CN114330815A - 一种基于改进goa优化lstm的超短期风电功率预测方法与*** - Google Patents

Abstract

本发明公开了一种基于改进GOA优化LSTM的超短期风电功率预测方法及***，包括以下步骤：S1：获取风电功率数据并进行预处理，得到若干个分量；针对每一个分量构建对应的输入矩阵，确定每一个分量的训练矩阵和测试矩阵；S2：针对每一个分量构建独立的LSTM模型；S3：利用改进后的GOA对每一个分量构建的LSTM模型的隐含层神经元数目h和学习率α进行参数优化，训练得到具有最优参数的LSTM模型；S4：将每一个分量对应的测试矩阵输入对应的具有最优参数并且训练好的LSTM模型中得到预测值，将得到的各分量预测值进行聚合获取最终的预测结果。本发明能够实现超短期风电功率高精度预测。

Description

一种基于改进GOA优化LSTM的超短期风电功率预测方法与 ***

技术领域

本发明涉及风电功率预测技术领域，具体是涉及一种基于改进GOA优化LSTM的超短期风电功率预测方法与***。

背景技术

目前，风电功率预测方面的研究方法一般可以分为物理模型、统计模型和人工智能三种。物理模型是通过物理因素及气象数据来预估风电功率，其在短期预测中表现欠佳。统计方法是利用基于历史数据的数学模型进行风速、风功率预测，典型统计模型是以风速数据是正态分布且为线性相关为前提的，因不符合实际情况，所以预测性能将不能得以保证。人工智能中，由于风速具有很强的非线性和间歇性，对风速序列直接建模预测，其非线性和间歇性对预测精度影响较大，现有的技术中利用CEEMDAN和LSTM模型进行风电功率的预测的精度仍然有限，需要进一步的提高短期风电功率预测的精度。

发明内容

发明目的：针对以上缺点，本发明提供一种基于改进GOA优化LSTM的超短期风电功率预测方法，能够更好的实现对超短期风电功率的预测，提高预测的精度。同时，本发明还提供一种基于改进GOA优化LSTM的超短期风电功率预测***。

技术方案：为解决上述问题，一种基于改进GOA优化LSTM的超短期风电功率预测方法，包括以下步骤：

S1：获取风电功率数据并进行预处理，得到若干个分量；针对每一个分量构建对应的输入矩阵，确定每一个分量的训练矩阵和测试矩阵；

S2：针对每一个分量构建独立的LSTM模型；

S3：利用改进后的GOA对每一个分量构建的LSTM模型的隐含层神经元数目h和学习率α进行参数优化，训练得到具有最优参数的LSTM模型；基于该具有最优参数的LSTM模型的风电功率预测数学模型为：

y_i＝f_LSTM(h,α)

h_min≤h≤h_max

α_min≤α≤α_max

式中：h_max是隐含层神经元数目h的上界、α_max是学习率α的上界、h_min是隐含层神经元数目h的下界、α_min是学习率α的下界；

所述的改进后的GOA是通过对GOA的递减系数c采用自适应的递减系数更新机制进行改进、对GOA中蝗虫个***置的更新引入黄金正弦算子进行改进获得的；

所述参数优化具体步骤包括：

S3.1：初始化相关算法参数；设置蝗虫种群数N、空间维度d、最大迭代次数T_max，空间的上界ub设置为h_max、α_max；空间的下界lb设置为h_min、α_min；当前迭代次数t＝1，生成当前蝗虫所在的空间位置

S3.2：经过LSTM模型训练得到预测值y_i，利用适应度函数fitness得到蝗虫适应度值，并且将当前适应度值最小的蝗虫位置作为最优解保存到变量

适应度函数fitness为：

式中，t_i为训练样本实际值；

S3.3：判断当前迭代次数t是否达到最大迭代次数T_max；若达到，则执行S3.5，否则执行S3.4；

S3.4：更新递减系数c，标准化蝗虫之间的距离于[1,4]，引入黄金正弦算子来更新蝗虫的位置，当前迭代次数t＝t+1，计算新的蝗虫适应度值，将新的蝗虫适应度值最小的蝗虫位置与当前最优解进行比较，若优于当前最优解则更新

