CN110414045A - 基于vmd-gru的短期风速预测方法 - Google Patents

Abstract

本发明公开了一种基于VMD‑GRU的短期风速预测方法，其特征在于，采集当前时刻以及距离当前时刻最近的n个时刻的风速的数据构成一时间序列，对时间序列进行预处理得到多个子序列和残余分量，将各子序列和残余分量分别输入到各自对应的训练好的GRU模型中，由训练好的GRU模型输出预测值后，对所有的预测值进行后处理得到下一时刻的未来风速预测的数据。本发明采用变分模态分解法将非平稳的风速数据分解成频率不同的子序列以及残余分量，子序列以及残余分量的平稳性好，便于更好的预测；对于波动性、随机性以及不确定性较强的风速有着较好的预测精度，能够更加合理地调整风力发电装置的运行状态。

Description

基于VMD-GRU的短期风速预测方法

技术领域

本发明涉及一种基于VMD-GRU的短期风速预测方法，属于风力发电技术领域。

背景技术

作为大规模风力发电的一项重要内容，准确地风速预测对于风力发电机组的保护和电网供电安全，减小风电机组对电网的冲击，保障电网的稳定性，同时为电网调度计划安排、机组维修和电网改造增能提供可靠的数据保障。

近年来，随着对可再生能源的利用，风机数不断增加，风力发电在电网发电的份额不断增长，由于风力发电出力具有间歇性和不确定性，使得风力发电在并网发电过程中容易对电网造成一定的电压波动，供电可靠性降低，因此，在功率预测的基础上，利用风速的预测进行一些预操作，来进行合理的优化安排使得电网在风力发电并网过程中获得最优的可靠性，同时获得最优的经济效益，并保障大规模风电场机组的安全性。

目前，风速预测的方法主要分为两大类：物理模型法和统计建模法。物理模型法需要相关地形等数据，比较适合长期的风速预测。统计建模法只需要以往的数据及相关的气象数据，更适合短期风速预测。常用的有神经网络法、专家系统法、支持向量机法和时间序列法等。针对风速预测的具有不确定性，上述方法往往在预测精度上并不理想，随着神经网络的兴起，其强大的学习能力、自适应能力使得其在模式识别、智能机器人、自动控制等多领域取得了优异的成绩，根据风速预测的不确定性，可以采用基于变分模态分解模型下的神经网路进行学习以提高风速预测的精度。

目前，有人利用小波分析结合神经网络进行时间序列的预测，但是小波分析需要选取合适的母小波以及设置可行的分解层数，针对非线性、非平稳信号的分解的自适应效果差，预测精度仍然有待提高。因此，研究一种预测精度高的风速预测方法具有十分重要的意义。

发明内容

本发明所要解决的技术问题是：提供一种预测精度高的短期风速预测方法。

为了解决上述问题，本发明采用的技术方案为：

一种基于VMD-GRU的短期风速预测方法，其特征在于，先基于VMD-GRU对风速进行预测，然后根据预测结果调整风力发电的运行状态即控制风力发电站的配电，调整风力发电厂的运行状态前后的预测风速满足下式：

式中：P为函数；C_p为机组风能利用系数；A＝πR²，A是风机叶片扫略一圈的横截面积，R为风机叶片的半径；ρ为空气密度，v为预测的风速数据；

需考虑如下约束：

式中：P_min、P_max分别为风能装置在t₀时刻的最小风速功率、最大风速功率；

通过MATLAB对式(1)进行求解；从式(1)可以看出，本发明是将预测风速当作实际风速去考虑风力发电策略，当预测风速与实际风速预测相差较大的时候，风力发电的功率和预计的风速功率相差较大；本发明根据风速预测结果基于风力发电离并网控制策略，一般在风速比较高的时刻发出的功率就高，风速比较低的时刻风机发出的功率就较低，本发明通过提前预测风速的情况，控制风电机组的运行状态，从而提高经济收益和安全性；

