本發(fā)明涉及風(fēng)電功率預(yù)測，具體涉及一種基于改進lstm和fa-kelm的風(fēng)電功率預(yù)測方法。

背景技術(shù)：

1、風(fēng)電作為清潔可再生能源的佼佼者，雖以其無污染、可再生特性引領(lǐng)能源結(jié)構(gòu)變革，但其間歇性與不穩(wěn)定性亦成為電網(wǎng)調(diào)度與穩(wěn)定運行的新挑戰(zhàn)。精準預(yù)測風(fēng)電功率，成為提升電網(wǎng)規(guī)劃合理性、經(jīng)濟性及安全穩(wěn)定性的關(guān)鍵。面對風(fēng)電功率的非線性、非平穩(wěn)波動特性，深入研究預(yù)測技術(shù)，對于促進風(fēng)電大規(guī)模并網(wǎng)、保障電力系統(tǒng)安全具有重要意義。近年來，諸如人工智能、機器學(xué)習(xí)、以及基于優(yōu)化算法的混合模型等新型預(yù)測技術(shù)得到了廣泛應(yīng)用。這些技術(shù)通過對大量歷史數(shù)據(jù)的深度學(xué)習(xí)與分析，能夠較為精準地捕捉風(fēng)電功率的短期和長期波動趨勢，顯著提升了風(fēng)電功率預(yù)測的精度與可靠性。

2、文獻[1]:孫堃,趙萌萌,沈美娜,等.基于ceemd和模糊熵的隨機森林風(fēng)力發(fā)電功率預(yù)測[j].智慧電力,2019,47(10):36-43.利用完備總體經(jīng)驗?zāi)B(tài)分解將功率分解為多個子序列,用模糊熵值作為重組的評判指標,將復(fù)雜程度相近的子序列重新組合成為新序列。再針對不同波動屬性的序列建立隨機森林模型并進行模型參數(shù)優(yōu)化來預(yù)測。但ceemd在處理模態(tài)混疊問題時效果較弱，且無法自適應(yīng)調(diào)整噪聲幅度，從而導(dǎo)致分解精度較低。

3、文獻[2]:李昱.基于改進bnn-lstm的風(fēng)電功率概率預(yù)測[j].微型電腦應(yīng)用,2024,40(03):206-209.利用tcnn網(wǎng)絡(luò)處理風(fēng)電功率歷史數(shù)據(jù)，提取時序數(shù)據(jù)關(guān)聯(lián)特征，結(jié)合互信息熵找到與風(fēng)電功率的氣象數(shù)據(jù)集的相關(guān)性較大的因素，利用貝葉斯長短期記憶神經(jīng)網(wǎng)絡(luò)(bnn-lstm)進行預(yù)測。但貝葉斯推斷引入了復(fù)雜的計算過程，尤其在大規(guī)模數(shù)據(jù)或深層網(wǎng)絡(luò)中，訓(xùn)練時間顯著增加、訓(xùn)練難度高、易過擬合，限制了其在實際應(yīng)用中的效果。

4、文獻[3]:馬志俠,張林鍹,巴音塔娜,等.基于自適應(yīng)二次分解與cnn-bilstm的超短期風(fēng)電功率預(yù)測[j].太陽能學(xué)報,2024,45(06):429-435.利用改進的完全自適應(yīng)噪聲集成經(jīng)驗?zāi)B(tài)分解(iceemdan)將風(fēng)電功率數(shù)據(jù)分解成多個子序列，采用麻雀搜索算法優(yōu)化的變分模態(tài)分解(ssa-vmd)對高頻分量進行二次分解。利用卷積神經(jīng)網(wǎng)絡(luò)(cnn)與雙向長短期記憶網(wǎng)絡(luò)(bilstm)對風(fēng)電功率進行超短期預(yù)測。在分解后的子序列中應(yīng)用單一模型預(yù)測，雖然簡化了建模過程，但未能針對各頻段特征進行差異化處理，忽略了不同頻段間的復(fù)雜動態(tài)關(guān)系，導(dǎo)致預(yù)測精度較低。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種基于改進lstm和fa-kelm的風(fēng)電功率預(yù)測方法和系統(tǒng)，能夠更深入地表示風(fēng)電功率序列內(nèi)在變化規(guī)律，所提組合預(yù)測策略能夠更有效地針對不同復(fù)雜度的功率子序列選擇合適的預(yù)測模型，從而提高整體風(fēng)電功率預(yù)測精度。

