[發明專利]一種基于長短期記憶神經網絡的規模風電超短期功率預測誤差修正方法

在審

• 申請號: 202210517030.4
• 申請日: 2022-05-12
• 公開（公告）號: CN114897245A
• 公開（公告）日: 2022-08-12
• 發明（設計）人: 陳汝斯;劉海光;余笑東;劉艷;蔡德福;顧雪平;周鯤鵬;王作維;李曉輝;李少巖;王濤;萬黎;王濤;王瑩;王文娜;董航;張良一;孫冠群;王爾璽
• 申請（專利權）人: 國網湖北省電力有限公司電力科學研究院;國家電網有限公司;華北電力大學（保定）
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F17/18;G06N3/04;G06N3/08
• 代理公司: 武漢楚天專利事務所 42113
• 代理人: 孔敏

1.一種基于長短期記憶神經網絡的規模風電超短期功率預測誤差修正方法，其特征在于：包括如下步驟：

步驟S1：建立LSTM風電誤差預測模型；

步驟S2：引入步驟S1中LSTM風電誤差預測模型，以風電功率預測誤差為輸入，獲取下一時刻風電誤差預測值；

步驟S3：改進核密度估計方法，形成自適應核密度估計方法，獲取風電誤差概率密度曲線；

步驟S4：利用步驟S3中所得風電誤差概率密度曲線與風電數據特征，基于粒子群算法進行置信度自適應求取，將風電預測誤差合理分層；

步驟S5：綜合步驟S2中所得風電誤差預測值與步驟S4中所得預測誤差分層，采用分層補償策略修正風電出力預測值。

2.根據權利要求1所述的基于長短期記憶神經網絡的規模風電超短期功率預測誤差修正方法，其特征在于：所述步驟S2具體包括：

對風電預測誤差采用Z-score標準化進行歸一化，將其數值歸算到區間[-1,1]內，歸一化方法如公式(1)所示：

式中y為誤差的實際值，y^*為標準化后的誤差，E(y)為樣本的均值，D(y)為樣本的方差；

對風電預測誤差進行歸一化處理后，經過步驟S1中所述LSTM風電誤差預測模型輸出即獲得下一時刻風電功率誤差預測值。

3.根據權利要求1所述的基于長短期記憶神經網絡的規模風電超短期功率預測誤差修正方法，其特征在于：所述步驟S3具體包括：

步驟S301:根據已知的風電出力實際值和預測值得到風電場預測誤差，并得到誤差的概率分布，假設有n個風電預測誤差數據，依次為x₁,x₂,x₃,x₄,....x_n，f(x)為誤差的概率密度函數，則在n個樣本上用帶寬h計算的核密度函數估計結果如公式(2)所示：

其中，h為帶寬，K(.)為核函數；

S302：求取固定最優帶寬h_z后，對整個樣本區間的模型誤差進行判別，將整個樣本區間分成若干個小區間，對于任意樣本區間l∈[l₁,l₂]，其中l₂＞l₁且l₁,l₂∈[1,n]，若滿足下述公式(3)～(4)，則稱該樣本區間存在擬合優度較低的問題：

式中：Z_l(h_z)為任意樣本區間l內的模型誤差；為平均模型誤差；λ為帶寬調節系數，λ根據樣本數據的實測情況確定取值；

針對存在擬合優度較低問題的區間，利用帶寬調整模型修正帶寬，如公式(5)示：

式中：h_l為樣本區間的帶寬；n_l為樣本區間l內樣本的個數；Z_l(h_z)_mid為樣本區間內幾何距離的中位數；δ為核函數閥值；

綜上，得到改進的誤差波動量非參數核密度估計模型，如公式(6)～(8)所示：

式中：k為需要修正帶寬的樣本區間個數，k的值根據λ而定；h_lk為區間l_k的帶寬；ω_k為區間自適應權重；

最終，將風電場預測誤差做為變量帶入公式(6)～(8)得到風電誤差概率密度曲線。