(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210905924.0 (22)申请日 2022.07.29 (71)申请人 北京华能新锐控制技 术有限公司 地址 102209 北京市昌平区北七家未来科 技城南区华能人才创新创业基地 实验 楼B座 (72)发明人 麻红波　张澈　王晓宁　刘聪　 崔源　王亮亮　 (74)专利代理 机构 苏州国诚专利代理有限公司 32293 专利代理师 陈君名 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/00(2006.01)G06N 3/04(2006.01) G06N 3/08(2006.01) H02J 3/00(2006.01) (54)发明名称 一种基于A EEMD和LS TM的风功率预测方法及 装置 (57)摘要 本申请提供了一种基于A EEMD和LSTM的风功 率预测方法及装置， 通过采用基于模态分形特征 的自适应集合经验模态分解 (Adaptive   Ensemble  Empirical  Mode Decomposition, AEEMD)方法， 根据不同模态分量展现出不同的分 形维数， 并采用粒子群优化算法寻优模态分量分 形维最小时的白噪声参数， 能够实现EEMD的最佳 分解状态， 并结合具有良好的非线性建模能力的 长短时记忆网络(Long  Short Term Memory, LSTM)对AEEMD分解得到的模态分量进行风功率 预测， 预测精度更高， 从而能够提高风能利用效 率。 权利要求书2页 说明书5页 附图1页 CN 115392542 A 2022.11.25 CN 115392542 A 1.一种基于AE EMD和LSTM的风功率预测方法， 其特 征在于， 包括： 步骤1： 获取实际风电场的风功率数据， 分析 数据质量； 步骤2： 基于分形维数原理， 结合粒子群寻优算法， 实现AEEMD对原始风功率数据的分 解， 获得n个 较平稳的模态分量 imf； 步骤3： 分别对n个模态分量构建LSTM模型， 实现LSTM模型对 模态分量的训练与预测； 步骤4： 叠加LSTM模型的预测结果， 获得对原 始风功率数据的预测结果； 步骤5： 对预测结果进行误差分析， 评估 模型性能。 2.根据权利要求1所述的基于AEEMD和LSTM的风功率预测方法， 其特征在于， 所述步骤2 包括： 步骤21： 设置白噪声幅值和加噪次数的取值范围， 初始化粒子群算法参数， 将白噪声幅 值和加噪次数作为粒子位置； 步骤22： 在不同的白噪声幅值和加噪次数条件下， 对信号进行EEMD 分解， 并计算所得模 态的分形维数， 作为对应情况 下的适应度函数； 步骤23： 比较各参数下的分形维数， 若历史分形维数值小于当前参数下的分形维数， 则 对粒子参数 更新； 步骤24： 参数 更新， 重复步骤2 2和步骤23的过程， 直到满足停止条件； 步骤25： 以不同白噪声幅值和加噪次数下分解所得模态的分形维作为寻优过程的适应 度函数fitnes s： 以适应度函数最小为寻优目标， 记录最优的白噪声参数和最优参数下的EEMD分解结 果。 3.根据权利要求2所述的基于AEEMD和LSTM的风功率预测方法， 其特征在于， 所述步骤 22中， 对信号进行E EMD分解包括： 步骤221： 确定加入的白噪声的幅值 ε和 加噪次数Ne； 步骤222： 将白噪声序列添加到待分解的时间序列x(t)中： xj(t)＝x(t)+ ε*sj(t)； 式中， sj(t)为第j次添加的白噪声序列， xj(t)为染噪信号； 步骤223： 对xj(t)进行E MD分解， 得到一组i层imf， 记为ci,j(t)； 步骤224： 重复步骤2 22和223Ne次， 每次加入不同的白噪声序列； 步骤225： 对所有imf按层求平均值 由以上步骤， 时间序列x(t)的E EMD分解结果表示 为n个imf和余项 之和， 即:权　利　要　求　书 1/2 页 2 CN 115392542 A 24.一种装置， 其特 征在于， 包括存 储器和处 理器； 所述存储器， 用于存 储计算机程序； 所述处理器， 用于当执行所述计算机程序时， 实现如权利要求1至3任一项所述的基于 AEEMD和LSTM的风功率预测方法。 5.一种可读存储介质， 其特征在于， 所述存储介质上存储有程序， 当所述程序被处理器 执行时， 实现如权利要求1至 3任一项所述的基于AE EMD和LSTM的风功率预测方法。权　利　要　求　书 2/2 页 3 CN 115392542 A 3