2、本發(fā)明采取的技術(shù)方案為：

3、基于改進lstm和fa-kelm的風(fēng)電功率預(yù)測方法，包括以下步驟：

4、步驟1：獲取風(fēng)電場的風(fēng)電功率數(shù)據(jù)，將風(fēng)電功率數(shù)據(jù)全部歸一化，采用完全自適應(yīng)噪聲集合經(jīng)驗?zāi)B(tài)分解ceemdan對風(fēng)電功率數(shù)據(jù)進行分解；

5、步驟2：計算步驟1所得子序列的模糊熵，對其中模糊熵最大的子序列利用pso-vmd算法進行二次分解，其余序列按模糊熵分為高熵和低熵序列；

6、步驟3：對傳統(tǒng)lstm網(wǎng)絡(luò)進行改進，在lstm網(wǎng)絡(luò)輸入-狀態(tài)與狀態(tài)-狀態(tài)的轉(zhuǎn)換過程中引入卷積運算，用具有交叉耦合結(jié)構(gòu)的全新門控結(jié)構(gòu)替代lstm網(wǎng)絡(luò)中的輸入門、遺忘門和輸出門，得到卷積簡化的長短期記憶網(wǎng)絡(luò)convslstm；

7、步驟4：采用最大相關(guān)系數(shù)mic篩選出風(fēng)電場氣象因素中與風(fēng)電功率相關(guān)性較大的氣象因素；

8、步驟5：結(jié)合步驟4中得到的氣象因素數(shù)據(jù)，利用卷積簡化的長短期記憶網(wǎng)絡(luò)convslstm對所得高熵序列進行預(yù)測，同時利用螢火蟲優(yōu)化核極限學(xué)習(xí)機fa-kelm預(yù)測低熵序列。步驟6：疊加所有分量的預(yù)測值，反歸一化，得到最終的超短期風(fēng)電功率預(yù)測結(jié)果，采用平均絕對誤差mae、均方誤差mse和決定系數(shù)r2這三個評價指標對預(yù)測結(jié)果進行對比分析。

9、所述步驟1包括以下步驟：

10、步驟s1.1：首先將風(fēng)電功率數(shù)據(jù)歸一化到[0,1]區(qū)間，歸一化的公式為：

11、

12、式中，x為原始風(fēng)電功率的數(shù)據(jù)；xnorm為歸一化后的數(shù)據(jù)；xmax和xmin分別為原始數(shù)據(jù)的最大值和最小值；

13、步驟s1.2：利用ceemdan對歸一化后的風(fēng)電功率數(shù)據(jù)進行分解，核心思想是將高斯白噪聲添加到待分解功率序列中，并利用經(jīng)驗?zāi)B(tài)分解emd來減少模態(tài)混疊現(xiàn)象。通過多次迭代，逐步分解出序列的固有模態(tài)函數(shù)imf和殘差。具體包括如下步驟：