具体步骤如下：

采集当前时刻以及距离当前时刻最近的n个时刻的风速的数据构成一时间序列，对时间序列进行预处理得到多个子序列和残余分量，将各子序列和残余分量分别输入到各自对应的训练好的GRU模型中，一子序列对应一训练好的GRU模型，一残余分量对应一训练好的GRU模型，由训练好的GRU模型输出预测值后，对所有的预测值进行后处理得到下一时刻的未来风速预测的数据；GRU模型的训练过程即以连续n+2个时刻中前n+1个时刻的风速的数据对应的子序列或残余分量为输入，以后1个时刻的历史短期负荷的数据对应的子序列或残余分量为理论输出，不断调整GRU模型的参数，直到模型损失函数值趋于收敛或达到最大迭代次数为止的过程，其中子序列或残余分量采用与预测过程相同的方法得到；

所述预处理具体为依次进行归一化处理和变分模态分解，所述后处理具体为依次进行重构和反归一化处理；

所述GRU模型是一种循环神经网络，适合于处理和预测时间序列中间隔和延迟相较长的重要事件，其工作核心是通过GRU有两个门，即一个重置门(resetgate)和一个更新门(updategate)，从直观上来说，重置门决定了如何将新的输入信息与前面的记忆相结合，更新门定义了前面记忆保存到当前时间步的量。GRU模型函数的更新门表达式如下：

z_t＝σ(W_z·[h_t-1,x_t]) 式(8)；

重置门表达式如下：

r_t＝σ(W_r·[h_t-1,x_t]) 式(9)；

候选隐藏函数的表达式如下：

最终的时间序列上的输出量的表达式如下：

上述各表达式中，W_z是更新门的权重系数矩阵；W_r则是重置门的权重系数矩阵；W为状态更新时的权重系数矩阵；σ和tanh分别为sigmoid和双曲正切激活函数，h_t-1表示的是上一个的输出，x_t表示当前的输入，z_t、r_t、h_t分别为更新门的结果、重置门的结果和时间序列上的输出结果。

本发明的基于VMD-GRU的风速预测方法，变分模态分解是一种自适应信号处理方法，该方法通过不断迭代，在若干频域带宽中更新获得新的各模态分量，重构给定信号，且克服了经验模态分解的模态混叠现象；考虑风速数据在时间上具有相关性，因此可以采用适合于处理和预测时间序列中间间隔和延迟较长的重要事件的GRU模型进行风速预测，单一利用GRU模型进行风速预测没有考虑负荷数据的不平稳性，预测精度不够理想，因此可以结合VMD-GRU进行风速的预测。将变分模态分解与神经网络结合进行预测，有时候会考虑将分解后的各子序列进行相关系数比较，选取有用的IMF分量进行重构来得到一个与原始数据近似的新数据输入到单一网络模型进行训练预测，此方法虽然对预测的总体变化趋势不会产生太大影响，但是没有完全利用分解后的子序列，被抛弃的IMF分量往往体现出随机性因素导致的数据波动，对于风速预测，这种波动具有很好的参考价值，而且这种重构后的数据不一定具有平稳性，本发明通过对分解后的各子序列分别采用神经网络进行预测，再对各子序列预测结果进行重构可以提高预测的精度。

优选地，所述n个时刻中的n＝2。

优选地，所述归一化处理的公式如下：

式中，X_max为归一化处理数据的最大值，X_min为归一化处理数据的最小值，X为归一化前的值，X’是归一化后的值。

优选地，所述预处理还包括在归一化处理之前的异常值检测及修正处理；异常值检测的过程为：

将所有数据按大小顺序排列，记上四分位值为Q₁，即所有数据中只有1/4的数据大于Q₁，下四分位值为Q₂，即所有数据中只有1/4的数据小于Q₂，上界为(Q₁+1.5(Q₁·Q₂))，下界为(Q₂-1.5(Q₁·Q₂))，介于上下界之间的都是正常观测值，否则为异常值；

