式中,f代表待分解的原始多组分信号;uk为分解后的第k个模态分量,且k=1,2…K;ωk为第k个模态分量对应的中心频率;δt为狄拉克δ函数;S4,采用PSO算法优化LSTM模型的参数;S5,设置PSO内部算法参数:粒子数量、搜索维度、所有粒子的位置和速度、个体经历的最佳位置和全局最佳位置、每个个体的历史最佳适应值;S6,设置LSTM搜索参数:将LSTM第一层神经元个数、批处理大小、遗忘率Dropout作为优化对象,初始化自适应PSO算法;S7,开始搜索:计算初始粒子适应度、计算初始全局最优、计算适应值、初始全局最优参数、适应度函数、更新个体最优、更新全局最优、全局最优参数;S8,获取最优参数组合:训练LSTM网络模型,使用PSO找到的最好的全局最优参数;S9,构建LSTM预测模型:利用最优超参数构建LSTM模型,模型通过训练数据和验证数据进行训练,测试集进行预测,得到预测结果;利用PSO算法确定LSTM网络的输入参数,包含迭代次数、训练批次和学习率,为每个模态寻找初始化网络参数,采用直接输出的超前时刻预测策略,构建LSTM网络预测模型;S10,评估模型误差:采用均方根误差RMSE和平均绝对百分比误差MAPE作为评估指标,RMSE和MAPE的值越小,代表预测精度越高;S11,IMF预测重构:加权叠加各个平稳子序列的预测值,得到最终的光伏预测值。

全文数据:

权利要求:

百度查询: 沈阳化工大学 一种基于VMD-PSO-LSTM的光伏功率预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。