14、1).設(shè)原始功率序列為s(t)，添加k次均值為0的高斯白噪聲βkek(w)，其中,βk是噪聲強度，ek(w)是第k次的隨機噪聲，w是噪聲樣本；

15、2).對于每次添加噪聲，構(gòu)建新的序列sk(t)＝s(t)+βkek(w)，其中k＝1,2,…,k；

16、3).對每個新的序列sk(t)進行emd分解，得到一系列imf和殘差，記第k次分解得到的第n個子序列為imfk,n(t)；

17、4).計算所有第一次分解的子序列的均值作為第一個imf：

18、

19、式中，imfk,1(t)表示第k次分解得到的第1個子序列。

20、5).計算初始殘差：r1(t)＝s(t)-imf1(t)。

21、對于n≥2，計算第n個imf的步驟如下：

22、a).構(gòu)造新的序列rn-1(t)+βkek(w)，其中，rn-1(t)是第n-1次迭代后的殘差。

23、b).emd分解：對新的序列rn-1(t)+βkek(w)進行emd分解，得到第一個imfk,1(t)；

24、c).計算imf：通過計算所有imfk,1(t)的均值，并減去之前已計算的imf(如果存在)的影響，得到第n個imf：

25、

26、式中，imfn(t)表示最終分解得到的第n個子序列，imfk,1(t)表示第k次分解得到的第1個子序列，imfm(t)表示之前已計算的imf，m表示之前已計算的第m個子序列的序號。

27、d).更新殘差：rn(t)＝rn-1(t)-imfn(t)；rn(t)表示第n個子序列的殘差，rn-1(t)表示第n-1個子序列的殘差，imfn(t)表示最終分解得到的第n個子序列；

28、6).重復(fù)步驟5)，直到滿足停止條件。

29、所述步驟2包括以下步驟：

30、步驟2.1：計算風(fēng)電功率子序列的模糊熵包括以下步驟：

31、s2.1.1:將長度為n的風(fēng)電功率子序列{u(i)}嵌入到維度為m的空間中，u(i)表示子序列第i個時間點的值。構(gòu)造嵌入矩陣，嵌入矩陣的每一行xi＝[u(i),u(i+1),…,u(i+m-1)]都是m維向量，u(i+1)表示子序列第i+1個時間點的值，u(i+m-1)表示子序列第i+m-1個時間點的值i＝1,2,…,n-m+1；

32、s2.1.2:計算嵌入矩陣中的任意兩行xi和xj的距離dij，通常定義為最大差值的絕對值：

33、

34、式中，u(i+k)表示子序列第i+k個時間點的值，u(j+k)表示子序列第j+k個時間點的值，k表示時間點k的數(shù)量。

35、s2.1.3:使用模糊隸屬函數(shù)(如高斯函數(shù))來定義相似性μ(dij,r)：

36、

37、式中，μ(dij,r)表示第i個序列和第j個序列相似性，r是預(yù)定的閾值參數(shù)，用于控制相似性的衰減速度。

38、s2.1.4:計算每個i與所有其他j的平均相似性：

39、

40、式中，φm(r,i)每個i與所有其他j的平均相似性，i和j表示序列的序號。

41、s2.1.5:然后對所有i計算φm(r,i)的平均值φm(r)：

42、

43、s2.1.6:將嵌入維度增加到m+1，重復(fù)步驟s2.1.1到步驟s2.1.5，得到φm+1(r)。

44、s2.1.7:計算風(fēng)電功率子序列的模糊熵：

45、

46、式中，fe(m,r,n)表示模糊熵的值。

47、步驟2.2：利用vmd對模糊熵最高的風(fēng)電功率子序列進行分解：

48、首先構(gòu)造一個變分問題，約束所有子序列uk(t)的和等于原始序列，可表述為：

49、

50、式中，f(t)表示輸入風(fēng)電功率序列，k表示分解序列的個數(shù)，uk(t)表示第k個序列函數(shù)，ωk表示第k個序列函數(shù)的中心頻率，t表示時間，δ(t)為脈沖函數(shù)。

51、為了求解上述變分問題，引入拉格朗日乘子λ(t)，得到增廣拉格朗日函數(shù)l：

52、

53、式中，α表示二次懲罰參數(shù)參數(shù)，用于平衡序列的保真度和分解的緊致性，l(uk,ωk,λ)表示增廣拉格朗日函數(shù)；表示vmd中的帶寬限制項；f(t)表示輸入功率序列；表示正則化項。

