基于VMD和CNN-LSTM的风功率概率预测模型

技术特征：
1.基于vmd和cnn
‑
lstm的风功率概率预测模型，其特征在于，包括以下步骤：步骤1：采用vmd算法对原始的风功率序列进行分解，获得多个具有不同中心的分量；步骤2：训练vmd
‑
cnn
‑
lstm风功率点预测模型；将vmd分解后的模态分量作为输入特征，经过包含了两层cnn层和一层lstm层的核心模块提取风功率的模块特征，再经过全连接层训练，得到vmd
‑
cnn
‑
lstm点预测模型；步骤3：训练vmd
‑
qrcnn
‑
lstm风功率概率预测模型；将vmd
‑
cnn
‑
lstm点预测模型中核心模块的训练参数作为vmd
‑
qrcnn
‑
lstm模型的核心模块的训练参数，经过分位数回归模型得到各个分位数条件下的预测值；步骤4：经过vmd
‑
qrcnn
‑
lstm模型输出各分位数条件下的风功率预测值，再经过kde获得风功率预测值的概率密度函数，实现风功率概率预测；步骤5：从点预测、区间预测、概率预测三方面测试模型的性能指标。2.根据权利要求1所述的基于vmd和cnn
‑
lstm的风功率概率预测模型，其特征在于：所述步骤1中，采用vmd算法对原始的风功率序列进行分解，获得多个具有不同中心的分量，所述的vmd算法是一种非递归信号多分辨率分解技术，将复杂信号f分解为k个中心频率不同的模态函数，vmd分解具体步骤如下：2.1，基于希尔伯特变换法计算每个模态的单边频谱；2.2，对每个模态分量进行的指数校正，使其相移至模态自身的中心频率；2.3，根据频移信号的高斯平滑度来估计其带宽，使每个子信号的估计带宽和最小；其带约束条件的变分问题构造如下:式中：k代表第k个模态函数，k＝1,2,
…
,k；t表示时间点；f(t)为t的时复杂信号；u
k
(t)为t时复杂信号f(t)通过vmd分解得到的频率不同的离散子信号；u
k
为复杂信号f通过vmd分解得到的频率不同的离散子信号；ω
k
为第k个模态函数的中心频率；[
·
]为对时间t的偏微分函数；‖
·
‖2为二范数函数；δ(t)为单位冲激函数；2.4，引入增广拉格朗日函数，将约束性变分问题变为无约束问题，即：式中，α为权系数，用于保证重构信号的准确性；λ(t)为在时间t时刻的拉格朗日乘子值；λ代表拉格朗日乘子值；l(
·
)为联合目标函数；2.5，通过交替方向乘子法求解步骤2.3的公式，得到所需要的k个模态分量u
k
，及其中心频率ω
k
。3.根据权利要求2所述的基于vmd和cnn
‑
lstm的风功率概率预测模型，其特征在于：所述步骤2中，训练vmd
‑
cnn
‑
lstm风功率点预测模型，所述的点预测模型中使用深度学习cnn和lstm，其基本原理与模型设计如下：3.1cnn是以卷积运算为基础的有着池化操作、局部连接以及权值共享等性能的深度神经网络，广泛适用与提取复杂数据中的高阶特征；一维cnn结构包括卷积层、池化层、全连接
层，其中卷积层作用是通过卷积核以扫描的方式对输入数据进行特征提取；池化层的作用是对卷积层提取的特征进行采样，并且在保留特征向量的信息的同时，降低特征向量维度与网络复杂度；全连接层用于整合网络提取的特征，再经激活函数等处理方式后输出最终的特定维度的特征向量；3.2lstm神经网络在循环神经网络rnn的基础上进行了改进；lstm的单元结构组成包括“遗忘门”、“输入门”和“输出门”，对信息有选择地保留或遗忘，从而克服短时记忆的不利影响；其中遗忘门决定哪些信息应该丢弃或保留；输入门作用为更新单元状态，将前一层隐藏状态的信息与新输入的信息有选择地传递到新的lstm单元细胞中；输出门则用来控制该单元细胞状态的过滤情况，确定下一个隐藏状态的信息；3.3vmd
‑
cnn
‑