异常值修正的方法为：

去除异常值后，将当天已有的风速数据进行三次样条插值，三次样条插值(简称Spline插值)是通过一系列形值点的一条光滑曲线，数学上通过求解三弯矩方程组得出曲线函数组的过程，用于异常值同时刻的三次样条插值上的风速数据替代异常值；三次样条插值建模：设f(x)是区间[a,b]上的一个连续可微函数，在区间[a,b]上给定一组基点，由于风速数据的因变量是日期，故可以用其在一天中的第几个时刻代替，当天去除异常点后的风速数据个数为(n+1)：

a＝x₀<x₁<x₂<…<x_n＝b 式(4)；

设函数S(x)满足条件：

(1)在每个子区间上有表达式：S_i(x)＝a_ix³+b_ix²+c_ix；

(2)在区间[a,b]上有2阶连续导数；

根据以下已知条件取求解每个子区间的S_i(x)：

S_i(x)求出之后，可将异常值对应的时刻带入对应的S_i(x)，获取异常值的代替点。

优选地，所述变分模态分解的步骤如下：

步骤1)：通过Hilbert变换将各个模态分量u_k(t)转变成解析信号，接着转化成单侧频谱：

其中，

步骤2)：接着再加一个中心频率指数项将模态的频谱转换到相应的基频带上：

步骤3)：将解调的信号通过高斯平滑对信号的带宽进行估算，获得一个变分约束问题，表达式为：

式中，f为原始信号；

步骤4)：将{u_k}＝{u₁…u_k}分解得到K个IMF分量做集成平均处理，{ω_k}＝{ω₁…ω_k}为各分量的中心频率。

本发明的变分模态分解法不同于经验模态分解(EMD)运用递归筛选剥离处理信号的方法，主要是将信号的分解转换成变分问题，克服了后者在分解过程中出现混叠的现象，并且降低了后续过程中重构信号的偏差，前者能对信号频率特性进行自适应分解，更准确地获得高价值模态分量。本发明的变分模态分解法将非平稳的风速数据分解成频率不同的子序列以及残余分量，而且这些序列具有平稳性，平稳性意味着时序数据的均值、方差、协方差是与时间无关的常数，符合统计中的一致性，以便于更好的预测。

优选地，所述GRU模型的训练步骤如下：

步骤a)：确定GRU模型的结构、激活函数和损失函数，并初始化模型参数，令迭代次数s＝1，其中损失函数L的表达式如下：

式中，Y_i为子序列或残余分量对应的真实值，为子序列或残余分量对iY^iY应的模型预测值，N为参与GRU模型训练的训练样本个数；Sigmoid激活函数表达式如下：

双曲正切激活函数表达式如下：

步骤b)：前向计算每个神经元的输出值，即计算z_t、r_t、h_t四个向量的值；

步骤c)：反向计算每个神经元的误差项值，GRU误差项的反向传播包括两个方向：一个是沿时间的反向传播，即从当前时刻t开始，计算每个时刻的误差项；另一个是将误差项向上一层传播；

步骤d)：判断损失函数值是否收敛，同时判断是否达到最大迭代次数，如果有一个是，则停止更新；反之，则令迭代次数s＝s+1后，返回步骤b)。

优选地，所述重构采用基于遗传算法的BP算法，重构可以采用BP网络进行非线性拟合处理，但传统BP网络学习速度慢，容易陷入局部极小值，因此本发明采用遗传算法求解BP网络模型参数去改善BP网络模型收敛速度慢及容易陷入局部最优的缺点，具体步骤如下：

步骤1)：BP网络建模，采用只含一层隐含层的BP网络，设置输入层神经元的个数为k，隐含层神经元的个数为m，输出层神经元的个数为1；

步骤2)：利用遗传算法优化BP网络的权值和阈值，具体为：

步骤2.1)：编码，对BP网络的权值和阈值进行二进制编码，BP网络中输入层有k个输入节点，隐含层有m个节点，输出层有1个输出节点，共有k*m+m*1个权值，m+1个阈值，所以编码长度l＝k*m+m*1，设置最大进化代数为T，以一组权值和阈值作为一个个体，随机生成M个个体作为初始群体P(0)，迭代次数t＝0；