54、通過交替方向乘子法求解上述增廣拉格朗日函數(shù)的鞍點，即找到每個功率子序列uk和中心頻率ωk。對于每個迭代步驟，更新uk和ωk的公式如下：

55、

56、式中，n表示迭代次數(shù)；和分別代表f(t)、ui(t)、λ(t)和的傅里葉變換；ω表示頻率，表示第n+1次迭代得到的中心頻率。

57、通過迭代更新，直到滿足停止條件，得到k個子序列uk和對應(yīng)的中心頻率ωk。

58、步驟2.3：采用pso算法優(yōu)化vmd分解功率子序列的參數(shù)，包括如下步驟：

59、s2.3.1:隨機生成粒子的位置和速度，每個粒子的位置x和速度v代表k,α。

60、s2.3.2:對于每個粒子，利用其位置參數(shù)進行vmd分解，并計算重構(gòu)誤差，作為適應(yīng)度值。重構(gòu)誤差定義為一次分解后imf1x(t)和所有二次分解的uk(t)之和之間的差異：

61、

62、式中，reconstruction?error表示重構(gòu)誤差。

63、s2.3.3:根據(jù)速度更新公式和位置更新公式更新粒子的位置和速度。

64、位置更新公式：

65、

66、式中，xi(t+1)表示第i個粒子在第t+1代的位置信息，xi(t)表示第i個粒子在第t代的位置信息，vi(t+1)表示第i個粒子在第t+1代的速度信息。

67、速度更新公式：

68、

69、式中，σ是慣性權(quán)重，c1和c2是加速因子，r1和r2是隨機數(shù)，取值在0到1之間，pibest是粒子i自身歷史最優(yōu)位置，gbest是全體粒子歷史最優(yōu)位置，vi(t+1)表示第i個粒子在第t+1代的速度信息，vi(t)表示第i個粒子在第t代的速度信息，xi(t)表示第i個粒子在第t代的位置信息。

70、s2.3.4:根據(jù)適應(yīng)度值，更新每個粒子的歷史最優(yōu)位置pibest和全體粒子中的全局最優(yōu)位置gbest。

71、s2.3.5:重復(fù)上述步驟，直到滿足停止條件，停止條件為達到最大迭代次數(shù)或誤差收斂到一定閾值。

72、所述步驟3中，

73、lstm網(wǎng)絡(luò)是通過記憶單元高效處理時間序列的神經(jīng)網(wǎng)絡(luò)，每個單元包含輸入門、遺忘門和輸出門，其主要功能是通過跟蹤信息從輸入到輸出和下一個單元傳遞的信息，可以選擇性地遺忘無需長期保留的信息，同時更新有價值的信息，將其長期保留在記憶單元中。針對lstm網(wǎng)絡(luò)處理時空數(shù)據(jù)的能力欠缺和運算時間長的問題，本發(fā)明提出了結(jié)合卷積簡化的長短期記憶網(wǎng)絡(luò)convslstm。

74、首先，在lstm網(wǎng)絡(luò)的輸入-狀態(tài)與狀態(tài)-狀態(tài)的轉(zhuǎn)換過程中引入卷積運算以增強網(wǎng)絡(luò)特征提取能力。其前向傳播過程如下式：

75、it＝σ(wxi*xt+whi*ht-1+bi)

76、ft＝σ(wxf*xt+whf*ht-1+bf)

77、

78、ot＝σ(wxo*xt+who*ht-1+bo)

79、

80、式中，*為卷積運算，為哈達瑪積運算，wxi、wxf、wxc和wxo表示輸入權(quán)重，whf、whi、whc和who是循環(huán)權(quán)重，bi、bf、bc和bo被看作是輸入偏差，σ(·)為激活函數(shù)，tanh(·)為雙曲激活函數(shù)，ft、it、ct、ot和ht表示lstm的遺忘門、輸入門、記憶單元狀態(tài)、輸出門和網(wǎng)絡(luò)輸出，ht-1表示上一時間的網(wǎng)絡(luò)輸出，ct-1表示上一時間的記憶單元狀態(tài)，xt表示功率子序列的輸入。