否则执行S3.3；

S3.5：输出

并从中提取隐含层神经元数目h和学习率α，得到具有最优参数的LSTM模型；

S4：将每一个分量的测试矩阵输入对应的具有最优参数并且训练好的LSTM模型中得到预测值，将得到的各分量预测值进行聚合获取最终的预测结果。

有益效果：本发明相对于现有技术，其显著优点是：将LSTM与改进后的GOA相结合，采用改进后的GOA优化LSTM模型的参数；利用训练好的具有最优参数的LSTM模型和对应分量的测试数据获取各分量的预测值，进行聚合获得最终的预测值，与常规的LSTM相比，能够获得更高的预测精度。

进一步的，还包括S5：选取风电功率预测中常用的三种评价指标：均方根误差RMSE、平均绝对误差MAE和最大绝对值误差E_max，对S1-S4所述方法的预测性能进行评价。

进一步的，S1中对所述数据进行的预处理包括：

S1.1：采用CEEMDAN对历史风电功率数据序列进行分解，得到s-1个本征模态函数分量和1个残差分量；

S1.2：对各所述分量采用相关系数法分析变量间的相关关系，筛选出主要子分量，构建对应输入矩阵，并将所有输入矩阵和目标变量规范化为[0,1]，确定每一个分量的训练矩阵和测试矩阵。

进一步的，S2中每一个分量构建独立的LSTM模型内部均具有重复的模块链结构，计算过程如下所示：

f_t＝σ(W_fx_t+W_fh_t-1+b_f)

i_t＝σ(W_ix_t+W_ih_t-1+b_i)

o_t＝σ(W_ox_t+W_oh_t-1+b_o),h_t＝o_t tanh(C_t)

式中：f_t表示t时刻遗忘门的输出结果；i_t表示t时刻输入门的处理结果；

表示t时刻的输入单元状态；C_t表示t时刻的门控状态；o_t代表输出门的处理结果；h_t表示t时刻的输出值；W_f为遗忘门中连接输入值的权重、W_i为输入门中连接输入值的权重、W_c为更新门中连接输入值的权重、W_o为输出门中连接输入值的权重；b_f为遗忘门的偏置、b_i输入门的偏置、b_c更新门的偏置和b_o为输出门的偏置，σ和tanh分别为sigmoid函数和tanh函数；为实现回归预测，在LSTM模型的基础上加上一个线性回归层如下所示：

y_t＝W_yoh_t+b_y

式中：W_yo为线性回归层的权重；b_y为线性回归层的阈值，y_t为预测结果。

进一步的，S3中所述的自适应的递减系数更新机制的公式如下所示：

式中，t为算法当前迭代次数，T_max为最大迭代次数；

所述的引入黄金正弦算子如下所示：

r₃＝-π+2π(1-g)

r₄＝-π+2πg

式中：

为算法迭代到第t次时第d维第i个蝗虫的位置，

为算法迭代到第t次时第d维第j个蝗虫的位置，d_ij(t)是蝗虫种群在第t次迭代时第i个蝗虫和第j个蝗虫之间的距离，

是当前最优个***置，r₁是[0,2π]之间的随机数，r₂是[0,π]之间的随机数；

表示蝗虫所在的空间位置；

表示经过黄金正弦算子公式更新后的蝗虫所在的空间位置；ub^d表示为d维空间的上界；lb^d表示为d维空间的下界。

进一步的，所述的RMSE、MAE和E_max三种评价指标公式如下：

E_max＝max(|P_ti-P_yi|)

式中：n为样本个数，P_ti为t时刻的实际功率，P_yi为t时刻的预测功率，P_cap为风电场开机总容量。

本发明还提供一种基于改进GOA优化LSTM的超短期风电功率预测***，包括：

数据获取与预处理模块，获取风电功率数据并进行预处理，得到若干个分量；针对每一个分量构建对应的输入矩阵，确定每一个分量的训练矩阵和测试矩阵；

LSTM模型构建模块，用于针对每一个分量构建独立的LSTM模型；

参数优化模块，用于利用改进后的GOA对每一个分量构建的LSTM模型的隐含层神经元数目h和学习率α进行参数优化，训练得到具有最优参数的LSTM模型；基于该具有最优参数的LSTM模型的风电功率预测数学模型可表述如下：

y_i＝f_LSTM(h,α)