步骤2.2)：计算适应度函数值，适应度函数的表达式如下：

式中，y’_j为子序列或残余分量对应的预测值输入至BP网络后BP网络的输出值，y_j为负荷数据归一化后的实际值，q为参与模型训练数据的个数；

步骤2.3)：选择，根据个体的适应度函数值所量度的优劣程度决定它在下一代淘汰还是被遗传，用赌轮选择机制，令∑f_j表示群体的适应度值之总和，f_j表示群体中第j个个体的适应度值，它产生后代的能力刚好为其适应度值所占份额f_j/∑f_j；

步骤2.4)：交叉，将交叉算子作用于群体；

步骤2.5)：变异，将变异算子作用于群体，对群体中个体串的某些基因座上的基因值做变动；

步骤2.6)：判断，若迭代次数t＝T，则将进化过程中所得到的具有最大适应度值的个体进行解码得到BP网络的最优权值和阈值，并输出，终止计算；反之，则t＝t+1，返回步骤2.2)；

步骤3)：BP网络对GRU模型的所有预测值进行非线性重构。

传统的重构方法是将各预测结果简单相加，不能保证预测误差整体偏小，因此本发明采用了基于遗传算法的BP算法对各个预测结果进行重构，使得模型更加准确。此方法能够满足家庭风速预测精度的需求，且实现方便。

优选地，所述反归一化处理的公式如下：

Z＝Z'(X_max-X_min)+X_min 式(16)；

式中，Z’为反归一化处理前的值即重构后的数据值，Z为反归一化处理后的值即为最终的风速预测值。

本发明与现有技术相比，有益效果在于：

(1)本发明的基于VMD-GRU的风速预测方法，对于波动性、随机性以及不确定性较强的风速有着较好的预测精度，能够更加合理地调整风力发电装置的运行状态；

(2)本发明的基于VMD-GRU的风速预测方法，采用变分模态分解法将非平稳的风速数据分解成频率不同的子序列以及残余分量，子序列以及残余分量的平稳性好，便于更好的预测；

(3)本发明的基于VMD-GRU的风速预测方法，变分模态分解法不同于经验模态分解(EMD)运用递归筛选剥离处理信号的方法，主要是将信号的分解转换成变分问题，克服了后者在分解过程中出现混叠的现象，并且降低了后续过程中重构信号的偏差，前者能对信号频率特性进行自适应分解，更准确地获得高价值模态分量；

(4)本发明的基于VMD-GRU的风速预测方法，基于遗传算法的BP算法对各个预测结果进行重构而非传统重构方法中的将各预测结果简单相加，使得模型重构后的预测结果更加准确。

附图说明

图1为本发明的基于VMD-GRU的风速预测方法的流程图；

图2为本发明对时间序列进行异常值检测的检测示意图；

图3为本发明对时间序列进行变分模态分解的流程图；

图4为本发明GRU模型的拓扑结构图；

图5为本发明优化BP网络得到基于遗传算法的BP网络的流程图。

具体实施方式

为使本发明更明显易懂，兹以优选实施例，并配合附图作详细说明如下。

实施例

基于VMD-GRU的短期风速预测方法，如图1所示，步骤如下：

(1)训练GRU模型；

(1.1)采集连续n+2个时刻中前n+1个时刻的历史风速数据构成一时间序列，对时间序列进行预处理得到多个子序列和残余分量，n＝2，具体为：

(1.1.1)对时间序列进行异常值检测及修正处理，如图2所示；异常值检测的过程为：将所有数据按大小顺序排列，记上四分位值为Q₁，即所有数据中只有1/4的数据大于Q₁，下四分位值为Q₂，即所有数据中只有1/4的数据小于Q₂，上界为(Q₁+1.5(Q₁·Q₂))，下界为(Q₂-1.5(Q₁·Q₂))，介于上下界之间的都是正常观测值，否则为异常值；异常值修正的方法为：去除异常值后，将当天已有的风速数据进行三次样条插值，三次样条插值(简称Spline插值)是通过一系列形值点的一条光滑曲线，数学上通过求解三弯矩方程组得出曲线函数组的过程，用与异常值同时刻的三次样条插值上的风速数据替代异常值；三次样条插值建模：设f(x)是区间[a,b]上的一个连续可微函数，在区间[a,b]上给定一组基点，由于风速数据的因变量是日期，固可以用其在一天中的第几个时刻代替，当天去除异常点后的风速(n+1)：

