[發(fā)明專利]一種基于長短期記憶神經(jīng)網(wǎng)絡的規(guī)模風電超短期功率預測誤差修正方法

在審

• 申請?zhí)枺?/td>: 202210517030.4
• 申請日: 2022-05-12
• 公開（公告）號: CN114897245A
• 公開（公告）日: 2022-08-12
• 發(fā)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(wǎng)湖北省電力有限公司電力科學研究院;國家電網(wǎng)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

本發(fā)明提供一種基于長短期記憶神經(jīng)網(wǎng)絡(Long Short?TermMemory，LSTM)的規(guī)模風電超短期功率預測誤差修正方法，包括：首先利用改進的核密度估計得出誤差的概率密度曲線；其次，采用LSTM對預測誤差數(shù)據(jù)進行深度學習，以風電的預測誤差為輸入，以下一時刻的誤差為輸出，得到誤差的預測值；最后，根據(jù)粒子群算法得到合適的置信區(qū)間對誤差進行合理分層，根據(jù)分層區(qū)間和誤差預測值，結合風電預測誤差的時序特征，制訂預測誤差的分層補償策略，得到一種具有較強泛化性的預測誤差補償模型。

技術領域

本發(fā)明涉及新能源發(fā)電領域，具體是一種基于長短期記憶神經(jīng)網(wǎng)絡的規(guī)模風電超短期功率預測誤差修正方法。

背景技術

在能源結構低碳化轉(zhuǎn)型的背景下，構建以新能源為主體的新型電力系統(tǒng)將成為實現(xiàn)“碳達峰”“碳中和”目標的重要手段。隨著我國風電并網(wǎng)規(guī)模不斷擴大，由風電出力的間歇性和波動性導致的電網(wǎng)運行安全問題日益突出，給電網(wǎng)調(diào)控運行造成了嚴重困難。

目前解決風電調(diào)度問題的重要方向就是對未來一段時間的風電出力進行預測，包括(超)短期預測、中期預測、長期預測。而風電功率預測方法根據(jù)使用的數(shù)據(jù)來源不同主要分為統(tǒng)計學習方法(時間序列分析模型、人工神經(jīng)網(wǎng)絡模型、支持向量機模型等)和物理方法(NWP)。

當前(超)短期預測的相關研究中，利用模型進行預測誤差的方法在小誤差情形下容易過補償，在大誤差情形下容易欠補償，誤差補償量不能匹配誤差需求。而利用誤差概率密度特征進行誤差重新估計的方法，其參數(shù)估計方法對風電“尖峰厚尾”特性的概率分布密度曲線擬合能力較差，且泛化能力較弱；非參數(shù)估計方法只根據(jù)樣本數(shù)據(jù)就可以計算誤差的概率密度函數(shù)，但單純通過非參數(shù)估計預測誤差未能考慮其時序特性，其預測效果差強人意。

發(fā)明內(nèi)容

針對現(xiàn)有技術的不足，本發(fā)明結合模型預測和概率密度特征估計兩種方法的優(yōu)點，提出一種基于長短期記憶神經(jīng)網(wǎng)絡的規(guī)模風電超短期功率預測誤差修正方法，可以提升誤差補償需求與誤差補償量的適配程度以及提升誤差概率分布密度曲線擬合水平及其普適性，確定預測誤差的不確定度并進行誤差補償，進而達到提升風電出力預測精度的目的。

本發(fā)明提供一種基于長短期記憶神經(jīng)網(wǎng)絡的規(guī)模風電超短期功率預測誤差修正方法，包括以下步驟：

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(shù)據(jù)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。

進一步的，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(shù)值歸算到區(qū)間[-1,1]內(nèi)，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(jīng)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。

進一步的，所述步驟S3具體包括：