[發(fā)明專利]短期風(fēng)電功率預(yù)測方法及裝置

在審

• 申請?zhí)枺?/td>: 202110018074.8
• 申請日: 2021-01-07
• 公開（公告）號(hào): CN112686464A
• 公開（公告）日: 2021-04-20
• 發(fā)明（設(shè)計(jì)）人: 田小航;王榮泰
• 申請（專利權(quán)）人: 云南電力技術(shù)有限責(zé)任公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 北京弘權(quán)知識(shí)產(chǎn)權(quán)代理有限公司 11363
• 代理人: 逯長明;許偉群

本申請公開一種短期風(fēng)電功率預(yù)測方法及裝置，其中，所述方法包括：獲取歷史風(fēng)電功率數(shù)據(jù)；對歷史風(fēng)電功率數(shù)據(jù)進(jìn)行歸一化處理，獲得歷史風(fēng)電功率數(shù)據(jù)集；將歷史風(fēng)電功率數(shù)據(jù)集劃分為訓(xùn)練集數(shù)據(jù)集和測試集數(shù)據(jù)集；構(gòu)建包括輸入層、隱藏層、輸出層的長短期記憶網(wǎng)絡(luò)預(yù)測模型；利用訓(xùn)練集數(shù)據(jù)集對長短期記憶網(wǎng)絡(luò)預(yù)測模型進(jìn)行粒子群算法優(yōu)化，確定長短期記憶網(wǎng)絡(luò)預(yù)測模型的最優(yōu)參數(shù)；并根據(jù)最優(yōu)參數(shù)建立短期風(fēng)電功率預(yù)測模型；將測試集數(shù)據(jù)集作為優(yōu)化后的短期風(fēng)電功率預(yù)測模型的輸入變量，得到短期風(fēng)電功率預(yù)測結(jié)果。采用前述的方案，能夠快速搜索并確定模型的最優(yōu)參數(shù)，提高預(yù)測精度，能夠及時(shí)準(zhǔn)確的預(yù)測風(fēng)電功率，從而實(shí)現(xiàn)對風(fēng)電場精確調(diào)度運(yùn)行。

技術(shù)領(lǐng)域

本申請涉及風(fēng)電功率預(yù)測技術(shù)領(lǐng)域，尤其涉及一種短期風(fēng)電功率預(yù)測方法及裝置。

背景技術(shù)

風(fēng)電功率預(yù)測及其在能源調(diào)度運(yùn)行中的應(yīng)用是促進(jìn)新能源消納的基礎(chǔ)，研究風(fēng)電功率預(yù)測技術(shù)有助于削弱風(fēng)電功率并網(wǎng)時(shí)對電力系統(tǒng)帶來的不利影響，降低電網(wǎng)的運(yùn)行成本，提高電力系統(tǒng)運(yùn)行的可靠性，有效保證電網(wǎng)安全。其中，短期風(fēng)電功率預(yù)測通過對時(shí)間尺度在24～72小時(shí)內(nèi)的風(fēng)電場功率進(jìn)行預(yù)測，用于經(jīng)濟(jì)調(diào)度，能夠增強(qiáng)消納能力，提高電力系統(tǒng)的安全穩(wěn)定性。

隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)技術(shù)已成功應(yīng)用于風(fēng)電功率預(yù)測領(lǐng)域，神經(jīng)網(wǎng)絡(luò)技術(shù)是通過挖掘輸入與輸出之間的隱含關(guān)系，解決靜態(tài)模型問題進(jìn)而實(shí)現(xiàn)風(fēng)電功率預(yù)測。但是，風(fēng)電功率屬于非平穩(wěn)時(shí)間序列，其變化規(guī)律不僅與當(dāng)前狀態(tài)有關(guān)，還受歷史數(shù)據(jù)變化過程的影響。隨著人工智能的發(fā)展，人工智能預(yù)測算法已成功應(yīng)用于短期風(fēng)電功率預(yù)測領(lǐng)域，人工智能預(yù)測算法是通過當(dāng)代計(jì)算機(jī)技術(shù)對監(jiān)測到的數(shù)據(jù)進(jìn)行訓(xùn)練分析，進(jìn)而建立預(yù)測模型，常見的有隨機(jī)森林(Random Forest，RF)，反向傳播神經(jīng)網(wǎng)絡(luò)(BackPropagation Neural Network，BPNN)，支持向量機(jī)(Support Sector Machine，SVM)等。但是，目前的預(yù)測模型多數(shù)是依據(jù)經(jīng)驗(yàn)選取關(guān)鍵參數(shù)而導(dǎo)致的模型擬合能力不夠、訓(xùn)練效果不理想的問題，進(jìn)而影響預(yù)測結(jié)果的精確率。

發(fā)明內(nèi)容

本申請?zhí)峁┝艘环N短期風(fēng)電功率預(yù)測方法及裝置，以解決目前的預(yù)測模型多數(shù)是依據(jù)經(jīng)驗(yàn)選取關(guān)鍵參數(shù)而導(dǎo)致的模型擬合能力不夠、訓(xùn)練效果不理想的問題，進(jìn)而影響預(yù)測結(jié)果的精確率的問題。

第一方面，本申請實(shí)施例提供一種短期風(fēng)電功率預(yù)測方法，包括：

獲取歷史風(fēng)電功率數(shù)據(jù)，所述歷史風(fēng)電功率數(shù)據(jù)包括歷史平均風(fēng)電功率數(shù)據(jù)；

對所述歷史風(fēng)電功率數(shù)據(jù)進(jìn)行歸一化處理，獲得歷史風(fēng)電功率數(shù)據(jù)集；

將所述歷史風(fēng)電功率數(shù)據(jù)集劃分為訓(xùn)練集數(shù)據(jù)集和測試集數(shù)據(jù)集；

構(gòu)建包括輸入層、隱藏層、輸出層的長短期記憶網(wǎng)絡(luò)預(yù)測模型；

利用所述訓(xùn)練集數(shù)據(jù)集對所述長短期記憶網(wǎng)絡(luò)預(yù)測模型進(jìn)行粒子群算法優(yōu)化，確定長短期記憶網(wǎng)絡(luò)預(yù)測模型的最優(yōu)參數(shù)；并根據(jù)所述最優(yōu)參數(shù)建立短期風(fēng)電功率預(yù)測模型；

將所述測試集數(shù)據(jù)集作為優(yōu)化后的短期風(fēng)電功率預(yù)測模型的輸入變量，得到短期風(fēng)電功率預(yù)測結(jié)果。

結(jié)合第一方面，在一種實(shí)現(xiàn)方式中，采用以下公式對所述歷史風(fēng)電功率數(shù)據(jù)進(jìn)行歸一化處理：

其中，y表示歸一化前的數(shù)據(jù)；y^*表示歸一化后的數(shù)據(jù)；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。

結(jié)合第一方面，在一種實(shí)現(xiàn)方式中，所述長短期記憶網(wǎng)絡(luò)預(yù)測模型采用以下方法進(jìn)行構(gòu)建：

隱藏層采用所述訓(xùn)練集數(shù)據(jù)集對長短期記憶網(wǎng)絡(luò)預(yù)測模型進(jìn)行訓(xùn)練，在預(yù)測結(jié)果評價(jià)標(biāo)準(zhǔn)誤差較小的情況下，確定長短期記憶網(wǎng)絡(luò)預(yù)測模型的參數(shù)；