a＝x₀<x₁<x₂<…<x_n＝b 式(4)；

设函数S(x)满足条件：

(1)S(x)在每个子区间上有表达式：S_i(x)＝a_ix³+b_ix²+c_ix；

(2)S(x)在区间[a,b]上有2阶连续导数；

根据以下已知条件取求解每个子区间的S_i(x)：

S_i(x)求出之后，可将异常值对应的时刻带入对应的S_i(x)，获取异常值的代替点。

(1.1.2)对修正后的时间序列进行归一化处理，归一化处理的公式如下：

式中，X_max为归一化处理数据的最大值，X_min为归一化处理数据的最小值，X为归一化前的值，X’是归一化后的值。

(1.1.3)对归一化处理处理后的数据进行变分模态分解(即VMD分解)，如图3所示，变分模态分解的步骤如下：

(1.1.3.1)通过Hilbert变换将各个模态分量u_k(t)转变成解析信号，接着转化成单侧频谱：

其中，

(1.1.3.2)接着再加一个中心频率指数项将模态的频谱转换到相应的基频带上：

(1.1.3.3)将解调的信号通过高斯平滑对信号的带宽进行估算，获得一个变分约束问题，表达式为：

式中，f为原始信号；

(1.1.3.4)将{u_k}＝{u₁…u_k}分解得到K个IMF分量做集成平均处理，{ω_k}＝{ω₁…ω_k}为各分量的中心频率。

(1.2)以连续n+2个时刻中前n+1个时刻的历史短期风速的数据对应的子序列或残余分量为输入，以后1个时刻的历史短期风速的数据对应的子序列或残余分量为理论输出，不断调整GRU模型的参数，直到模型损失函数值趋于收敛或达到最大迭代次数为止的过程，具体为：

(1.2.1)确定GRU模型的结构(即模型的GRU层数及每层的神经元个数)、激活函数和损失函数，并初始化模型参数，GRU模型的拓扑结构图如图4所示，GRU模型函数的更新门表达式如下：

z_t＝σ(W_z·[h_t-1,x_t]) 式(8)；

重置门表达式如下：

r_t＝σ(W_r·[h_t-1,x_t]) 式(9)；

候选隐藏函数的表达式如下：

最终的时间序列上的输出量的表达式如下：

令迭代次数s＝1，其中GRU模型的损失函数L的表达式如下：

式中，Y_i为子序列或残余分量对应的真实值，为子序列或残余分量对iY^iY应的模型预测值，N为参与GRU模型训练的训练样本个数；Sigmoid激活函数表达式如下：

双曲正切激活函数表达式如下：

(1.2.2)前向计算每个神经元的输出值，即计算z_t、r_t、h_t四个向量的值；

(1.2.3)反向计算每个神经元的误差项值，GRU误差项的反向传播包括两个方向：一个是沿时间的反向传播，即从当前时刻t开始，计算每个时刻的误差项；另一个是将误差项向上一层传播；

(1.2.4)判断损失函数值是否收敛，同时判断是否达到最大迭代次数，如果有一个是，则停止更新；反之，则令迭代次数s＝s+1后，返回步骤(1.2.2)；

最终的时间序列上的输出量的表达式如式(11)所示；

上述各表达式中，W_z是更新门的权重系数矩阵；W_r则是重置门的权重系数矩阵；W为状态更新时的权重系数矩阵；σ和tanh分别为sigmoid和双曲正切激活函数，h_t-1表示的是上一个的输出，x_t表示当前的输入，z_t、r_t、h_t分别为更新门的结果、重置门的结果和时间序列上的输出结果。

