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