風電能源的合理開發(fā)在改善我國能源結構與減輕能源問題方面具有重要意義。作為風電能源的主要開發(fā)方法，風力發(fā)電遭到風速的波動性與間歇性影響，存在著并網(wǎng)與消納難等一系列問題。積極展開風電功率預測研究，有助于實時調整電網(wǎng)調度計劃，有效減少對電網(wǎng)的安全、穩(wěn)定經濟運行的沖擊，提升風電的整體經濟效益。但是，風電功率數(shù)據(jù)凸顯出的波動性與復雜性，在一定程度上加強了預測的難度。本文以風電功率區(qū)間預測研究著手，以長短期記憶網(wǎng)路（，LSTM）、深度學習優(yōu)化技術、變分模態(tài)分解（，VMD）等為理論基礎，實現(xiàn)基于LSTM的風電功率區(qū)間預測模型，并提出基于建立損失函數(shù)形式與基于構造區(qū)間形式的兩種優(yōu)化方式，實現(xiàn)對LSTM預測模型的有效訓練。在LSTM預測模型的基礎上，結合VMD算法對序列數(shù)據(jù)的分解簡化能力，建立LSTM-VMD組合區(qū)間預測模型，以實現(xiàn)模型預測療效的提高。論文的主要工作可以分為以下三部（1）風電功率數(shù)據(jù)凸顯出較強的隨機性與波動性，為實現(xiàn)對預測療效的提高，本文提出基于LSTM的風電功率區(qū)間預測模型。先借助LSTM處理時序邏輯關系的網(wǎng)路結構優(yōu)勢風電功率預測數(shù)據(jù)，實現(xiàn)對風電功率數(shù)據(jù)的基本特點提取。
在此基礎上，結合深度學習相關技術，搭建具有更強非線性映射能力的多層神經網(wǎng)路，因而將基本特點進一步具象并進行區(qū)間上下界輸出，最終實現(xiàn)一種具有比傳統(tǒng)預測模型更強學習能力的區(qū)間預測模型。（2）預測模型須要在區(qū)間的可靠性與清晰度兩方面達到平衡，本文結合深度學習優(yōu)化技術與隨機梯度增長優(yōu)化思想，針對區(qū)間預測模型設計了兩種訓練方式：一是建立對區(qū)間覆蓋率與區(qū)間長度兩方面同步優(yōu)化的雙損失函數(shù)，通過損失函數(shù)進行反向傳播估算，實現(xiàn)模型的權重更新；二是通過風電功率歷史數(shù)據(jù)構造擬合區(qū)間，設計一種區(qū)間長度自適應調整策略風電功率預測數(shù)據(jù)，以直接建立訓練標簽的形式實現(xiàn)模型的優(yōu)化。最后通過實驗對比，驗證了LSTM區(qū)間預測模型在傳統(tǒng)LUBE模型預測療效上的提高。（3）為進一步提高LSTM模型的預測療效，本文以簡化數(shù)據(jù)復雜性的角度提出一種LSTM-VMD的組合區(qū)間預測模型。借助VMD算法的分解能力將風電功率數(shù)據(jù)簡化為多個更平滑的序列份量，并在此基礎上搭建LSTM預測子模型，再通過區(qū)間疊加的形式實現(xiàn)總的預測區(qū)間輸出。最后通過實驗剖析，證明了LSTM-VMD組合模型在基礎模型預測療效上的提高。關鍵詞：長短期記憶網(wǎng)路、風電功率、區(qū)間預測、深度學習、變分模態(tài)分解'.,wind-peed,.--,ation,.,-xtent.,ry(LSTM),,(VMD),erval,;,data,LSTM-.:wind-,-.ogic,-.,...,:First,,-wer,el.,thanmodel.,modelLSTM-VMDfromy-powerdata.Basedmodely,