h_min≤h≤h_max

α_min≤α≤α_max

式中：h_max是隐含层神经元数目h的上界、α_max是学习率α的上界、h_min是隐含层神经元数目h的下界、α_min是学习率α的下界；

所述的改进后的GOA是通过对GOA的递减系数c采用自适应的递减系数更新机制进行改进、对GOA中蝗虫个***置的更新引入黄金正弦算子进行改进获得的；

所述参数优化具体步骤包括：

S3.1：初始化相关算法参数；设置蝗虫种群数N、空间维度d、最大迭代次数T_max，空间的上界ub设置为h_max、α_max；空间的下界lb设置为h_min、α_min；当前迭代次数t＝1，生成当前蝗虫所在的空间位置

S3.2：经过LSTM模型训练得到预测值y_i，利用适应度函数fitness得到蝗虫适应度值，并且将当前适应度值最小的蝗虫位置作为最优解保存到变量

适应度函数fitness为：

式中，t_i为训练样本实际值；

S3.3：判断当前迭代次数t是否达到最大迭代次数T_max；若达到，则执行S3.5，否则执行S3.4；

S3.4：更新递减系数c，标准化蝗虫之间的距离于[1,4]，引入黄金正弦算子来更新蝗虫的位置，当前迭代次数t＝t+1，计算新的蝗虫适应度值，将新的蝗虫适应度值最小的蝗虫位置与当前最优解进行比较，若优于当前最优解则更新

否则执行S3.3；

S3.5：输出

并从中提取隐含层神经元数目h和学习率α，得到具有最优参数的LSTM模型；

预测结果聚合模块，将每一个分量的测试矩阵输入对应的具有最优参数并且训练好的LSTM模型中得到预测值，将得到的各分量预测值进行聚合获取最终的预测结果。

有益效果：本发明相对于现有技术，其显著优点是：能够利用本发明所提供的***实现超短期风电功率较高精度的预测。

进一步的，上述***还包括预测性能评价模块，用于选取风电功率预测中常用的三种评价指标：均方根误差RMSE、平均绝对误差MAE和最大绝对值误差E_max，对预测结果聚合模块的预测性能进行评价。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法步骤。

本发明还提供一种调试设备，存储器、处理器及在所述存储器上存储并可运行的程序，所述程序被处理器执行时实现如权利上述方法的步骤。

附图说明

图1为本发明提供的方法的流程图；

图2为LSTM记忆单元结构图。

具体实施方式

下面结合附图对本发明所述的一种基于改进GOA优化LSTM的超短期风电功率预测方法作进一步说明。

如图1所示：本发明提供的一种基于改进GOA优化LSTM的超短期风电功率预测方法，具体的步骤如下：

(1)风电场数据的获取并进行预处理；

具体的，从风电场数据采集与监视控制***获取到5月份连续250h、采样时间分辨率为10min的历史风电功率数据，并选取训练数据样本和测试数据样本；采用CEEMDAN或者其他的分解算法对历史风电功率数据序列进行分解，得到s-1个本征模态函数分量和1个残差分量；对各所述分量采用相关系数法分析变量间的相关关系，筛选出主要子分量，构建对应输入矩阵，得到K个分量并构建对应的K个输入矩阵，其中K>1，并将所有输入矩阵和目标变量规范化为[0,1]，确定各分量的训练矩阵和测试矩阵；

(2)对各所述分量构建独立的LSTM模型；

如图2所示，所述的LSTM模型内部均具有重复的模块链结构，即遗忘门、输入门、更新门和输出门，计算过程如下所示：

f_t＝σ(W_fx_t+W_fh_t-1+b_f)

i_t＝σ(W_ix_t+W_ih_t-1+b_i)

o_t＝σ(W_ox_t+W_oh_t-1+b_o),h_t＝o_t tanh(C_t)