(2)采集当前时刻以及距离当前时刻最近的n个时刻的历史风速的数据构成一时间序列，对时间序列进行预处理得到多个子序列和残余分量，预处理步骤与步骤(1.1)相同；

(3)将预处理得到的各子序列和残余分量分别输入到各自对应的训练好的GRU模型中，一子序列对应一训练好的GRU模型，一残余分量对应一训练好的GRU模型，由训练好的GRU模型输出预测值；

(4)对预测值进行重构，重构采用基于遗传算法的BP算法，步骤如下：

S1：首先优化BP网络得到基于遗传算法的BP算法，具体流程如图5所示：

(4.1)BP网络建模，采用只含一层隐含层的BP网络，设置输入层神经元的个数为k，隐含层神经元的个数为m，输出层神经元的个数为1；

(4.2)利用遗传算法优化BP网络的权值和阈值，具体为：

(4.2.1)编码，对BP网络的权值和阈值进行二进制编码，BP网络中输入层有k个输入节点，隐含层有m个节点，输出层有1个输出节点，共有k*m+m*1个权值，m+1个阈值，所以编码长度l＝k*m+m*1，设置最大进化代数为T，以一组权值和阈值作为一个个体，随机生成M个个体作为初始群体P(0)，迭代次数t＝0；

(4.2.2)计算适应度函数值，适应度函数的表达式如下：

式中，y’_j为子序列或残余分量对应的预测值输入至BP网络后BP网络的输出值，y_j为负荷数据归一化后的实际值，q为参与模型训练数据的个数；

(4.2.3)选择，根据个体的适应度函数值所量度的优劣程度决定它在下一代淘汰还是被遗传，用赌轮选择机制，令∑f_j表示群体的适应度值之总和，f_j表示群体中第j个个体的适应度值，它产生后代的能力刚好为其适应度值所占份额f_j/∑f_j；

(4.2.4)交叉，将交叉算子作用于群体；

(4.2.5)变异，将变异算子作用于群体，对群体中个体串的某些基因座上的基因值做变动；

(4.2.6)判断，若迭代次数t＝T，则将进化过程中所得到的具有最大适应度值的个体进行解码得到BP网络的最优权值和阈值，并输出，终止计算；反之，则t＝t+1，返回步骤(4.2.2)；

S2：优化后的BP网络对GRU模型的所有预测值进行非线性重构；

(5)对重构后的数据进行反归一化处理，反归一化处理的公式如下：

Z＝Z'(X_max-X_min)+X_min 式(16)；

式中，Z’为反归一化处理前的值即重构后的数据值，Z为反归一化处理后的值即为最终的风速预测值。

(6)根据预测结果调整风力发电装置的运行状态，具体为：

(6.1)设当前时刻为t₀时刻，t₀＝1；

(6.2)将t₀时刻得到的t₀+1时刻的风速预测值作为t₀+1时刻的真实风速值去预测t₀+2时刻的风速预测值；

(6.3)t₀＝t₀+1；

(6.4)判断t₀>T₀，T₀为优化周期，若满足，则进入下一步，若不满足，0T0T则返回步骤(6.2)；

(6.5)利用MATLAB求解下述公式得到风能最安全经济运行下各时刻风力发电系统的状态，公式如下：

式中：P为函数；C_p为机组风能利用系数；A＝πR²，A是风机叶片扫略一圈的横截面积，R为风机叶片的半径；ρ为空气密度，v为预测的风速数据；P_min、P_max分别为风能装置在t₀时刻的最小风速功率、最大风速功率；

(6.6)求解之后可以得到在运行周期内各时刻风速大小，让风力发电机组按照求解结果进行运行可以获得最大经济效益和安全性。

经验证，本发明通过对不平稳的风速数据进行变分模态分解处理转化为平稳性序列后进行门循环单元(即GRU模型)训练预测并结合改进的BP神经网路(基于遗传算法的BP算法)进行重构，可以提高风速预测的精度，而且泛化能力较强，且实现过程相对简单，具有很好的实用价值。

Claims (8)

