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。

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