式中：f_t表示t时刻遗忘门的输出结果；i_t表示t时刻输入门的处理结果；

表示t时刻的输入单元状态；C_t表示t时刻的门控状态；o_t代表输出门的处理结果；h_t表示t时刻的输出值；W_f为遗忘门中连接输入值的权重、W_i为输入门中连接输入值的权重、W_c为更新门中连接输入值的权重、W_o为输出门中连接输入值的权重；b_f为遗忘门的偏置、b_i输入门的偏置、b_c更新门的偏置和b_o为输出门的偏置，σ和tanh分别为sigmoid函数和tanh函数；为实现回归预测，在LSTM模型的基础上加上一个线性回归层如下所示：

y_t＝W_yoh_t+b_y

式中：W_yo为线性回归层的权重；b_y为线性回归层的阈值，y_t为预测结果。

(3)对GOA算法进行改进获得改进的GOA；

为了满足传统蝗虫算法在不同时期的实际要求：在算法前期要求递减系数c比较大且下降缓慢，足够有能力和时间进行全局搜索到全局最优解的大概范围；在算法后期要求递减系数c较小且下降迅速，让算法快速收敛到局部最优解。改善算法在迭代后期容易出现在局部最优值附近停止收敛的现象，使算法在迭代后期跳出局部最优值，以获得更好的收敛效果。

采用自适应的递减系数更新机制对GOA的递减系数c进行改进，公式如下所示：

式中，t为算法当前迭代次数，T_max为最大迭代次数；

在蝗虫个***置更新处引入黄金正弦算子进行改进，公式如下：

r₃＝-π+2π(1-g)

r₄＝-π+2πg

式中：

为算法迭代到第t次时第d维第i个蝗虫的位置，

为算法迭代到第t次时第d维第j个蝗虫的位置，d_ij(t)是蝗虫种群在第t次迭代时第i个蝗虫和第j个蝗虫之间的距离，

是当前最优个***置，r₁是[0,2π]之间的随机数，r₂是[0,π]之间的随机数；

表示蝗虫所在的空间位置；

表示经过黄金正弦算子公式更新后的蝗虫所在的空间位置；ub^d表示为d维空间的上界；lb^d表示为d维空间的下界。

(4)利用改进的GOA对LSTM模型的参数进行优化；

具体的，利用改进后的GOA(IGOA)对每一个分量构建的LSTM模型的隐含层神经元数目h和学习率α进行参数优化，训练得到具有最优参数的LSTM模型，即IGOA-LSTM模型；即经过IGOA优化输出最优参数h、α并代回LSTM模型中，基于该IGOA-LSTM模型的风电功率预测数学模型可表述如下：

y_i＝f_LSTM(h,α)

h_min≤h≤h_max

α_min≤α≤α_max

式中：y_i为LSTM模型训练的预测值；h_max是隐含层神经元数目h的上界、α_max是学习率α的上界、h_min是隐含层神经元数目h的下界、α_min是学习率α的下界；

所述参数优化具体步骤包括：

(4.1)初始化相关算法参数；设置蝗虫种群数N、空间维度d、最大迭代次数T_max，空间的上界ub设置为h_max、α_max；空间的下界lb设置为h_min、α_min；当前迭代次数t＝1，生成当前蝗虫所在的空间位置

(4.2)计算个体的最佳适应度；具体的，经过LSTM模型训练得到的预测值y_i，利用适应度函数fitness得到蝗虫适应度值，并且将当前适应度值最小的蝗虫位置作为最优蝗虫位置保存在变量

所述的适应度函数fitness为：

式中，t_i为训练样本实际值；y_i为LSTM模型训练的预测值；

(4.3)判断当前迭代次数t是否达到最大迭代次数T_max；若达到，则执行(4.5)，否则执行(4.4)；

(4.4)通过上述自适应的递减系数更新机制更新递减系数c，标准化蝗虫之间的距离于[1,4]，引入黄金正弦算子来更新蝗虫的位置；当前迭代次数t＝t+1，并返回LSTM模型训练得到新的预测值，计算新的蝗虫适应度值，获取新的最优蝗虫位置与当前最优蝗虫位置进行比较，若优于当前最优蝗虫位置则更新

否则执行(4.3)；

(4.5)输出

从中提取出LSTM模型所需的隐含层神经元数目h和学习率α，得到具有最优参数的LSTM模型。

(5)将每一个分量的测试矩阵输入对应的具有最优参数且训练好的LSTM模型中得到预测值，将得到的各分量预测值进行聚合得到最终的结果，即采用CEEMDAN-IGOA-LSTM模型的方法获取预测结果。

(6)选取风电功率预测中常用的三种评价指标：均方根误差RMSE、平均绝对误差MAE和最大绝对值误差Emax，对步骤(1)-(5)所述方法的预测性能进行评价。其中RMSE、MAE和E_max三种评价指标公式如下：

