[發(fā)明專利]基于長短時記憶神經(jīng)網(wǎng)絡的超短期風電功率預測方法

有效

• 申請?zhí)枺?/td>: 202010799486.5
• 申請日: 2020-08-11
• 公開（公告）號: CN111915092B
• 公開（公告）日: 2023-08-22
• 發(fā)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(chǎn)權代理有限公司 21109
• 代理人: 李在川

本發(fā)明提供一種基于長短時記憶神經(jīng)網(wǎng)絡的超短期風電功率預測方法。首先獲取歷史樣本數(shù)據(jù)、預測日樣本數(shù)據(jù)，然后計算歷史日內(nèi)各因素與預測日內(nèi)對應因素的關聯(lián)系數(shù)，其次計算各影響因素在風電功率影響因素中所占權重，通過計算歷史日與預測日的相似度，得到相似樣本數(shù)據(jù)作為訓練數(shù)據(jù)，最后采用LSTM模型對預測日的風電功率進行預測；本發(fā)明對訓練數(shù)據(jù)進行了篩選，選擇與預測日的樣本數(shù)據(jù)相似度大的數(shù)據(jù)作為訓練數(shù)據(jù)，有利于增強建模數(shù)據(jù)的相似性，進而提高模型的準確性，采用LSTM模型作為訓練模型，可以達到充分考慮風電功率的時序性、非線性的目的。

技術領域

本發(fā)明涉及風電功率預測技術領域，具體涉及一種基于長短時記憶神經(jīng)網(wǎng)絡的超短期風電功率預測方法。

背景技術

隨著常規(guī)能源的日益枯竭，可再生能源的開發(fā)利用成為當前的研究熱點。風能作為可再生能源中最豐富的資源之一，應用前景非常廣闊。但是風電作為一種間歇性能源，具有隨機性和不可控性的特點。當風電大規(guī)模并網(wǎng)時，會對電力系統(tǒng)的穩(wěn)定性、充裕性和經(jīng)濟性造成一定的影響。對風電功率進行超短期預測，不僅有利于緩解電力系統(tǒng)調(diào)峰、調(diào)頻的壓力，還有利于電網(wǎng)調(diào)度人員制定計劃、合理安排備用，降低電力系統(tǒng)運行成本，是減輕風電并網(wǎng)帶來不利影響的有效途徑。

目前，風電功率預測方法主要分為兩類：一類是物理方法，需要使用數(shù)值天氣預報(NWP)掌握風電場的氣象信息，并與地理信息相結合建立準確的預測模型。建模過程比較復雜，且由于NWP的更新時間比較長，無法用于超短期預測。另一類是統(tǒng)計方法，根據(jù)風電場的歷史數(shù)據(jù)直接挖掘數(shù)據(jù)之間的隱含關系進行建模。常用的建模方法包括持續(xù)法、時間序列法、支持向量機法、神經(jīng)網(wǎng)絡法、卡爾曼濾波法、小波分析法、組合預測法等。這些方法有的僅考慮了風電功率數(shù)據(jù)的時序性，有的僅考慮了風電功率的非線性，考慮不夠全面。

訓練樣本在網(wǎng)絡學習時占有非常重要的地位，其中蘊含的信息直接影響網(wǎng)絡的性能。為了充分挖掘風電功率數(shù)據(jù)所包含的自然信息，應該在預測模型訓練之前，對歷史數(shù)據(jù)進行篩選與分類，有利于增強建模數(shù)據(jù)的相似性，從而提高模型的準確性，但目前的預測方法中很少提到對訓練樣本的合理處理。

發(fā)明內(nèi)容

針對現(xiàn)有技術的不足，本發(fā)明提出一種基于長短時記憶神經(jīng)網(wǎng)絡的超短期風電功率預測方法，包括如下步驟：

步驟1：獲取影響風電功率的歷史樣本數(shù)據(jù)，以及預測日當天的預測樣本數(shù)據(jù)，所述歷史樣本數(shù)據(jù)包括所選取的歷史日i內(nèi)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(nèi)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(shù)據(jù)中的總天數(shù)；所述預測樣本數(shù)據(jù)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(nèi)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(shù)據(jù)中的風速、濕度、氣壓采用公式(1)進行處理，