本發(fā)明屬于風(fēng)電短期預(yù)測，具體地，涉及基于vmd分解和貝葉斯優(yōu)化的bi-mglstm模型的短期風(fēng)電功率預(yù)測方法。

背景技術(shù)：

1、風(fēng)電功率的間歇性、多變特性給風(fēng)電功率預(yù)測帶來了很大挑戰(zhàn)對于風(fēng)電功率短期預(yù)測的研究，國內(nèi)外的學(xué)者提出了許多預(yù)測方法，傳統(tǒng)的風(fēng)功率預(yù)測的方法大致歸為3類：統(tǒng)計方法、物理建模方法和混合方法。統(tǒng)計方法是基于歷史數(shù)據(jù)和統(tǒng)計模型進(jìn)行預(yù)測。常見的統(tǒng)計方法包括回歸分析、時間序列分析和機(jī)器學(xué)習(xí)算法。如支持向量機(jī)、隨機(jī)森林、門控循環(huán)單位網(wǎng)絡(luò)等；物理建模方法是通過基于風(fēng)場和風(fēng)機(jī)等物理原理進(jìn)行建模。但它通常需要準(zhǔn)確的氣象數(shù)據(jù)和風(fēng)機(jī)參數(shù)，較為復(fù)雜；混合方法是統(tǒng)計方法和物理建模方法的結(jié)合，來提高預(yù)測的準(zhǔn)確性和可靠性。這些傳統(tǒng)方法在風(fēng)電功率預(yù)測上有一定的應(yīng)用，但也存在著一些限制和挑戰(zhàn)。由于風(fēng)電功率的不確定性和非線性，用這些方法來預(yù)測可能存在精度低、時效性差、模型過擬合等問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題是提供一種基于vmd分解和貝葉斯優(yōu)化的bi-mglstm模型的短期風(fēng)電功率預(yù)測方法，能夠顯著減小風(fēng)電功率預(yù)測誤差，提高短期風(fēng)電功率預(yù)測的準(zhǔn)確性。

2、為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是：一種基于vmd分解和貝葉斯優(yōu)化的bi-mglstm模型的短期風(fēng)電功率預(yù)測方法，包括以下步驟：

3、s1、數(shù)據(jù)的預(yù)處理，包括獲取風(fēng)電功率短期數(shù)據(jù)集和對缺失數(shù)據(jù)進(jìn)行補(bǔ)齊，對補(bǔ)齊的風(fēng)電功率數(shù)據(jù)進(jìn)行歸一化處理；

4、s2、對于補(bǔ)齊的風(fēng)電功率數(shù)據(jù)進(jìn)行變分模態(tài)分解，并確定分解層數(shù)l，最終得到m個相對平穩(wěn)的子序列模態(tài)分量；

5、s3、在bilstm模型的前后向lstm中多加1個遺忘門和1個輸入門，構(gòu)建bi-mglstm模型，并將步驟s2中分解的m個模態(tài)分量輸入到bi-mglstm模型中進(jìn)行功率預(yù)測；

6、s4、用貝葉斯算法對bi-mglstm模型的超參數(shù)進(jìn)行優(yōu)化，超參數(shù)包括初始學(xué)習(xí)率、訓(xùn)練批量數(shù)和隱含單元數(shù)，得到優(yōu)化的bi-mglstm模型；

7、s5、通過優(yōu)化的bi-mglstm模型預(yù)測得到各模態(tài)分量預(yù)測結(jié)果，進(jìn)行疊加重構(gòu)進(jìn)而得到初步功率預(yù)測結(jié)果；

8、s6、誤差修正模型：將初步功率預(yù)測值與真實值進(jìn)行求差，并用優(yōu)化后的bi-mglstm模型對誤差序列進(jìn)行訓(xùn)練與預(yù)測，得到誤差預(yù)測結(jié)果；

9、s7、將功率預(yù)測值和誤差預(yù)測值相加得到最終的預(yù)測結(jié)果。

10、優(yōu)選的方案中，所述步驟s1中，對于缺失數(shù)據(jù)使用前后均值法進(jìn)行補(bǔ)全。

11、優(yōu)選的方案中，所述前后均值法取缺失數(shù)據(jù)的前后各5個數(shù)據(jù)的平均值進(jìn)行補(bǔ)全，表達(dá)式為：

12、（1）；

13、式中，為功率缺失值；為缺失值后第個功率值；為缺失值前第個功率值。

14、優(yōu)選的方案中，所述步驟s2中，對于補(bǔ)齊的風(fēng)力電功率數(shù)據(jù)進(jìn)行變分模態(tài)分解，操作如下：

15、變分模態(tài)分解是構(gòu)建和求解變分問題，使得各個模態(tài)的分解帶寬之和最小，表達(dá)式如下：

16、（2）；

17、（3）；

18、式中：為分解的模態(tài)分總數(shù)；為復(fù)數(shù)的虛部單位；為單位脈沖函數(shù)；為卷積運(yùn)算符；為分解的模態(tài)數(shù)目；和分別為模態(tài)集合和模態(tài)的中心頻率集合；為原始時間序列的數(shù)據(jù)信號。

19、優(yōu)選的方案中，所述步驟s3中，構(gòu)建的bi-mglstm模型在bilstm模型的前后向的lstm中多加1個遺忘門和1個輸入門，添加額外兩個門的功能與原先的門功能相同，對于單個mglstm的總遺忘門和輸入門計算如下：

20、（4）；

21、式中，、為遺忘門1和遺忘門2，、為輸入門1和輸入門2，為 t時刻的輸入層的輸出，為 t-1時刻的隱藏層的輸出，為不同的遺忘門和輸入門對應(yīng)的權(quán)重矩陣，為對應(yīng)每個門的訓(xùn)練偏置，為sigmoid和relu激活函數(shù)。