E_max＝max(|P_ti-P_yi|)

式中：n为样本个数，P_ti为i时刻的实际功率，P_yi为i时刻的预测功率，P_cap为风电场开机总容量。

利用上述方法对获取到的数据进行预处理后，将前175h的1050个样本用于训练，后75h的450个样本用于预测，分别对ELM、GOA-ELM、LSTM和GOA-LSTM以及CEEMDAN-IGOA-LSTM进行误差评价分析，结果如下所示：

表1

由表1可知，通过对比ELM和LSTM模型，说明LSTM模型具有优越的非线性拟合能力；通过对比LSTM和GOA-LSTM，说明GOA算法可以有效的对LSTM模型的参数选择进行优化；对比CEEMDAN-IGOA-LSTM以及其余四种模型，说明本发明提出的改进GOA优化LSTM预测模型具有较好的非线性拟合能力，进一步有效地提高了超短期风电功率预测精度。

此外，本发明还提供一种基于改进GOA优化LSTM的超短期风电功率预测***，包括：

数据获取与预处理模块，获取风电功率数据并进行预处理，得到若干个分量；针对每一个分量构建对应的输入矩阵，确定每一个分量的训练矩阵和测试矩阵；

LSTM模型构建模块，用于针对每一个分量构建独立的LSTM模型；

参数优化模块，用于利用改进后的GOA对每一个分量构建的LSTM模型的隐含层神经元数目h和学习率α进行参数优化，训练得到具有最优参数的LSTM模型；基于该具有最优参数的LSTM模型的风电功率预测数学模型可表述如下：

y_i＝f_LSTM(h,α)

h_min≤h≤h_max

α_min≤α≤α_max

式中：h_max是隐含层神经元数目h的上界、α_max是学习率α的上界、h_min是隐含层神经元数目h的下界、α_min是学习率α的下界；

所述的改进后的GOA是通过对GOA的递减系数c采用自适应的递减系数更新机制进行改进、对GOA中蝗虫个***置的更新引入黄金正弦算子进行改进获得的；

所述参数优化具体步骤包括：

S3.1：初始化相关算法参数；设置蝗虫种群数N、空间维度d、最大迭代次数T_max，空间的上界ub设置为h_max、α_max；空间的下界lb设置为h_min、α_min；当前迭代次数t＝1，生成当前蝗虫所在的空间位置

S3.2：经过LSTM模型训练得到预测值y_i，利用适应度函数fitness得到蝗虫适应度值，并且将当前适应度值最小的蝗虫位置作为最优解保存到变量

适应度函数fitness为：

式中，t_i为训练样本实际值；y_i为LSTM模型训练的预测值；

S3.3：判断当前迭代次数t是否达到最大迭代次数T_max；若达到，则执行S3.5，否则执行S3.4；

S3.4：更新递减系数c，标准化蝗虫之间的距离于[1,4]，引入黄金正弦算子来更新蝗虫的位置，当前迭代次数t＝t+1，计算新的蝗虫适应度值，将新的蝗虫适应度值最小的蝗虫位置与当前最优解进行比较，若优于当前最优解则更新

否则执行S3.3；

S3.5：输出

并从中提取隐含层神经元数目h和学习率α，得到具有最优参数的LSTM模型；

预测结果聚合模块，将每一个分量的测试矩阵输入对应的具有最优参数并且训练好的LSTM模型中得到预测值，将得到的各分量预测值进行聚合获取最终的预测结果。

预测性能评价模块，用于选取风电功率预测中常用的三种评价指标：均方根误差RMSE、平均绝对误差MAE和最大绝对值误差E_max，对预测结果聚合模块的预测性能进行评价。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法步骤。

本发明还提供一种调试设备，存储器、处理器及在所述存储器上存储并可运行的程序，所述程序被处理器执行时实现上述方法的步骤。

Claims (10)