81、lstm網(wǎng)絡(luò)的內(nèi)置門控結(jié)構(gòu)涉及多組參數(shù)，需在網(wǎng)絡(luò)訓(xùn)練中進行迭代更新，為進一步減少lstm待優(yōu)化參數(shù)數(shù)目及其訓(xùn)練時間，采用具有交叉耦合結(jié)構(gòu)的全新門控結(jié)構(gòu)替代lstm網(wǎng)絡(luò)中輸入門、遺忘門和輸出門。對比原始lstm網(wǎng)絡(luò)，引入卷積運算提升了處理時空數(shù)據(jù)的能力，通過共享各門控結(jié)構(gòu)參數(shù)減少了模型訓(xùn)練時間。同時，引入窺視孔結(jié)構(gòu)以考慮存儲單元對網(wǎng)絡(luò)輸出的影響。所提convslstm的結(jié)構(gòu)如圖1所示，其前向傳播過程如下式所示：

82、it＝σ(wx*xt+wh*ht-1+wc*ct-1+bi)

83、

84、ot＝σ(wx*xt+wh*ht-1+wc*ct+bo)

85、

86、式中，*為卷積運算，為哈達瑪積運算，wx為輸入權(quán)重，wh為循環(huán)權(quán)重，wc為窺視孔權(quán)重，bi、bc和bo為輸入偏差，σ(·)為激活函數(shù)，tanh(·)為雙曲激活函數(shù)，it、ct、ot和ht分別表示lstm的輸入門、記憶單元狀態(tài)、輸出門和網(wǎng)絡(luò)輸出，ht-1表示上一時間的網(wǎng)絡(luò)輸出，ct-1表示上一時間的記憶單元狀態(tài)，xt表示網(wǎng)絡(luò)的輸入。

87、所述步驟4中，

88、mic(最大信息系數(shù))通過測量兩個變量之間的非線性相關(guān)性，能捕捉到風(fēng)電場氣象因素和風(fēng)電功率之間的潛在復(fù)雜關(guān)系。在風(fēng)電場氣象因素分析中，mic可以用來篩選與風(fēng)電功率有較強相關(guān)性的氣象因素，如風(fēng)速、風(fēng)向、氣溫等。mic的基本思想是將數(shù)據(jù)網(wǎng)格化，并計算每個網(wǎng)格劃分下的互信息，然后找到使互信息除以網(wǎng)格劃分復(fù)雜度的最大值。網(wǎng)格劃分的復(fù)雜度通常通過網(wǎng)格的數(shù)量或網(wǎng)格劃分的精細程度來衡量。最大相關(guān)系數(shù)mic的計算公式表示為：

89、

90、式中，x和y是兩個變量，a×b表示網(wǎng)格的劃分方式，即x被劃分為a個區(qū)間，y被劃分為b個區(qū)間，且a×b的值小于某個給定的上限b，以避免過度擬合，i(x；y|g)表示在給定網(wǎng)格g劃分下的x和y之間的互信息，log2min(a,b)是網(wǎng)格劃分的復(fù)雜度度量，用于歸一化互信息。

91、在本發(fā)明中，通過計算不同氣象因素(如風(fēng)速、風(fēng)向、氣溫等)與風(fēng)電功率之間的mic值，能夠量化這些因素對風(fēng)電功率的影響。mic值較高的氣象因素表示其與風(fēng)電功率有較強的相關(guān)性，因此可以被優(yōu)先考慮在風(fēng)電功率預(yù)測模型中使用。反之，mic值較低的因素可能對功率的影響較小，或許可以在模型中減少其權(quán)重或排除。通過這種方式，mic能篩選出最具影響力的氣象因素，從而優(yōu)化預(yù)測模型，提高預(yù)測準確性和魯棒性。這一過程確保了風(fēng)電功率預(yù)測模型能夠充分利用關(guān)鍵氣象因素的信息，提升風(fēng)電場的運行效率和預(yù)測能力。

92、所述步驟5包括以下步驟：

93、步驟s5.1：極限學(xué)習(xí)機(elm)是一種高效的單隱層前饋神經(jīng)網(wǎng)絡(luò)，通過隨機生成隱藏層的權(quán)重和偏置來縮短訓(xùn)練時間。然而，elm在處理非線性的風(fēng)電功率預(yù)測問題時表現(xiàn)不佳。為了解決這一問題，kelm在elm的基礎(chǔ)上引入了核函數(shù)，利用穩(wěn)定的核映射替代了elm中的隨機映射，從而使模型能夠更有效地處理非線性數(shù)據(jù)，提升了預(yù)測精度和泛化能力。其算法步驟如下：

