[發明專利]短期風電功率預測方法及裝置

在審

• 申請號: 202110018074.8
• 申請日: 2021-01-07
• 公開（公告）號: CN112686464A
• 公開（公告）日: 2021-04-20
• 發明（設計）人: 田小航;王榮泰
• 申請（專利權）人: 云南電力技術有限責任公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 北京弘權知識產權代理有限公司 11363
• 代理人: 逯長明;許偉群

1.一種短期風電功率預測方法，其特征在于，包括：

獲取歷史風電功率數據，所述歷史風電功率數據包括歷史平均風電功率數據；

對所述歷史風電功率數據進行歸一化處理，獲得歷史風電功率數據集；

將所述歷史風電功率數據集劃分為訓練集數據集和測試集數據集；

構建包括輸入層、隱藏層、輸出層的長短期記憶網絡預測模型；

利用所述訓練集數據集對所述長短期記憶網絡預測模型進行粒子群算法優化，確定長短期記憶網絡預測模型的最優參數；并根據所述最優參數建立短期風電功率預測模型；

將所述測試集數據集作為優化后的短期風電功率預測模型的輸入變量，得到短期風電功率預測結果。

2.根據權利要求1所述的短期風電功率預測方法，其特征在于，采用以下公式對所述歷史風電功率數據進行歸一化處理：

其中，y表示歸一化前的數據；y^*表示歸一化后的數據；y_max表示某序列歸一化前的最大值；y_min表示某序列歸一化前的最小值。

3.根據權利要求1所述的短期風電功率預測方法，其特征在于，所述長短期記憶網絡預測模型采用以下方法進行構建：

隱藏層采用所述訓練集數據集對長短期記憶網絡預測模型進行訓練，在預測結果評價標準誤差較小的情況下，確定長短期記憶網絡預測模型的參數；

采用所述長短期記憶網絡預測模型對測試集數據進行預測，得到多個初步預測結果；

輸出層采用以平均絕對百分比誤差的方式計算得到的多個初步預測結果，并進行反歸一化處理得到最終的預測結果，最后結合實驗評價指標對預測結果進行評價分析。

4.根據權利要求1所述的短期風電功率預測方法，其特征在于，使用所述訓練集數據集對所述長短期記憶網絡預測模型進行粒子群算法優化，確定長短期記憶網絡預測模型的最優參數；并根據所述最優參數建立短期風電功率預測模型，包括：

1)初始化所述長短期記憶網絡預測模型的參數，設置神經元個數和學習率各自的取值范圍以及搜索范圍，確定最大迭代次數與種群數量、慣性權重最大值、慣性權重最小值、第一加速因子初始值、第一加速因子最終值、第二加速因子初始值、第二加速因子最終值；

2)根據初始化后的神經元個數與學習率的取值，使用長短期記憶預測模型對測試集數據集進行模型預測，將得到的預測結果的平均絕對百分比誤差作為粒子的初始適應度值，適應度函數采用以下公式獲?。?/p>

式中，n表示測試集數據集的樣本容量；X_act(i)為i時刻風電功率的真實值；X_pred(i)為i時刻風電功率的預測值；

3)將神經元個數和學習率兩個參數為粒子，以所述初始適應度值作為初始粒子適應度值，采用以下公式迭代更新兩個粒子的速度和位置，通過粒子群算法尋優獲得兩個參數的最優值后，以最優值為基礎重新建立優化后的長短期記憶網絡預測模型；

ω＝ω_max-(ω_max-ω_min)(k/T_max)²；

c₁＝c_1,ini-(c_1,ini-c_1,fin)(k/T_max)；

c₂＝c_2,ini+(c_2,fin-c_2,ini)(k/T_max)；

其中，k表示當前迭代次數；T_max表示最大迭代數；Vk id表示粒子的速度；Xk id表示粒子的位置；Pkid表示粒子的個體局部最優解；Pkgd表示粒子的全局最優解；r₁與r₂為[0，1]之間的隨機數；ω為慣性因子，ω_max表示迭代慣性權重最大值；ω_min表示迭代慣性權重最小值；c_1,ini表示第一加速因子c₁的初始值；c_1,fin表示第一加速因子c₁的最終值；c_2,ini表示第二加速因子c₂的初始值；c_2,fin表示第二加速因子c₂的最終值；

4)繼續迭代更新粒子的速度與位置，計算對應的粒子適應度值，并比較局部與全局的最優解；當粒子適應度值趨于穩定或迭代次數達到最大，則滿足終止條件，獲取最優的神經元個數與學習率，得到經粒子群算法優化后的短期風電功率預測模型；否則返回執行步驟3)繼續進行迭代更新。