(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 202210867589.X (22)申请日 2022.07.22 (71)申请人 重庆大学 地址 400044 重庆市沙坪坝区沙正 街174号 (72)发明人 伍洲　曾绍雄　蒋锐祺　 (74)专利代理 机构 重庆缙云专利代理事务所 (特殊普通 合伙) 50237 专利代理师 王翔 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 17/16(2006.01) G06F 17/18(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度链式回声状态网络和变分模 态分解的风电功率多步预测方法 (57)摘要 本发明公开一种基于深度链式回声状态网 络和变分模态分解的风电功率多步预测方法， 步 骤包括： 1)获得风电场的历史风电功率数据； 2) 对历史风电功率数据进行处理， 得到优化样本 集； 3)构建深度链式回声状态网络的预测模型； 4)利用优化样本集对深度链式回声状态网络的 预测模型进行优化； 5)获取风电场的实时风电功 率数据， 并输入到优化后的深度链式回声状态网 络的预测模型中， 得到未来n个时刻的风电功率 值。 本发明使用VMD方法来对风电功率时间序列 数据进行分解得到各个比较平稳的子序列， 能够 更好的对风电功率数据的随机性处 理。 权利要求书2页 说明书6页 附图2页 CN 115409242 A 2022.11.29 CN 115409242 A 1.一种基于深度链式回声状态网络和变分模态分解的风电功率多步预测方法， 其特征 在于， 包括以下步骤： 1)获得所述风电场的历史风电功率数据。 2)对历史风电功率数据进行处 理， 得到优化样本集。 3)构建深度链式回声状态网络的预测模型； 4)利用优化样本集对深度链式回声状态网络的预测模型进行优化； 5)获取风电场的实时风电功率数据， 并输入到优化后的深度链式回声状态网络的预测 模型中， 得到未来 n个时刻的风电功率 值。 2.根据权利要求1所述的一种基于深度链式回声状态网络和变分模态分解的风电功率 多步预测方法， 其特征在于， 所述深度 链式回声状态网络的预测模型包括n个堆叠的回声状 态网络， 分别记为ESN1， ESN2，…， ESNn； 每个回声状态网络均包括输入单元、 储备池单元和输出单元； 其中， 输入单元、 储备池 单元和输出 单元的规模分别为K、 N、 1。 3.根据权利要求2所述的一种基于深度链式回声状态网络和变分模态分解的风电功率 多步预测方法， 其特征在于， 每个回声状态网络的超参数相同； 所述超参数包括储备池的内 部连接权重的谱半径、 储备池的神经 元个数和储备池的稀疏程度。 4.根据权利要求2所述的一种基于深度链式回声状态网络和变分模态分解的风电功率 多步预测方法， 其特 征在于， 第一个回声状态网络 ESN1的储备池状态更新方程如下： s1(t)＝(1‑α )s1(t‑1)+α [tanh(W1ine(t)+W1ress1(t‑1))]   (1) 式中， e(t)＝[e1(t),e2(t),...,eK(t)]是t时刻输入单元的数据； eK(t)是t时刻第K个输 入单元的数据； s1(t)是t时刻储备池单元的输出； s1(t‑1)是t‑1时刻储备池单元的输出； W1in、 W1res分别为第一个回声状态网络ESN1的输入连接权值矩阵、 内部连接权值矩阵； 其中， 输入连接 权值矩阵W1in的维度为 N×K， 内部连接 权值矩阵的维度为 N×N； α 为权重系数。 5.根据权利要求2所述的一种基于深度链式回声状态网络和变分模态分解的风电功率 多步预测方法， 其特 征在于， 第一个回声状态网络 ESN1的输出 如下所示： 式中， W1out为第一个回声状态网络 ESN1的输出连接权值矩阵， 其维度为1 ×N。 6.根据权利要求2所述的一种基于深度链式回声状态网络和变分模态分解的风电功率 多步预测方法， 其特 征在于， 第i个回声状态网络 ESNi的储备池状态更新方程如下： 式中， Wiin、 Wires分别代表第i个回声状态网络ESNi的输入连接权值矩阵、 内部连接权值 矩阵； 输入连接权值矩阵Wiin的维度为N ×(K+1)， 内部连接权值矩阵的维度为N ×N； 表示第i个回声状态网络ESNi的输入； si(t)是t时刻第i个回声状态网络 ESNi的储备池单元输出； i＝2， 3， …， n； si(t‑1)是t‑1时刻第i个回声状态网络ESNi的储备池 单元输出； α 为权 重系数。 7.根据权利要求2所述的一种基于深度链式回声状态网络和变分模态分解的风电功率 多步预测方法， 其特 征在于， 第i个回声状态网络 ESNi的输出 如下所示：权　利　要　求　书 1/2 页 2 CN 115409242 A 2式中， Wiout为第i个回声状态网络 ESNi的输出连接权值矩阵， 其维度为1 ×N。 8.根据权利要求1所述的一种基于深度链式回声状态网络和变分模态分解的风电功率 多步预测方法， 其特 征在于， 对历史风电功率数据进行处 理的步骤 包括： 1)利用变分模态分解方法将历史风电功率数据分解 为多个分量子序列； 2)提取每个分量子序列一部分数据， 并写入第一优化数据集， 将每个分量子序列另一 部分数据写入第二优化数据集。 9.根据权利要求8所述的一种基于深度链式回声状态网络和变分模态分解的风电功率 多步预测方法， 其特征在于， 利用优化样本集对深度链式回声状态网络的预测模型进行优 化的步骤 包括： 1)利用第一优化数据集对所述深度链式回声状态网络的预测模型进行训练； 2)利用第 二优化数据集对训练后的深度链式回声状态网络的预测模型进行测试， 得到 测试结果； 3)对测试结果和第二优化数据集的实际数据进行定量评估， 计算得到评估指标； 判断 评估指标是否满足小于预设阈值， 若 是， 则深度 链式回声状态网络的预测模型优化完成， 否 则， 重新获取优化样本集， 并利用新的优化样本集对深度链式回声状态网络的预测模型进 行优化。 10.根据权利要求9所述的一种基于深度链式回声状态网络和变分模态分解的风电功 率多步预测方法， 其特 征在于， 所述评估指标包括平均绝对误差 MAE和标准方根 误差NRMSE； 其中， 第j个回声状态网络ESNj的预测结果的平均绝对误差MAEj和标准方根误差NRMSEj 分别如下 所示： 式中。 T表示第二优化数据集的长度， 表示第j个 回声状态 网络ESNj预测的未来 第j个时刻的风电功率 值； d(t+j)表示未来第j个时刻的实际风电功率 值； j＝1， 2， 3， …， n。权　利　要　求　书 2/2 页 3 CN 115409242 A 3