94、含有l(wèi)個隱藏神經(jīng)元的elm網(wǎng)絡(luò)的輸出函數(shù)可以表示為：

95、

96、式中，felm(x)表示輸出函數(shù)，x是輸入向量，xj表示每一個輸入向量的具體輸入值，βi是連接隱藏神經(jīng)元和輸出神經(jīng)元的權(quán)重，g(i)是激活函數(shù)，ωi是連接輸入節(jié)點和隱藏神經(jīng)元的隨機分配的權(quán)重向量，bi表示隱藏層神經(jīng)元的隨機分配的偏差，j表示輸入向量中的數(shù)值的序號，n表示輸入向量的數(shù)值的數(shù)量。

97、上式可重新定義為：

98、hβ＝t

99、

100、式中，h表示隱藏層的輸出矩陣，t表示預(yù)測期望輸出矩陣，β是連接隱藏神經(jīng)元和輸出神經(jīng)元的權(quán)重；x1表示輸入向量的第一個數(shù)，ω1是第一個權(quán)重向量，b1表示第一個隱藏層神經(jīng)元的隨機分配的偏差，ωl表示第l個權(quán)重向量，bl表示第l個隱藏層神經(jīng)元的隨機分配的偏差，xn表示輸入向量的第n個數(shù)。

101、在elm中，上式可以看作是線性函數(shù)，其最小二乘解為：

102、β＝h+t

103、式中，h+是h的廣義逆矩陣。

104、h+＝ht(hht)-1

105、式中，ht表示h的轉(zhuǎn)置矩陣，hht表示一個對稱矩陣。

106、引入正則化系數(shù)與單位矩陣來求解隱含層節(jié)點輸出權(quán)重β的最小二乘解：

107、

108、式中，c為正則化系數(shù)，i表示n階單位矩陣。

109、kelm利用核函數(shù)矩陣ωelm取代了elm的隨機矩陣hht，本發(fā)明采用rbf函數(shù)作為核函數(shù)：

110、

111、式中，σ表示核參數(shù)；k(xi,xj)表示核函數(shù)，xi和xj表示數(shù)據(jù)集中第i個和第j個數(shù)據(jù)點。

112、上式結(jié)合和hβ＝t，可以得出kelm的輸出表達式：

113、

114、式中，f(x)表示kelm的輸出；k(x,x1)表示核函數(shù)用于衡量新樣本x和訓(xùn)練集中第1個樣本x1之間的相似度；k(x,xn)示核函數(shù)用于衡量新樣本x和訓(xùn)練集中第n個樣本xn之間的相似度。

115、步驟s5.2：為了提升kelm的對預(yù)測風(fēng)電功率的精度，采用螢火蟲算法(fa)對kelm的懲罰系數(shù)c和核參數(shù)σ進行尋優(yōu)；

116、首先初始化n個螢火蟲，每個螢火蟲的位置xi＝(σi,ci)，i＝1,2,…,n，σi表示第i個核參數(shù)，ci表示第i個懲罰系數(shù)，n表示螢火蟲的數(shù)量，xi代表kelm的一個解，定義kelm模型在驗證集上的均方誤差(mse)為目標函數(shù)：

117、

118、式中，f(xi)表示均方誤差，yj是實際值，是kelm的預(yù)測值，n表示輸入序列的長度。

119、每只螢火蟲的亮度ii＝-f(xi)，亮度高的螢火蟲吸引亮度低的螢火蟲，亮度高的螢火蟲位置為xj，亮度低的螢火蟲位置為xi，更新位置的公式為：

120、

121、式中，rij＝xi-xj是螢火蟲i和j之間的距離，β0是最大吸引力系數(shù)，γ是光強吸收系數(shù)，rand是一個在[0,1]之間的隨機數(shù)，α是步長系數(shù)。