lstm模型由三个模块组成，分别为输入模块，核心模块以及输出模块；输入模块的功能是将风功率历史序列经过vmd分解得到三个imf序列，分别是趋势分量imf1，细节分量imf2以及随机分量imf3；以分解后的三个模态分量的历史序列为特征，输入到后续的核心模块；核心模块由cnn层与lstm层构成；通过两层cnn层对由风功率数据分解的三个模态分量的动态特征进行提取；lstm层在cnn层提取的特征上进一步提取风功率的时序特征；最后将lstm层提取的时序特征输入到全连接层内，最后输出风功率的点预测结果。4.根据权利要求3所述的基于vmd和cnn
‑
lstm的风功率概率预测模型，其特征在于：所述步骤3中，训练vmd
‑
qrcnn
‑
lstm风功率概率预测模型，其中使用分位数回归qr，其原理与概率预测模型设计如下：4.1，分位数回归研究自变量x＝[x1,x2,
…
,x
n
]与因变量y＝[y1,y2,
…
,y
n
]的条件分位数之间的关系,从而得到因变量的条件概率分布；线性qr模型如下：q
y
(τ|x
t
)＝f(x
t
,β(τ))＝x
t
β(τ)t＝1,2,...,n式中，n为自变量个数；x
t
代表第t个自变量的值；τ为分位数值，τ∈(0,1)；q
y
(τ|x
t
)是y在第τ分位点处的分位数值；β(τ)是第τ分位点处的回归参数，其估计值通过使分位数损失函数最小得到，即：式中，为回归参数在第τ分位点处的估计值；β代表回归参数；y
t
代表第t个因变量的值；argmin(
·
)表示使目标函数取最小值的参数值；ρ
τ
(
·
)为在第τ分位数条件下的校验函数，其公式为：ρ
τ
(x)＝x(τ
‑
i(x)),式中，i(
·
)为示性函数，x代表示性函数的输入值；点预测模型通常只能得到预测期望值，即实现确定性预测，不能实现区间预测和概率预测；基于qr原理，实现将点预测模型与qr结合的混合模型来得到点预测模型在不同分位数条件下的预测值，进而实现区间预测和概率预测；4.2，vmd
‑
qrcnn
‑
lstm预测模型的核心模块与vmd
‑
cnn
‑
lstm模型相同；在vmd
‑
cnn
‑
lstm训练完成后，其核心模块训练得到的参数传递到vmd
‑
qrcnn
‑
lstm的核心模块中；vmd
‑
qrcnn
‑
lstm模型训练时，核心模块的cnn层和lstm层的参数固定不变；这样保证预测效果的
同时，极大地减少vmd
‑
qrcnn
‑
lstm的训练时长；为了实现qr与点预测模型的结合并输出各分位数条件下的风功率预测值，输出模块在全连接层后加入分位数回归，即设置预测模型的损失函数为分位数损失函数。5.根据权利要求4所述的基于vmd和cnn
‑
lstm的风功率概率预测模型，其特征在于：所述步骤4中，将经过vmd
‑
qrcnn
‑
lstm模型输出各分位数条件下的风功率预测值，使用kde获得风功率预测值的概率密度函数，kde原理与概率预测流程如下：5.1，结合qr的预测模型只能获得各分位数下的风功率预测值，而不能直接获得预测值的概率密度函数，probability density function,pdf；本发明使用kde对各条件分位数下的预测值进行拟合获得pdf曲线；kde是一种经典的非参数估计方法，不需要先验假设；设在给定点y处预测模型在各分位数下的预测值为则y处的概率密度函数公式为：式中：b为带宽，使用带有交叉验证的网格搜索选择的带宽；k(
·
)为核函数；本文选用epanechnikov核函数，公式如下：5.2，经过vmd
‑
qrcnn
‑
lstm模型输出各分位数条件下的风功率预测值，再经过kde获得风功率预测值的概率密度函数，实现风功率概率预测。

技术总结
本发明公开了提出了基于VMD和CNN


技术研发人员：臧海祥 刘冲冲 徐雨森 赵梓舒 卫志农 孙国强
受保护的技术使用者：河海大学
技术研发日：2021.08.24
技术公布日：2021/11/21