22、最終的隱藏層輸出的計算公式為：

23、（5）；

24、式中，為輸出門和單元細(xì)胞對應(yīng)的權(quán)重和偏置，為 t時刻的細(xì)胞狀態(tài)和細(xì)胞臨時狀態(tài)，為雙曲正切函數(shù)。

25、優(yōu)選的方案中，所述步驟s4中，利用貝葉斯算法對bi-mglstm模型的超參數(shù)進(jìn)行優(yōu)化，包括如下方法：

26、確定超參數(shù)組合z的取值范圍，并進(jìn)行超參數(shù)取值，輸入到bi-mglstm模型的同時進(jìn)行超參數(shù)尋優(yōu)取值，公式為：

27、（6）；

28、式中，是通過不斷的迭代得到模型最優(yōu)的超參數(shù)；是關(guān)于超參數(shù) z的最小目標(biāo)函數(shù)，z為樣本采集區(qū)域，，表示第 l個超參數(shù)。

29、優(yōu)選的方案中，所述步驟s5中，對于bi-mglstm模型的最終預(yù)測結(jié)果的表達(dá)式為：

30、（7）；

31、其中，為mglstm網(wǎng)絡(luò)前向和后向的計算過程，為 t時刻前向隱藏層狀態(tài)，為后向隱藏層狀態(tài)，、分別為權(quán)重矩陣和偏置項。

32、優(yōu)選的方案中，所述步驟s6中，誤差修正模型，操作方法如下：

33、各子序列預(yù)測結(jié)果進(jìn)行求和重構(gòu)得到風(fēng)電功率初步預(yù)測結(jié)果，由得到誤差時間序列，如式(9)所示：

34、（8）；

35、（9）；

36、式中， n為風(fēng)電功率誤差序列的個數(shù)，為風(fēng)電的實際功率值，為第 n個預(yù)測誤差值，為第 i次風(fēng)電功率模態(tài)分量的訓(xùn)練結(jié)果。

37、使用優(yōu)化的bi-mglstm模型對誤差序列進(jìn)行訓(xùn)練與預(yù)測，得到風(fēng)電功率誤差預(yù)測結(jié)果為。

38、優(yōu)選的方案中，所述步驟s7中，將風(fēng)電功率初步預(yù)測序列與風(fēng)電功率誤差序列進(jìn)行重構(gòu)，得到風(fēng)電功率最終預(yù)測值。

39、優(yōu)選的方案中，所述步驟s7中，通過計算風(fēng)電功率的均方根誤差和平均絕對誤差來評價預(yù)測模型的性能：

40、（10）；

41、（11）；

42、式中，分別表示為實際功率值與預(yù)測功率值。

43、本發(fā)明提供的一種基于vmd分解和貝葉斯優(yōu)化的bi-mglstm模型的短期風(fēng)電功率預(yù)測方法，具有以下有益效果：

44、1、使用前后均值法補(bǔ)齊缺失數(shù)據(jù)，可以為vmd分解和功率預(yù)測提供連續(xù)、完整的數(shù)據(jù)基礎(chǔ)，歸一化處理將數(shù)據(jù)的數(shù)值范圍縮放至0-1的區(qū)間內(nèi)，從而減少原始數(shù)據(jù)的存儲需求以及計算的復(fù)雜度。

45、2、vmd分解具有很強(qiáng)的自適應(yīng)性以及對非線性、非平穩(wěn)信號的處理能力。利用該方法進(jìn)行風(fēng)電功率分解，既能充分提取原始數(shù)據(jù)的特征信息，又可以減小不同特征信息之間的相互影響。

46、3、bi-mglstm模型是通過雙遺忘門和雙輸入門的有效結(jié)合，使得每個mglstm模型具有更強(qiáng)的信息篩選能力和更好的泛化能力，從而提升短期風(fēng)電功率的整體預(yù)測能力。前后向?qū)拥膍glstm模型輸入有助于深入探索過去和未來信息之間的內(nèi)在聯(lián)系，從而提高特征數(shù)據(jù)的利用率。

47、4、由于神經(jīng)網(wǎng)絡(luò)模型容易出現(xiàn)欠擬合和過擬合的情況，采用貝葉斯算法對bi-mglstm模型的超參數(shù)進(jìn)行優(yōu)化，通過使用貝葉斯定理充分利用之前函數(shù)的評估信息，根據(jù)目標(biāo)函數(shù)的后驗分布，選擇下一個最有潛力的采樣點。以較少的評估找到函數(shù)的全局最優(yōu)解，從而獲取bi-mglstm模型最優(yōu)的超參數(shù)組合。

48、5、在誤差修正模型中，通過原先預(yù)測模型對預(yù)測誤差的學(xué)習(xí)，降低模型對異常值和噪聲的敏感性，進(jìn)一步增強(qiáng)模型的泛化能力。通過對誤差序列的特性分析，得到預(yù)測誤差序列與初步預(yù)測結(jié)果疊加，有效地增強(qiáng)預(yù)測模型的魯棒性，從而能夠提供預(yù)精度更高的的預(yù)測結(jié)果。

49、6、采用均方根誤差和平均絕對誤差對預(yù)測模型的性能進(jìn)行評價，其中能夠量化預(yù)測誤差的大小，值越接近于0，表示模型的預(yù)測值越接近實際值。描述預(yù)測值與實際值之間的平均絕對差異度，值越小，表示模型預(yù)測值的準(zhǔn)確性越高。