1.一种基于VMD-GRU的短期风速预测方法，其特征在于，先基于VMD-GRU对风速进行预测，然后根据预测结果调整风力发电的运行状态即控制风力发电站的配电，调整风力发电厂的运行状态前后的预测风速满足下式：

式中：P为函数；C_p为机组风能利用系数；A＝πR²，A是风机叶片扫略一圈的横截面积，R为风机叶片的半径；ρ为空气密度，v为预测的风速数据；

需考虑如下约束：

式中：P_min、P_max分别为风能装置在t₀时刻的最小风速功率、最大风速功率；

通过MATLAB对式(1)进行求解；具体步骤如下：

采集当前时刻以及距离当前时刻最近的n个时刻的风速的数据构成一时间序列，对时间序列进行预处理得到多个子序列和残余分量，将各子序列和残余分量分别输入到各自对应的训练好的GRU模型中，一子序列对应一训练好的GRU模型，一残余分量对应一训练好的GRU模型，由训练好的GRU模型输出预测值后，对所有的预测值进行后处理得到下一时刻的未来风速预测的数据；GRU模型的训练过程即以连续n+2个时刻中前n+1个时刻的风速的数据对应的子序列或残余分量为输入，以后1个时刻的历史短期负荷的数据对应的子序列或残余分量为理论输出，不断调整GRU模型的参数，直到模型损失函数值趋于收敛或达到最大迭代次数为止的过程，其中子序列或残余分量采用与预测过程相同的方法得到；

所述预处理具体为依次进行归一化处理和变分模态分解，所述后处理具体为依次进行重构和反归一化处理；

所述GRU模型函数的更新门表达式如下：

z_t＝σ(W_z·[h_t-1,x_t]) 式(8)；

重置门表达式如下：

r_t＝σ(W_r·[h_t-1,x_t]) 式(9)；

候选隐藏函数的表达式如下：

最终的时间序列上的输出量的表达式如下：

上述各表达式中，W_z是更新门的权重系数矩阵；W_r则是重置门的权重系数矩阵；W为状态更新时的权重系数矩阵；σ和tanh分别为sigmoid和双曲正切激活函数，h_t-1表示的是上一个的输出，x_t表示当前的输入，z_t、r_t、h_t分别为更新门的结果、重置门的结果和时间序列上的输出结果。

2.如权利要求1所述的基于VMD-GRU的短期风速预测方法，其特征在于，所述n个时刻中的n＝2。

3.如权利要求1所述的基于VMD-GRU的短期风速预测方法，其特征在于，所述归一化处理的公式如下：

式中，X_max为归一化处理数据的最大值，X_min为归一化处理数据的最小值，X为归一化前的值，X’是归一化后的值。

4.如权利要求1所述的基于VMD-GRU的短期风速预测方法，其特征在于，所述预处理还包括在归一化处理之前的异常值检测及修正处理；异常值检测的过程为：

将所有数据按大小顺序排列，记上四分位值为Q₁，即所有数据中只有1/4的数据大于Q₁，下四分位值为Q₂，即所有数据中只有1/4的数据小于Q₂，上界为(Q₁+1.5(Q₁·Q₂))，下界为(Q₂-1.5(Q₁·Q₂))，介于上下界之间的都是正常观测值，否则为异常值；

异常值修正的方法为：

去除异常值后，将当天已有的风速数据进行三次样条插值，三次样条插值建模：设f(x)是区间[a,b]上的一个连续可微函数，在区间[a,b]上给定一组基点，由于风速数据的因变量是日期，故可以用其在一天中的第几个时刻代替，当天去除异常点后的风速数据个数为(n+1)：

