一种基于编码解码长短期记忆网络的短期风电功率预测方法技术

本发明专利技术公开了一种基于编码解码长短期记忆网络的短期风电功率预测方法，首先，使用基于E‑D的LSTM网络对功率进行AE处理，提取训练后的网络中间状态作为WP数据中时序关系的抽象表示；其次，合并前步中提取的网络中间状态与预测期的天气数据，将其输入到新的LSTM网络中，完成对风电功率的预测。与没使用AE预处理的多层LSTM网络方法相比，该方法通过利用AE过程中提取的WP时序关系信息降低了模型的错定(model misspecification)风险，提高了泛化能力，同时将时序特征与天气预测信息进行结合进一步提高了预测精度。

【技术实现步骤摘要】
一种基于编码解码长短期记忆网络的短期风电功率预测方法
本专利技术涉及风电功率预测算法
，尤其是一种基于编码解码长短期记忆网络的短期风电功率预测方法。
技术介绍
风能是清洁、可再生能源中的一种重要资源，但由于风能的间歇性、随机性等特点导致了WP的不确定性和弱可控性。这给电网安全稳定运行带来了隐患和挑战。准确的WPP能够缓解电网调频、调峰压力，对于大规模风电并网和运行管理具有十分重要的意义。目前，针对风电功率预测的方法按照时间周期进行划分，主要有：以年度为单位的长期预测法；以月、周为单位的中期预测法；以日、小时为单位的短期预测法和以分钟为单位的超短期预测法。针对预测模型的不同，主要有物理预测方法和统计预测方法2大类。其中，物理预测方法主要使用了数值天气预报模型(numericalweatherprediction，NWP)提供的风速、风向、气压、气温等气象要素，结合风电场周围的地貌、地形信息，对局部风速进行估计，进而给出风电功率预测。但WPP的误差会受到NWP误差的影响而被放大，同时NWP的预测周期较长，因此物理预测方法无法用于超短期预测。统计预测方法主要有自回归移动平均法(auto-regressionmovingaverage，ARMA)、指数平滑法(exponentialsmoothing，EM)、卡尔曼滤波法(Kalmanfilter)等时序外推方法，以及以机器学习、神经网络为主要特征的支持向量机(supportvectormachine，SVM)法、人工神经网络(artificialneuralnetwork，ANN)法等。其中：外推方法对数据的随机分布特征具有比较严格的假设；SVM的核函数选择存在随意性，且样本数据量的增加以及输入数据维度的增大会导致较高的计算复杂度；浅层ANN虽然能够比较好地拟合样本数据，但存在过拟合、泛化能力差的缺点。
技术实现思路
本专利技术的目的是提供一种基于编码解码长短期记忆网络的短期风电功率预测方法，通过利用在自编码过程中提取的数据时序表达从而降低了错定风险提高了泛化能力，同时将时序特征与天气预测信息进行结合进一步提高了预测精度。为实现上述目的，本专利技术采用下述技术方案：一种基于编码解码长短期记忆网络的短期风电功率预测方法，包括以下步骤：S1、使用基于E-D的LSTM网络对风电功率进行AE处理，提取训练后的网络中间状态；S2、将提取的网络中间状态与预测期的天气数据进行合并形成新LSTM预测模型输入值，输出预测期风电功率。进一步地，所述将提取的网络中间状态与预测期的天气数据进行合并形成新LSTM预测模型输入值步骤之前，还包括输入数据标准化步骤：将风电功率及天气数据中的风速、气温、气压、轮毂高度处空气密度数值标准化为区间[-0.8,0.8]，公式如下：将轮毂高度处风向变量标准化公式如下：进一步地，所述步骤S1中基于E-D的LSTM网络对风电功率进行AE处理，具体步骤如下：S11、将输入风电功率数据序列输入LSTM网络，编码器学习后输出中间状态，解码器将中间状态解码成输出风电功率，所述输出风电功率数据序列与输入风电功率数据序列顺序相反；S12、将步骤S11在训练初期维持高学习率进行训练，训练至500轮以后采用指数下降法实现学习率衰减，总体训练1500轮；S13、提取步骤S12训练完毕的LSTM网络中间层状态。进一步地，所述编码器涉及到的超参数定义如下：输入层时间步数设置为480，即按照15min一个数据点来计算的前5天历史风电功率数据；输入变量为风电功率，输入维数为1；隐藏层数目为1层LSTM；隐藏层维度为32；输出变量为风电功率，输出维数为1。进一步地，步骤S2中，将提取的网络中间状态与预测期的天气数据进行合并形成新LSTM预测模型输入值，输出预测期风电功率，具体步骤如下：S21、将历史天气数据输入到AE处理提取的中间状态后得到嵌入层，将该嵌入层与预测期的天气数据进行合并形成新LSTM网络输入值，输出值为预测其风电功率；S22、将输入值和输出值输入到新LSTM网络进行训练，在训练初期维持高学习率进行训练，训练至500轮以后采用指数下降法实现学习率衰减，总体训练1500轮；S23、将标准化处理后的历史风电功率数据输入到步骤S22中训练完成后的编码器中得到中间状态，将中间状态与标准化处理后的预测期天气数据进行合并，形成预测模型的输入值；S24、将步骤S23形成的输入值输入到训练完成的新LSTM预测模型中，输出预测期风电功率。进一步地，步骤S24的输出预测期风电功率之后，还包括：将输出的预测期风电功率按照下式进行反归一化处理，进一步地，所述新LSTM网络涉及到的超参数如下：输入层的时间步数设置为480，即按照15min一个数据点来计算的前5天历史数据；输入变量为AE中提取的中间层和预测期5维气象变量的37维向量，包括嵌入层的32维以及风速、气温、气压、轮毂高度处空气密度和轮毂高度处风向；隐藏层数目为3层LSTM；隐藏层维度为128维、64维、32维；输出变量为预测期风电功率，输出维数为1。本专利技术的有益效果是，本专利技术使用基于E-D的LSTM网络对WP进行AE处理，能够有效挖掘数据的时序关系，降低模型的错定风险；以AE过程中提取的网络中间状态作为嵌入层与预测期的天气数据合并输入到新的LSTM网络中，将使模型在已知WP时序关系的基础上纳入新的外部变化因素，从而对突变更加敏感。与没使用AE预处理的多层LSTM网络方法相比，该方法通过利用AE过程中提取的WP时序关系信息降低了模型的错定(modelmisspecification)风险，提高了泛化能力，同时将时序特征与天气预测信息进行结合进一步提高了预测精度。附图说明图1是LSTM单元结构示意图；图2是编码解码的LSTM结构示意图；图3是基于E-D的LSTM网络结构WPP预测模型；图4是预测区间为未来九小时的预测结果对比图；图5是预测区间为未来九小时的误差分布图。具体实施方式如图1所示，LSTM是门控制循环神经网络的一种，其通过引入记忆神经元(它的主要特征是设置了输入门、遗忘门和输出门三个判断条件)缓解了数据时序长度过长时反向传播中的梯度消失问题。其中：输入门(inputgate)表示允许信息加入到记忆单元中的比例；遗忘门(forgetgate)表示保留当前状态节点中存储的历史信息的比例；输出门(outputgate)表示将当前状态节点的信息作为输出的比例。因此，LSTM能够对时间序列数据进行有效挖掘。控制门的表达式如下所示：it＝σsig(Wict-1+Uixt＋bi)(1)ftσsig(Wfct-1＋Ufxt＋bf)(2)Ot＝σsig(Woct-1＋Uoxt+bo)(3)状态节点的表达式为：ht＝＝ot⊙φtanh(ct)(6)这里，⊙代表逐元素乘积(element-wiseproduct)；Wi、Wf、Wo和Wc分别表示连接中间状态St-1的权重矩阵；Ui、Uf、Uo和Uc分别表示连接输入值的权重矩阵；bi、bf、bo和bc分别表示常量；σsig表示三个门的Sigmoid激活函数，φtanh表示tanh激活函数。如图2所示，在E-D结构的LSTM网络中，编码器学习输入时间序列的固定长度向量表示，输出中间状态c；解码器使用该本文档来自技高网...

