申请/专利权人：湖南工业大学

申请日：2020-12-08

公开（公告）日：2024-02-02

公开（公告）号：CN112668611B

主分类号：G06F18/23213

分类号：G06F18/23213;G06N3/044;G06N3/0442;G06F18/214;H02J3/00;G06Q50/06

优先权：

专利状态码：有效-授权

法律状态：2024.02.02#授权;2022.02.11#著录事项变更;2021.05.04#实质审查的生效;2021.04.16#公开

摘要：本发明提供一种基于Kmeans和CEEMD‑PE‑LSTM的短期光伏发电功率预测方法，包括以下步骤:S1、建立基于Kmeans和CEEMD‑PE‑LSTM的光伏发电功率预测模型；S2、对历史功率数据和影响因素数据进行数据预处理；对处理后的数据进行分析，选出待预测日的相似日；S3、对相似日和预测日的影响因素以及发电功率进行分解，分别得到n个固有模态分量以及一个残差量Res。S4、对S3得到的固有模态分量进行计算，将固有模态分量重构成高频分量和低频分量；S5、分别对高频、低频和残差量序列建立长短期记忆神经网络预测模型，预测各子序列功率；S6、将三种子序列预测结果叠加起来，得到光伏功率预测结果。本发明降低了时间序列复杂度，使得子序列具有一定规律和趋势，提高了功率预测模型的准确性。

主权项：1.一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法，其特征在于，包括以下步骤：S1、建立光伏发电功率预测模型；S2、采用Kmeans算法对历史功率数据和影响因素数据进行数据预处理；对处理后的数据进行分析，选出待预测日的相似日；S3、运用CEEMD算法对相似日和预测日的影响因素以及发电功率进行分解，分别得到n个固有模态分量以及一个残差量Res；S4、对S3得到的固有模态分量进行计算，使用PE算法将固有模态分量重构成高频分量和低频分量；S5、分别对高频、低频和残差量序列建立长短期记忆神经网络预测模型，预测各子序列功率；S6、将三种子序列预测结果叠加起来，得到光伏功率预测结果。

全文数据：

权利要求：

百度查询： 湖南工业大学 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD