[發明專利]一種基于編碼解碼長短期記憶網絡的短期風電功率預測方法

有效

• 申請號: 201810425979.5
• 申請日: 2018-05-07
• 公開（公告）號: CN108711847B
• 公開（公告）日: 2019-06-04
• 發明（設計）人: 路寬;趙巖;王昕;孟祥榮;孫雯雪;程艷;李廣磊;龐向坤;高嵩;王文寬;姚常青;李軍;李洪海;張榮貴;于慶彬;顏慶;蘇東亮
• 申請（專利權）人: 國網山東省電力公司電力科學研究院;山東中實易通集團有限公司;山東魯能軟件技術有限公司;國家電網公司
• 主分類號: H02J3/00
• 分類號: H02J3/00;H02J3/38
• 代理公司: 濟南誠智商標專利事務所有限公司 37105
• 代理人: 鄭憲常

本發明公開了一種基于編碼解碼長短期記憶網絡的短期風電功率預測方法，首先，使用基于E?D的LSTM網絡對功率進行AE處理，提取訓練后的網絡中間狀態作為WP數據中時序關系的抽象表示；其次，合并前步中提取的網絡中間狀態與預測期的天氣數據，將其輸入到新的LSTM網絡中，完成對風電功率的預測。與沒使用AE預處理的多層LSTM網絡方法相比，該方法通過利用AE過程中提取的WP時序關系信息降低了模型的錯定(model misspecification)風險，提高了泛化能力，同時將時序特征與天氣預測信息進行結合進一步提高了預測精度。

技術領域

本發明涉及風電功率預測算法技術領域，尤其是一種基于編碼解碼長短期記憶網絡的短期風電功率預測方法。

背景技術

風能是清潔、可再生能源中的一種重要資源，但由于風能的間歇性、隨機性等特點導致了WP的不確定性和弱可控性。這給電網安全穩定運行帶來了隱患和挑戰。準確的WPP能夠緩解電網調頻、調峰壓力，對于大規模風電并網和運行管理具有十分重要的意義。

目前，針對風電功率預測的方法按照時間周期進行劃分，主要有：以年度為單位的長期預測法；以月、周為單位的中期預測法；以日、小時為單位的短期預測法和以分鐘為單位的超短期預測法。針對預測模型的不同，主要有物理預測方法和統計預測方法2大類。其中，物理預測方法主要使用了數值天氣預報模型(numerical weather prediction，NWP)提供的風速、風向、氣壓、氣溫等氣象要素，結合風電場周圍的地貌、地形信息，對局部風速進行估計，進而給出風電功率預測。但WPP的誤差會受到NWP誤差的影響而被放大，同時NWP的預測周期較長，因此物理預測方法無法用于超短期預測。統計預測方法主要有自回歸移動平均法(auto-regression moving average，ARMA)、指數平滑法(exponential smoothing，EM)、卡爾曼濾波法(Kalman filter)等時序外推方法，以及以機器學習、神經網絡為主要特征的支持向量機(support vector machine，SVM)法、人工神經網絡(artificial neuralnetwork，ANN)法等。其中：外推方法對數據的隨機分布特征具有比較嚴格的假設；SVM的核函數選擇存在隨意性，且樣本數據量的增加以及輸入數據維度的增大會導致較高的計算復雜度；淺層ANN雖然能夠比較好地擬合樣本數據，但存在過擬合、泛化能力差的缺點。

發明內容

本發明的目的是提供一種基于編碼解碼長短期記憶網絡的短期風電功率預測方法，通過利用在自編碼過程中提取的數據時序表達從而降低了錯定風險提高了泛化能力，同時將時序特征與天氣預測信息進行結合進一步提高了預測精度。

為實現上述目的，本發明采用下述技術方案：

一種基于編碼解碼長短期記憶網絡的短期風電功率預測方法，包括以下步驟：

S1、使用基于E-D的LSTM網絡對風電功率進行AE處理，提取訓練后的網絡中間狀態；

S2、將提取的網絡中間狀態與預測期的天氣數據進行合并形成新LSTM預測模型輸入值，輸出預測期風電功率。

進一步地，所述將提取的網絡中間狀態與預測期的天氣數據進行合并形成新LSTM預測模型輸入值步驟之前，還包括輸入數據標準化步驟：

將風電功率及天氣數據中的風速、氣溫、氣壓、輪轂高度處空氣密度數值標準化為區間[-0.8,0.8]，公式如下：

將輪轂高度處風向變量標準化公式如下：

進一步地，所述步驟S1中基于E-D的LSTM網絡對風電功率進行AE處理，具體步驟如下：