風(fēng)電能源的合理開發(fā)在改善我國(guó)能源結(jié)構(gòu)與減輕能源問題方面具有重要意義。作為風(fēng)電能源的主要開發(fā)方法，風(fēng)力發(fā)電遭到風(fēng)速的波動(dòng)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(fēng)電功率預(yù)測(cè)研究，有助于實(shí)時(shí)調(diào)整電網(wǎng)調(diào)度計(jì)劃，有效減少對(duì)電網(wǎng)的安全、穩(wěn)定經(jīng)濟(jì)運(yùn)行的沖擊，提升風(fēng)電的整體經(jīng)濟(jì)效益。但是，風(fēng)電功率數(shù)據(jù)凸顯出的波動(dòng)性與復(fù)雜性，在一定程度上加強(qiáng)了預(yù)測(cè)的難度。本文以風(fēng)電功率區(qū)間預(yù)測(cè)研究著手，以長(zhǎng)短期記憶網(wǎng)路（，LSTM）、深度學(xué)習(xí)優(yōu)化技術(shù)、變分模態(tài)分解（，VMD）等為理論基礎(chǔ)，實(shí)現(xiàn)基于LSTM的風(fēng)電功率區(qū)間預(yù)測(cè)模型，并提出基于建立損失函數(shù)形式與基于構(gòu)造區(qū)間形式的兩種優(yōu)化方式，實(shí)現(xiàn)對(duì)LSTM預(yù)測(cè)模型的有效訓(xùn)練。在LSTM預(yù)測(cè)模型的基礎(chǔ)上，結(jié)合VMD算法對(duì)序列數(shù)據(jù)的分解簡(jiǎn)化能力，建立LSTM-VMD組合區(qū)間預(yù)測(cè)模型，以實(shí)現(xiàn)模型預(yù)測(cè)療效的提高。論文的主要工作可以分為以下三部（1）風(fēng)電功率數(shù)據(jù)凸顯出較強(qiáng)的隨機(jī)性與波動(dòng)性，為實(shí)現(xiàn)對(duì)預(yù)測(cè)療效的提高，本文提出基于LSTM的風(fēng)電功率區(qū)間預(yù)測(cè)模型。先借助LSTM處理時(shí)序邏輯關(guān)系的網(wǎng)路結(jié)構(gòu)優(yōu)勢(shì)風(fēng)電功率預(yù)測(cè)數(shù)據(jù)，實(shí)現(xiàn)對(duì)風(fēng)電功率數(shù)據(jù)的基本特點(diǎn)提取。
在此基礎(chǔ)上，結(jié)合深度學(xué)習(xí)相關(guān)技術(shù)，搭建具有更強(qiáng)非線性映射能力的多層神經(jīng)網(wǎng)路，因而將基本特點(diǎn)進(jìn)一步具象并進(jìn)行區(qū)間上下界輸出，最終實(shí)現(xiàn)一種具有比傳統(tǒng)預(yù)測(cè)模型更強(qiáng)學(xué)習(xí)能力的區(qū)間預(yù)測(cè)模型。（2）預(yù)測(cè)模型須要在區(qū)間的可靠性與清晰度兩方面達(dá)到平衡，本文結(jié)合深度學(xué)習(xí)優(yōu)化技術(shù)與隨機(jī)梯度增長(zhǎng)優(yōu)化思想，針對(duì)區(qū)間預(yù)測(cè)模型設(shè)計(jì)了兩種訓(xùn)練方式：一是建立對(duì)區(qū)間覆蓋率與區(qū)間長(zhǎng)度兩方面同步優(yōu)化的雙損失函數(shù)，通過損失函數(shù)進(jìn)行反向傳播估算，實(shí)現(xiàn)模型的權(quán)重更新；二是通過風(fēng)電功率歷史數(shù)據(jù)構(gòu)造擬合區(qū)間，設(shè)計(jì)一種區(qū)間長(zhǎng)度自適應(yīng)調(diào)整策略風(fēng)電功率預(yù)測(cè)數(shù)據(jù)，以直接建立訓(xùn)練標(biāo)簽的形式實(shí)現(xiàn)模型的優(yōu)化。最后通過實(shí)驗(yàn)對(duì)比，驗(yàn)證了LSTM區(qū)間預(yù)測(cè)模型在傳統(tǒng)LUBE模型預(yù)測(cè)療效上的提高。（3）為進(jìn)一步提高LSTM模型的預(yù)測(cè)療效，本文以簡(jiǎn)化數(shù)據(jù)復(fù)雜性的角度提出一種LSTM-VMD的組合區(qū)間預(yù)測(cè)模型。借助VMD算法的分解能力將風(fēng)電功率數(shù)據(jù)簡(jiǎn)化為多個(gè)更平滑的序列份量，并在此基礎(chǔ)上搭建LSTM預(yù)測(cè)子模型，再通過區(qū)間疊加的形式實(shí)現(xiàn)總的預(yù)測(cè)區(qū)間輸出。最后通過實(shí)驗(yàn)剖析，證明了LSTM-VMD組合模型在基礎(chǔ)模型預(yù)測(cè)療效上的提高。關(guān)鍵詞：長(zhǎng)短期記憶網(wǎng)路、風(fēng)電功率、區(qū)間預(yù)測(cè)、深度學(xué)習(xí)、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,
