风电能源的合理开发在改善我国能源结构与减轻能源问题方面具有重要意义。作为风电能源的主要开发方法,风力发电遭到风速的波动性与间歇性影响,存在着并网与消纳难等一系列问题。积极展开风电功率预测研究,有助于实时调整电网调度计划,有效减少对电网的安全、稳定经济运行的冲击,提升风电的整体经济效益。但是,风电功率数据凸显出的波动性与复杂性,在一定程度上加强了预测的难度。本文以风电功率区间预测研究着手,以长短期记忆网路(,LSTM)、深度学习优化技术、变分模态分解(,VMD)等为理论基础,实现基于LSTM的风电功率区间预测模型,并提出基于建立损失函数形式与基于构造区间形式的两种优化方式,实现对LSTM预测模型的有效训练。在LSTM预测模型的基础上,结合VMD算法对序列数据的分解简化能力,建立LSTM-VMD组合区间预测模型,以实现模型预测疗效的提高。论文的主要工作可以分为以下三部(1)风电功率数据凸显出较强的随机性与波动性,为实现对预测疗效的提高,本文提出基于LSTM的风电功率区间预测模型。先借助LSTM处理时序逻辑关系的网路结构优势风电功率预测数据,实现对风电功率数据的基本特点提取。
在此基础上,结合深度学习相关技术,搭建具有更强非线性映射能力的多层神经网路,因而将基本特点进一步具象并进行区间上下界输出,最终实现一种具有比传统预测模型更强学习能力的区间预测模型。(2)预测模型须要在区间的可靠性与清晰度两方面达到平衡,本文结合深度学习优化技术与随机梯度增长优化思想,针对区间预测模型设计了两种训练方式:一是建立对区间覆盖率与区间长度两方面同步优化的双损失函数,通过损失函数进行反向传播估算,实现模型的权重更新;二是通过风电功率历史数据构造拟合区间,设计一种区间长度自适应调整策略风电功率预测数据,以直接建立训练标签的形式实现模型的优化。最后通过实验对比,验证了LSTM区间预测模型在传统LUBE模型预测疗效上的提高。(3)为进一步提高LSTM模型的预测疗效,本文以简化数据复杂性的角度提出一种LSTM-VMD的组合区间预测模型。借助VMD算法的分解能力将风电功率数据简化为多个更平滑的序列份量,并在此基础上搭建LSTM预测子模型,再通过区间叠加的形式实现总的预测区间输出。最后通过实验剖析,证明了LSTM-VMD组合模型在基础模型预测疗效上的提高。关键词:长短期记忆网路、风电功率、区间预测、深度学习、变分模态分解'.,wind-peed,.--,ation,.,-xtent.,ry(LSTM),,(VMD),erval,;,data,LSTM-.:wind-,-.ogic,-.,...,:First,,-wer,el.,thanmodel.,modelLSTM-VMDfromy-powerdata.Basedmodely,