1.一种基于改进GOA优化LSTM的超短期风电功率预测方法，其特征在于，包括以下步骤：

S1：获取风电功率数据并进行预处理，得到若干个分量；针对每一个分量构建对应的输入矩阵，确定每一个分量的训练矩阵和测试矩阵；

S2：针对每一个分量构建独立的LSTM模型；

S3：利用改进后的GOA对每一个分量构建的LSTM模型的隐含层神经元数目h和学习率α进行参数优化，训练得到具有最优参数的LSTM模型；基于该具有最优参数的LSTM模型的风电功率预测数学模型为：

y_i＝f_LSTM(h,α)

h_min≤h≤h_max

α_min≤α≤α_max

式中：h_max是隐含层神经元数目h的上界、α_max是学习率α的上界、h_min是隐含层神经元数目h的下界、α_min是学习率α的下界；

所述的改进后的GOA是通过对GOA的递减系数c采用自适应的递减系数更新机制进行改进、对GOA中蝗虫个***置的更新引入黄金正弦算子进行改进获得的；

所述参数优化具体步骤包括：

S3.1：初始化相关算法参数；设置蝗虫种群数N、空间维度d、最大迭代次数T_max，空间的上界ub设置为h_max、α_max；空间的下界lb设置为h_min、α_min；当前迭代次数t＝1，生成当前蝗虫所在的空间位置

S3.2：经过LSTM模型训练得到预测值y_i，利用适应度函数fitness得到蝗虫适应度值，并且将当前适应度值最小的蝗虫位置作为最优解保存到变量

适应度函数fitness为：

式中，t_i为训练样本实际值；

S3.3：判断当前迭代次数t是否达到最大迭代次数T_max；若达到，则执行S3.5，否则执行S3.4；

S3.4：更新递减系数c，标准化蝗虫之间的距离于[1,4]，引入黄金正弦算子来更新蝗虫的位置，当前迭代次数t＝t+1，计算新的蝗虫适应度值，将新的蝗虫适应度值最小的蝗虫位置与当前最优解进行比较，若优于当前最优解则更新

否则执行S3.3；

S3.5：输出

并从中提取隐含层神经元数目h和学习率α，得到具有最优参数的LSTM模型；

S4：将每一个分量的测试矩阵输入对应的具有最优参数并且训练好的LSTM模型中得到预测值，将得到的各分量预测值进行聚合获取最终的预测结果。

2.根据权利要求1所述的基于改进GOA优化LSTM的超短期风电功率预测方法，其特征在于，还包括S5：选取风电功率预测中常用的三种评价指标：均方根误差RMSE、平均绝对误差MAE和最大绝对值误差E_max，对S1-S4所述方法的预测性能进行评价。

3.根据权利要求1所述的基于改进GOA优化LSTM的超短期风电功率预测方法，其特征在于，S1中预处理包括：

S1.1：采用CEEMDAN对历史风电功率数据序列进行分解，得到s-1个本征模态函数分量和1个残差分量；

S1.2：对各所述分量采用相关系数法分析变量间的相关关系，筛选出主要子分量，构建对应输入矩阵，并将所有输入矩阵和目标变量规范化为[0,1]，确定每一个分量的训练矩阵和测试矩阵。

4.根据权利要求1所述的基于改进GOA优化LSTM的超短期风电功率预测方法，其特征在于，S2中每一个分量构建独立的LSTM模型内部均具有重复的模块链结构，计算过程如下所示：

f_t＝σ(W_fx_t+W_fh_t-1+b_f)

i_t＝σ(W_ix_t+W_ih_t-1+b_i)

o_t＝σ(W_ox_t+W_oh_t-1+b_o),h_t＝o_ttanh(C_t)

式中：f_t表示t时刻遗忘门的输出结果；i_t表示t时刻输入门的处理结果；

表示t时刻的输入单元状态；C_t表示t时刻的门控状态；o_t代表输出门的处理结果；h_t表示t时刻的输出值；W_f为遗忘门中连接输入值的权重、W_i为输入门中连接输入值的权重、W_c为更新门中连接输入值的权重、W_o为输出门中连接输入值的权重；b_f为遗忘门的偏置、b_i输入门的偏置、b_c更新门的偏置和b_o为输出门的偏置，σ和tanh分别为sigmoid函数和tanh函数；为实现回归预测，在LSTM模型的基础上加上一个线性回归层如下所示：