122、經(jīng)過數(shù)次迭代，找到亮度最高的螢火蟲xbest＝(σbest,cbest)，σbest表示最優(yōu)核參數(shù)，cbest表示最優(yōu)懲罰系數(shù)，當(dāng)達到最大迭代次數(shù)或亮度變化小于預(yù)設(shè)閾值時，尋優(yōu)算法結(jié)束，得到kelm的最佳參數(shù)。

123、所述步驟6中，將預(yù)測結(jié)果反歸一化的公式為：

124、x＝(xnorm*(xmax-xmin))+xmin

125、式中，x為原始風(fēng)電場功率的數(shù)據(jù)，xnorm為歸一化后的數(shù)據(jù)；xmax和xmin分別為原始數(shù)據(jù)的最大值和最小值。

126、三個評價指標具體包括：

127、

128、

129、式中，n表示預(yù)測序列的長度，y和分別代表功率的實際值和預(yù)測值，為實際功率的平均值。

130、另一方面，基于改進lstm和fa-kelm的風(fēng)電功率預(yù)測系統(tǒng)，包括以下模塊：

131、數(shù)據(jù)采集模塊，采集風(fēng)電場的原始功率數(shù)據(jù)集，所述原始數(shù)據(jù)集中包括以15分鐘為采樣周期的風(fēng)電場的風(fēng)速、天氣和功率數(shù)據(jù)。

132、數(shù)據(jù)預(yù)處理模塊，基于ceemdan和vmd組合將原始功率數(shù)據(jù)集二次分解分解成多個子序列，并利用模糊熵算法對各子序列進行模糊熵分類。

133、模型訓(xùn)練模塊，將經(jīng)過模糊熵分類后的子序列作為convslstm與fa-kelm模型的輸入進行訓(xùn)練，得到風(fēng)電功率預(yù)測模型。

134、預(yù)測模塊，將當(dāng)前待預(yù)測風(fēng)電場經(jīng)過數(shù)據(jù)預(yù)處理的子序列輸入到經(jīng)過訓(xùn)練的風(fēng)電功率預(yù)測模型中進行預(yù)測。

135、另一方面，本發(fā)明提供至少一個存儲器和處理器；存儲器用于儲存計算機程序和指令，處理器用于執(zhí)行所述存儲器存儲的程序和指令，可以使得如本發(fā)明所述方法被實現(xiàn)。

136、本發(fā)明提出的一種基于改進lstm和fa-kelm的風(fēng)電功率預(yù)測方法和系統(tǒng)，技術(shù)效果如下：

137、1)本發(fā)明驗證了“分解－分類”策略在風(fēng)電功率預(yù)測中的有效性。通過ceemdan與vmd的雙重分解機制，復(fù)雜且波動劇烈的風(fēng)電功率序列被分解為一系列相對平穩(wěn)的子序列，這一過程顯著降低了原始數(shù)據(jù)的非線性和非平穩(wěn)性，從而減輕了單一預(yù)測模型的負擔(dān)，實現(xiàn)了預(yù)測精度的顯著提升。

138、2)相較于僅基于風(fēng)電功率單一變量的傳統(tǒng)預(yù)測方法，本發(fā)明創(chuàng)新性地引入了天氣狀況、風(fēng)速變化等多源信息作為輸入特征，進一步提高了預(yù)測結(jié)果的準確性。

139、3)針對分解后得到的子序列，依據(jù)其復(fù)雜度進行了精細化處理。具體而言，不同復(fù)雜度的子序列被分別交由convslstm和fa-kelm模型進行預(yù)測。這種模糊熵導(dǎo)向的模型定制策略，有效利用了各算法在序列特定復(fù)雜度范圍內(nèi)的優(yōu)勢，實現(xiàn)了預(yù)測精度的進一步優(yōu)化。4)實驗結(jié)果表明，二次分解策略能夠進一步挖掘原始功率數(shù)據(jù)的內(nèi)在變化規(guī)律，揭示更多潛在的預(yù)測信息，從而在預(yù)測精度上實現(xiàn)了相較于單次分解的顯著提升。這一發(fā)現(xiàn)為復(fù)雜時間序列的預(yù)測提供了新的思路和方法論支持。