【技术保护点】
1.一种基于编码解码长短期记忆网络的短期风电功率预测方法，其特征是，包括以下步骤：S1、使用基于E‑D的LSTM网络对风电功率进行AE处理，提取训练后的网络中间状态；S2、将提取的网络中间状态与预测期的天气数据进行合并形成新LSTM预测模型输入值，输出预测期风电功率。

【技术特征摘要】
1.一种基于编码解码长短期记忆网络的短期风电功率预测方法，其特征是，包括以下步骤：S1、使用基于E-D的LSTM网络对风电功率进行AE处理，提取训练后的网络中间状态；S2、将提取的网络中间状态与预测期的天气数据进行合并形成新LSTM预测模型输入值，输出预测期风电功率。2.如权利要求1所述的一种基于编码解码长短期记忆网络的短期风电功率预测方法，其特征是，所述将提取的网络中间状态与预测期的天气数据进行合并形成新LSTM预测模型输入值步骤之前，还包括输入数据标准化步骤：将风电功率及天气数据中的风速、气温、气压、轮毂高度处空气密度数值标准化为区间[-0.8,0.8]，公式如下：将轮毂高度处风向变量标准化公式如下：3.如权利要求2所述的一种基于编码解码长短期记忆网络的短期风电功率预测方法，其特征是，所述步骤S1中基于E-D的LSTM网络对风电功率进行AE处理，具体步骤如下：S11、将输入风电功率数据序列输入LSTM网络，编码器学习后输出中间状态，解码器将中间状态解码成输出风电功率，所述输出风电功率数据序列与输入风电功率数据序列顺序相反；S12、将步骤S11在训练初期维持高学习率进行训练，训练至500轮以后采用指数下降法实现学习率衰减，总体训练1500轮；S13、提取步骤S12训练完毕的LSTM网络中间层状态。4.如权利要求3所述的一种基于编码解码长短期记忆网络的短期风电功率预测方法，其特征是，所述编码器涉及到的超参数定义如下：输入层时间步数设置为480，即按照15min一个数据点来计算的前5天历史风电功率数据；输入变量为风电功率，输入维数为1；隐藏层数目为1层LSTM；隐藏层维度为32；输出变量为风...

【专利技术属性】
技术研发人员：路宽，赵岩，王昕，孟祥荣，孙雯雪，程艳，李广磊，庞向坤，高嵩，王文宽，姚常青，李军，李洪海，张荣贵，于庆彬，颜庆，苏东亮，
申请(专利权)人：国网山东省电力公司电力科学研究院，山东中实易通集团有限公司，山东鲁能软件技术有限公司，国家电网公司，
类型：发明
国别省市：山东,37