a＝x₀<x₁<x₂<…<x_n＝b 式(4)；

设函数S(x)满足条件：

(1)在每个子区间上有表达式：S_i(x)＝a_ix³+b_ix²+c_ix；

(2)在区间[a,b]上有2阶连续导数；

根据以下已知条件取求解每个子区间的S_i(x)：

S_i(x)求出之后，可将异常值对应的时刻带入对应的S_i(x)，获取异常值的代替点。

5.如权利要求1所述的基于VMD-GRU的短期风速预测方法，其特征在于，所述变分模态分解的步骤如下：

步骤1)：通过Hilbert变换将各个模态分量u_k(t)转变成解析信号，接着转化成单侧频谱：

其中，

步骤2)：接着再加一个中心频率指数项将模态的频谱转换到相应的基频带上：

步骤3)：将解调的信号通过高斯平滑对信号的带宽进行估算，获得一个变分约束问题，表达式为：

式中，f为原始信号；

步骤4)：将{u_k}＝{u₁…u_k}分解得到K个IMF分量做集成平均处理，{ω_k}＝{ω₁…ω_k}为各分量的中心频率。

6.如权利要求1所述的基于VMD-GRU的短期风速预测方法，其特征在于，所述GRU模型的训练步骤如下：

步骤a)：确定GRU模型的结构、激活函数和损失函数，并初始化模型参数，令迭代次数s＝1，其中损失函数L的表达式如下：

式中，Y_i为子序列或残余分量对应的真实值，为子序列或残余分量对iY^iY应的模型预测值，N为参与GRU模型训练的训练样本个数；Sigmoid激活函数表达式如下：

双曲正切激活函数表达式如下：

步骤b)：前向计算每个神经元的输出值，即计算z_t、r_t、h_t四个向量的值；

步骤c)：反向计算每个神经元的误差项值，GRU误差项的反向传播包括两个方向：一个是沿时间的反向传播，即从当前时刻t开始，计算每个时刻的误差项；另一个是将误差项向上一层传播；

步骤d)：判断损失函数值是否收敛，同时判断是否达到最大迭代次数，如果有一个是，则停止更新；反之，则令迭代次数s＝s+1后，返回步骤b)。

7.如权利要求1所述的基于VMD-GRU的短期风速预测方法，其特征在于，所述重构采用基于遗传算法的BP算法，具体步骤如下：

步骤1)：BP网络建模，采用只含一层隐含层的BP网络，设置输入层神经元的个数为k，隐含层神经元的个数为m，输出层神经元的个数为1；

步骤2)：利用遗传算法优化BP网络的权值和阈值，具体为：

步骤2.1)：编码，对BP网络的权值和阈值进行二进制编码，BP网络中输入层有k个输入节点，隐含层有m个节点，输出层有1个输出节点，共有k*m+m*1个权值，m+1个阈值，所以编码长度l＝k*m+m*1，设置最大进化代数为T，以一组权值和阈值作为一个个体，随机生成M个个体作为初始群体P(0)，迭代次数t＝0；

步骤2.2)：计算适应度函数值，适应度函数的表达式如下：

式中，y’_j为子序列或残余分量对应的预测值输入至BP网络后BP网络的输出值，y_j为负荷数据归一化后的实际值，q为参与模型训练数据的个数；

步骤2.3)：选择，根据个体的适应度函数值所量度的优劣程度决定它在下一代淘汰还是被遗传，用赌轮选择机制，令∑f_j表示群体的适应度值之总和，f_j表示群体中第j个个体的适应度值，它产生后代的能力刚好为其适应度值所占份额f_j/∑f_j；

步骤2.4)：交叉，将交叉算子作用于群体；

步骤2.5)：变异，将变异算子作用于群体，对群体中个体串的某些基因座上的基因值做变动；

步骤2.6)：判断，若迭代次数t＝T，则将进化过程中所得到的具有最大适应度值的个体进行解码得到BP网络的最优权值和阈值，并输出，终止计算；反之，则t＝t+1，返回步骤2.2)；

步骤3)：BP网络对GRU模型的所有预测值进行非线性重构。

8.如权利要求1所述的基于VMD-GRU的短期风速预测方法，其特征在于，所述反归一化处理的公式如下：

Z＝Z'(X_max-X_min)+X_min 式(16)；

式中，Z’为反归一化处理前的值即重构后的数据值，Z为反归一化处理后的值即为最终的风速预测值。