[發明專利]基于長短時記憶神經網絡的超短期風電功率預測方法

有效

• 申請號: 202010799486.5
• 申請日: 2020-08-11
• 公開（公告）號: CN111915092B
• 公開（公告）日: 2023-08-22
• 發明（設計）人: 常玉清;周方正;徐海燕;鄒征昊;王姝
• 申請（專利權）人: 東北大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/0464;G06N3/0442;G06F18/22;G06F18/214;H02J3/00
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李在川

1.一種基于長短時記憶神經網絡的超短期風電功率預測方法，其特征在于，包括如下步驟：

步驟1：獲取影響風電功率的歷史樣本數據，以及預測日當天的預測樣本數據，所述歷史樣本數據包括所選取的歷史日i內的風速最大值x_i,1、風速最小值x_i,2、風速平均值x_i,3、風向正弦值x'_i,4、風向余弦值x'_i,5、溫度平均值x_i,6、濕度平均值x_i,7、氣壓平均值x_i,8，并構成歷史日i內各影響因素的模式向量x_i＝[x_i,1,x_i,2,x_i,3,x'_i,4,x'_i,5,x_i,6,x_i,7,x_i,8],i＝1,2,…,n，n表示歷史樣本數據中的總天數；所述預測樣本數據包括預測日當天的風速最大值x_d,1、風速最小值x_d,2、風速平均值x_d,3、風向正弦值x'_d,4、風向余弦值x'_d,5、溫度平均值x_d,6、濕度平均值x_d,7、氣壓平均值x_d,8，并構成預測日內各影響因素的模式向量x_d＝[x_d,1,x_d,2,x_d,3,x'_d,4,x'_d,5,x_d,6,x_d,7,x_d,8]；

步驟2：將歷史樣本數據中的風速、濕度、氣壓采用公式(1)進行處理，

式中，x'_i,1表示x_i,1處理后對應的風速最大值，x'_i,2表示x_i,2處理后對應的風速最小值，x'_i,3表示x_i,3處理后對應的風速平均值，x'_i,7表示x_i,7處理后對應的濕度平均值，x'_i,8表示x_i,8處理后對應的氣壓平均值，x_smin表示{x_1,s,x_2,s,…,x_i,s,…,x_n,s,x_d,s}中的最小值，x_smax表示{x_1,s,x_2,s,…,x_i,s,…,x_n,s,x_d,s}中的最大值；

將歷史樣本數據中的溫度采用公式(2)進行處理，

式中，x'_i,6表示x_i,6處理后對應的溫度平均值；

則處理后的歷史日i對應的模式向量表示為x'_i＝[x'_i,1,x'_i,2,x'_i,3,x'_i,4,x'_i,5,x'_i,6,x'_i,7,x'_i,8,],i＝1,2,…,n；

步驟3：將預測樣本數據中風速、濕度、氣壓采用公式(3)進行處理，

式中，x'_d,1表示x_d,1處理后對應的風速最大值，x'_d,2表示x_d,2處理后對應的風速最小值，x'_d,3表示x_d,3處理后對應的風速平均值，x'_d,7表示x_d,7處理后對應的濕度平均值，x'_d,8表示x_d,8處理后對應的氣壓平均值；

將預測樣本數據中的溫度采用公式(4)進行處理，

式中，x'_d,6表示x_d,6處理后對應的溫度平均值；

則處理后的預測日對應的模式向量表示為x'_d＝[x'_d,1,x'_d,2,x'_d,3,x'_d,4,x'_d,5,x'_d,6,x'_d,7,x'_d,8]；

步驟4：利用公式(5)計算x'_i,j與x'_d,j在第j個因素上的關聯系數：

式中，ε_i(j)表示歷史日i內的第j個因素與預測日當天相對應的第j個因素的關聯系數，ρ表示分辨系數；

步驟5：令j＝1,2,…,8，利用公式(5)計算出歷史內各因素與預測日內相對應因素的關聯系數；

步驟6：計算風速、風向、溫度、濕度、氣壓在風電功率的影響因素中所占的權重w_k；

式中，P_k表示相關程度，k＝1表示風速與風電功率的相關程度P₁，w₁表示風速在風電功率的影響因素中所占的權重；k＝2表示風向與風電功率的相關程度P₂，w₂表示風向在風電功率的影響因素中所占的權重；k＝3表示溫度與風電功率的相關程度P₃，w₃表示溫度在風電功率的影響因素中所占的權重；k＝4表示濕度與風電功率的相關程度P₄，w₄表示濕度在風電功率的影響因素中所占的權重；k＝5表示氣壓與風電功率的相關程度P₅，w₅表示氣壓在風電功率的影響因素中所占的權重；

步驟7：利用公式(7)計算歷史日i與預測日的相似度F_i；

F_i＝w₁ε_i(1)+w₁ε_i(2)+w₁ε_i(3)+w₂ε_i(4)+w₂ε_i(5)+w₃ε_i(6)+w₄ε_i(7)+w₅ε_i(8)?????(7)

步驟8：令i＝1,2,…,n，利用公式(7)計算各個歷史日與預測日的相似度，分別記為F₁,F₁,…,F_i,…,F_n，當F_i≥Φ時，F_i所對應歷史日i內的歷史樣本數據為相似樣本數據，其中Φ表示相似度閾值；

步驟9：將相似樣本數據作為訓練數據輸入到LSTM模型中對預測日的風電功率進行預測，所述LSTM模型包括一個輸入層、一個隱含層、一個輸出層，所述隱含層為一個內存單元。