[發明專利]一種基于隨差遺忘長短期記憶的風電功率實時預測方法

有效

• 申請號: 202010939134.5
• 申請日: 2020-09-09
• 公開（公告）號: CN112036658B
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 張沛;李春平
• 申請（專利權）人: 華東交通大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04
• 代理公司: 南昌新天下專利商標代理有限公司 36115
• 代理人: 施秀瑾

一種基于隨差遺忘長短期記憶的風電功率實時預測方法，以斯皮爾曼相關系數法進行風電功率歷史數據與各NWP數據特征相關性量化分析、風電功率時間序列自相關性量化分析后，重新構建一個包含歷史時刻RWP與預測時刻NWP的輸入特征序列，作為預測模型的輸入數據；而后在標準長短期記憶遺忘門上進行改進，得到隨差遺忘長短期記憶的風電功率實時預測模型，且隨差遺忘長短期記憶的風電功率實時預測模型在任意時刻均擁有輸入門、輸出門和遺忘門，并將t?1時刻預測值與實際值兩者的絕對誤差作為遺忘門的輸入量，進而發掘、學習風電出力的變化規律，有效提高風電功率實時預測的精度，有助有提高風電并網的安全性和穩定性，同時能夠促進風能的消納。

技術領域

本發明涉及發電預測技術領域，尤其涉及一種基于隨差遺忘長短期記憶的風電功率實時預測方法。

背景技術

風電功率實時預測結果關系電力系統日內滾動調度運行和日內生產計劃的制定，準確的風電出力預測結果有助于提高含有大比例風電接入電力系統的安全性和穩定性，同時能夠促進風電的消納從而減少棄風現象。由于風速、風向等氣象因素在每個時刻的變化是高度隨機、不確定性，這種不確定性將會增加風電功率預測的難度。因此亟待一種能夠更好把握風電出力復雜變化規律的預測方法。

風能歸根到底是風速、風向、氣壓、對流強弱等氣象特征綜合作用的結果，也是造成風電出力波動的源頭。現有的風電功率預測方法：一是通過數值預報氣象(numericalweather prediction，NWP)數據和風機輪轂高度的風速、風向等數據，再根據風機功率與風速的特性曲線來預測風電功率，但其高度依賴NWP數據，且精度受NWP分辨率與更新頻率的影響較大，目前已較少單純使用該方法進行實時風電功率預測；二是采用ANN、SVM等神經網絡預測方法通過大量歷史風電功率與氣象數據建立輸出變量與輸入變量之間的非線性關系，以將動態時間建模問題變為靜態空間建模問題，但風電功率不僅具有非線性，且具有動態特性，即系統的輸出不僅與當前時刻的輸入有關，而且與過去的輸入有關，因此，ANN和SVM對于風電功率預測的精度有限。最深入采用基于深度學習神經網絡如標準LSTM、GRU等進行風電功率預測，然而現有方法、模型的不足在于：輸入特征數據方面，僅將風電功率歷史數據或NWP數據作為輸入數據；模型本身方面，未對標準的深度學習網絡模型進行適合于風電功率場景的改進。因此，研究一種基于人工智能的適合于風電功率實時預測場景深度學習模型，并利用多變量數據即同時將NWP數據與風電功率歷史數據，以提高風電功率實時預測精度十分必要。

發明內容

本發明所解決的技術問題在于提供一種基于隨差遺忘長短期記憶的風電功率實時預測方法，以解決上述背景技術中的問題。

本發明所解決的技術問題采用以下技術方案來實現：

一種基于隨差遺忘長短期記憶的風電功率實時預測方法，具體步驟如下：

(1)采集風電功率歷史數據

(2)構建預測模型的輸入數據

以斯皮爾曼相關系數法進行風電功率與各NWP特征相關性量化分析、風電功率時間序列自相關性量化分析后，重新構建一個包含歷史時刻RWP與預測時刻NWP的輸入特征序列，作為預測模型的輸入數據，同時以構建輸入特征序列的時間序列作為每步預測的輸入進行實時滾動風電功率預測；

輸入特征序列計算公式如下：

公式(1)中，n為樣本數量，d_i為X_i與Y_i兩列第i個樣本數列重新按降序排列后的序號差，X為當前的風電功率數據，Y為NWP數據或為歷史時刻的風電功率數據；

(3)建立隨差遺忘LSTM風電功率實時預測模型