申请/专利权人:沈阳工程学院
申请日:2023-12-11
公开(公告)日:2024-05-14
公开(公告)号:CN118040644A
主分类号:H02J3/00
分类号:H02J3/00;G06N3/045;G06N3/0442;G06N3/0464;G06F18/2131;G06Q50/06;G06F123/02
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.31#实质审查的生效;2024.05.14#公开
摘要:本发明属于风电功率预测技术领域,具体为一种基于VMD‑CNN‑LSTM模型的风电功率预测系统,包括LSTM长短时记忆网络模块、CNN卷积神经网络模块、VMD变分模态分解模块、误差评价指标模块和基于VMD‑CNN‑LSTM风电功率预测模型;LSTM长短时记忆网络模块,可以有效解决循环神经网络的梯度爆炸或消失问题,长短时记忆网络作为循环神经网络的一种变体,在时间序列问题上有着强大的学习能力与计算能力,在回归和分类方面均有广泛的应用;CNN卷积神经网络模块,卷积神经网络由卷积层、池化层和全连接层组成,其特点是用卷积代替全连接,其结构合理,结合VMD变分模态分解与CNN卷积神经网络和LSTM长短时记忆网络组合混合预测模型,形成VMD‑CNN‑LSTM风电功率预测系统,可以有效的提高预测精度。
主权项:1.一种基于VMD-CNN-LSTM模型的风电功率预测系统,其特征在于:包括LSTM长短时记忆网络模块、CNN卷积神经网络模块、VMD变分模态分解模块、误差评价指标模块和基于VMD-CNN-LSTM风电功率预测模型;其中,LSTM长短时记忆网络模块,可以有效解决循环神经网络的梯度爆炸或消失问题,长短时记忆网络作为循环神经网络的一种变体,在时间序列问题上有着强大的学习能力与计算能力,在回归和分类方面均有广泛的应用;CNN卷积神经网络模块,卷积神经网络由卷积层、池化层和全连接层组成,其特点是用卷积代替全连接;VMD变分模态分解模块,能够控制各模态分量带宽,避免由于分解过程中出现模态混叠现象,有效分离各模态分量,因此对于采样和噪声具有较强的鲁棒性,VMD通过迭代搜寻到变分模态的最优解,自适应处理信号不断更新各模态函数与中心频率,得到若干个具有一定带宽的模态分量;误差评价指标模块,包括平均绝对误差、均方根误差、和平均绝对百分比误差;基于VMD-CNN-LSTM风电功率预测模型,对LSTM预测模型、CNN预测模型与CNN-LSTM混合模型对风电功率进行预测,其次将变分模态分解引入各个模型中进行对比分析。
全文数据:
权利要求:
百度查询: 沈阳工程学院 一种基于VMD-CNN-LSTM模型的风电功率预测系统
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。