風電能源的合理開發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方法，風力發電遭到風速的波動性與間歇性影響，存在著并網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調度計劃，有效減少對電網的安全、穩定經濟運行的沖擊，提升風電的整體經濟效益。但是，風電功率數據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。本文以風電功率區間預測研究著手，以長短期記憶網路（，LSTM）、深度學習優化技術、變分模態分解（，VMD）等為理論基礎，實現基于LSTM的風電功率區間預測模型，并提出基于建立損失函數形式與基于構造區間形式的兩種優化方式，實現對LSTM預測模型的有效訓練。在LSTM預測模型的基礎上，結合VMD算法對序列數據的分解簡化能力，建立LSTM-VMD組合區間預測模型，以實現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）風電功率數據凸顯出較強的隨機性與波動性，為實現對預測療效的提高，本文提出基于LSTM的風電功率區間預測模型。先借助LSTM處理時序邏輯關系的網路結構優勢風電功率預測數據，實現對風電功率數據的基本特點提取。
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路，因而將基本特點進一步具象并進行區間上下界輸出，最終實現一種具有比傳統預測模型更強學習能力的區間預測模型。（2）預測模型須要在區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化技術與隨機梯度增長優化思想，針對區間預測模型設計了兩種訓練方式：一是建立對區間覆蓋率與區間長度兩方面同步優化的雙損失函數，通過損失函數進行反向傳播估算，實現模型的權重更新；二是通過風電功率歷史數據構造擬合區間，設計一種區間長度自適應調整策略風電功率預測數據，以直接建立訓練標簽的形式實現模型的優化。最后通過實驗對比，驗證了LSTM區間預測模型在傳統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，本文以簡化數據復雜性的角度提出一種LSTM-VMD的組合區間預測模型。借助VMD算法的分解能力將風電功率數據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，再通過區間疊加的形式實現總的預測區間輸出。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：長短期記憶網路、風電功率、區間預測、深度學習、變分模態分解'.,wind-peed,.--,ation,.,-xtent.,ry(LSTM),,(VMD),erval,;,data,LSTM-.:wind-,-.ogic,-.,...,:First,,-wer,el.,thanmodel.,modelLSTM-VMDfromy-powerdata.Basedmodely,