y_t＝W_yoh_t+b_y

式中：W_yo为线性回归层的权重；b_y为线性回归层的阈值，y_t为预测结果。

5.根据权利要求1所述的基于改进GOA优化LSTM的超短期风电功率预测方法，其特征在于，S3中所述的自适应的递减系数更新机制的公式如下所示：

式中，t为算法当前迭代次数，T_max为最大迭代次数；

所述的引入黄金正弦算子如下所示：

r₃＝-π+2π(1-g)

r₄＝-π+2πg

式中：

为算法迭代到第t次时第d维第i个蝗虫的位置，

为算法迭代到第t次时第d维第j个蝗虫的位置，d_ij(t)是蝗虫种群在第t次迭代时第i个蝗虫和第j个蝗虫之间的距离，

是当前最优个***置，r₁是[0,2π]之间的随机数，r₂是[0,π]之间的随机数；

表示蝗虫所在的空间位置；

表示经过黄金正弦算子公式更新后的蝗虫所在的空间位置；ub^d表示为d维空间的上界；lb^d表示为d维空间的下界。

6.根据权利要求2所述的基于改进GOA优化LSTM的超短期风电功率预测方法，其特征在于，所述的RMSE、MAE和E_max三种评价指标公式如下：

E_max＝max(|P_ti-P_yi|)

式中：n为样本个数，P_ti为t时刻的实际功率，P_yi为t时刻的预测功率，P_cap为风电场开机总容量。

7.一种基于改进GOA优化LSTM的超短期风电功率预测***，具体包括：

数据获取与预处理模块，获取风电功率数据并进行预处理，得到若干个分量；针对每一个分量构建对应的输入矩阵，确定每一个分量的训练矩阵和测试矩阵；

LSTM模型构建模块，用于针对每一个分量构建独立的LSTM模型；

参数优化模块，用于利用改进后的GOA对每一个分量构建的LSTM模型的隐含层神经元数目h和学习率α进行参数优化，训练得到具有最优参数的LSTM模型；基于该具有最优参数的LSTM模型的风电功率预测数学模型可表述如下：

y_i＝f_LSTM(h,α)

h_min≤h≤h_max

α_min≤α≤α_max

式中：y_i为LSTM模型输出值；h_max是隐含层神经元数目h的上界、α_max是学习率α的上界、h_min是隐含层神经元数目h的下界、α_min是学习率α的下界；

所述的改进后的GOA是通过对GOA的递减系数c采用自适应的递减系数更新机制进行改进、对GOA中蝗虫个***置的更新引入黄金正弦算子进行改进获得的；

所述参数优化具体步骤包括：

S3.1：初始化相关算法参数；设置蝗虫种群数N、空间维度d、最大迭代次数T_max，空间的上界ub设置为h_max、α_max；空间的下界lb设置为h_min、α_min；当前迭代次数t＝1，生成当前蝗虫所在的空间位置

S3.2：经过LSTM模型训练得到预测值y_i，利用适应度函数fitness得到蝗虫适应度值，并且将当前适应度值最小的蝗虫位置作为最优解保存到变量

适应度函数fitness为：

式中，t_i为训练样本实际值；

S3.3：判断当前迭代次数t是否达到最大迭代次数T_max；若达到，则执行S3.5，否则执行S3.4；

S3.4：更新递减系数c，标准化蝗虫之间的距离于[1,4]，引入黄金正弦算子来更新蝗虫的位置，当前迭代次数t＝t+1，计算新的蝗虫适应度值，将新的蝗虫适应度值最小的蝗虫位置与当前最优解进行比较，若优于当前最优解则更新

否则执行S3.3；

S3.5：输出

并从中提取隐含层神经元数目h和学习率α，得到具有最优参数的LSTM模型；

预测结果聚合模块，将每一个分量的测试矩阵输入对应的具有最优参数并且训练好的LSTM模型中得到预测值，将得到的各分量预测值进行聚合获取最终的预测结果。

8.根据权利要求7所述的基于改进GOA优化LSTM的超短期风电功率预测***，还包括预测性能评价模块，用于选取风电功率预测中常用的三种评价指标：均方根误差RMSE、平均绝对误差MAE和最大绝对值误差E_max，对预测结果聚合模块的预测性能进行评价。

9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任意一项所述的方法步骤。

10.一种调试设备，其特征在于，存储器、处理器及在所述存储器上存储并可运行的程序，所述程序被处理器执行时实现如权利要求1至6中任一项所述方法的步骤。

Images