[發明專利]基于LSTM-GA模型的時間序列風能數據預測方法

在審

• 申請號: 202210766632.3
• 申請日: 2022-07-01
• 公開（公告）號: CN115018193A
• 公開（公告）日: 2022-09-06
• 發明（設計）人: 張澈;翁存興;徐龍;高征;劉聰;崔源;曹利蒲
• 申請（專利權）人: 北京華能新銳控制技術有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/12;G06N3/00
• 代理公司: 蘇州國誠專利代理有限公司 32293
• 代理人: 杜丹盛

本發明提供了基于LSTM?GA模型的時間序列風能數據預測方法，其提出了一種結合遺傳算法GA和長短期記憶網絡LSTM的風能數據預測方法，采用GA算法優化LSTM網絡、選擇最佳窗口大小及神經元數目的結構因素，利用優化后的LSTM網絡進行風能數據分析，實現可靠預測。首先進行數據預處理，將數據集分為歷史風能數值和未來風能值用于訓練；然后使用GA算法對窗口大小和單元數進行解碼，將窗口數據集用于訓練和驗證；輸入時間滯后的數量和隱藏層的數量、規模大小及迭代次數；通過LSTM模型用于訓練和計算驗證集上的誤差；使用GA計算的時間窗口返回當前GA解決方案的適應度分數，利用GA尋得LSTM網絡的最優參數，將優化后的LSTM網絡用于風能數據處理，以得到風能數據的精準預測。

技術領域

本發明涉及風能數據預測的技術領域，具體為基于LSTM-GA模型的時間序列風能數據預測方法。

背景技術

由于風力發電是波動的，其行為表現出某種形式的規律性，存在短期預測模型、中期預測模型和長期預測模型。隨著時間范圍的增加，預測中的錯誤也會隨之增加。

文獻研究表明，對風力發電系統的預測主要依賴于短期和中期模型。在分析和預測方面，由于預測成本較低，短期模型大多是基于統計的，并且學習方法是基于歷史時間序列數據的；使用機器學習技術的人工智能方法在統計模型中使用逐漸增多，這些方法是數據驅動的；使用某種形式的神經網絡，模糊系統或時間序列分析，線性回歸，支持向量機模型等。然而，神經網絡模型的選擇對預測過程至關重要。各種神經網絡模型正在研究中，包括簡單的多層感知器(MLP)到更復雜的高級技術，如深度神經網絡(DNN)，循環神經網絡(RNN)，長期短期模型(LSTM)和基于卷積的神經網絡(CNN)。這些方法在輸入和輸出之間建立線性或非線性關系并進行風電功率預測。與傳統的人工神經網絡(ANN)不同，DNN對運行很深的隱藏層數使用多級抽象，而ANN被認為是淺層。CNN是一種深度模型，它使用可學習的權重，將它們傳遞給激活函數并使用鄰域池化操作來減小尺寸，從而輸出越來越復雜的特征層次結構。當使用適當的正則化訓練時，CNN可以實現卓越的性能。RNN使用定向連接和內部存儲器遞歸處理輸入序列。網絡的內部狀態允許它動態的時間行為。RNN可以發現內在隱藏的高級不變結構數據，并使用其內部存儲器處理任意輸入序列。由于循環性，如果網絡展開太多時間步長，某些權重的梯度開始變得太小或太大，即梯度消失問題。為了克服這個問題，設計了LSTM網絡，其中隱藏層被一組門計算單元替換。

盡管在預測WPF方面取得了許多成功，但仍有必要建立非線性消費模式的模型，以使用中低期預測模型來提高預測和穩定性?？紤]到時間的增加會導致誤差的增加，優化時間捕捉窗口是有意義的，因為僅僅增加延遲時間滯后的數量就會導致數據過度擬合并導致誤差累積。

因此，急需一種新的風能預測方法，從而給風能發電提供更好地指導性用電規劃。

發明內容

針對上述問題，本發明提供了基于LSTM-GA模型的時間序列風能數據預測方法，其提出了一種結合遺傳算法GA和長短期記憶網絡LSTM的風能數據預測方法，采用GA算法優化LSTM網絡、選擇最佳窗口大小及神經元數目的結構因素，利用優化后的LSTM網絡進行風能數據分析，實現可靠預測。

基于LSTM-GA模型的時間序列風能數據預測方法，其特征在于：首先進行數據預處理，將數據集分為歷史風能數值和未來風能值用于訓練；然后使用GA算法對窗口大小和單元數進行解碼，將窗口數據集用于訓練和驗證；輸入時間滯后的數量和隱藏層的數量、規模大小及迭代次數；通過LSTM模型用于訓練和計算驗證集上的誤差；使用GA計算的時間窗口返回當前GA解決方案的適應度分數，利用GA尋得LSTM網絡的最優參數，將優化后的LSTM網絡用于風能數據處理，以得到風能數據的精準預測。

其進一步特征在于，其包括如下步驟：