一种基于随差遗忘长短期记忆的风电功率实时预测方法技术

一种基于随差遗忘长短期记忆的风电功率实时预测方法，以斯皮尔曼相关系数法进行风电功率历史数据与各NWP数据特征相关性量化分析、风电功率时间序列自相关性量化分析后，重新构建一个包含历史时刻RWP与预测时刻NWP的输入特征序列，作为预测模型的输入数据；而后在标准长短期记忆遗忘门上进行改进，得到随差遗忘长短期记忆的风电功率实时预测模型，且随差遗忘长短期记忆的风电功率实时预测模型在任意时刻均拥有输入门、输出门和遗忘门，并将t‑1时刻预测值与实际值两者的绝对误差作为遗忘门的输入量，进而发掘、学习风电出力的变化规律，有效提高风电功率实时预测的精度，有助有提高风电并网的安全性和稳定性，同时能够促进风能的消纳。

【技术实现步骤摘要】
一种基于随差遗忘长短期记忆的风电功率实时预测方法
本专利技术涉及发电预测
，尤其涉及一种基于随差遗忘长短期记忆的风电功率实时预测方法。
技术介绍
风电功率实时预测结果关系电力系统日内滚动调度运行和日内生产计划的制定，准确的风电出力预测结果有助于提高含有大比例风电接入电力系统的安全性和稳定性，同时能够促进风电的消纳从而减少弃风现象。由于风速、风向等气象因素在每个时刻的变化是高度随机、不确定性，这种不确定性将会增加风电功率预测的难度。因此亟待一种能够更好把握风电出力复杂变化规律的预测方法。风能归根到底是风速、风向、气压、对流强弱等气象特征综合作用的结果，也是造成风电出力波动的源头。现有的风电功率预测方法：一是通过数值预报气象(numericalweatherprediction，NWP)数据和风机轮毂高度的风速、风向等数据，再根据风机功率与风速的特性曲线来预测风电功率，但其高度依赖NWP数据，且精度受NWP分辨率与更新频率的影响较大，目前已较少单纯使用该方法进行实时风电功率预测；二是采用ANN、SVM等神经网络预测方法通过大量历史风电功率与气象数据建立输出变量与输入变量之间的非线性关系，以将动态时间建模问题变为静态空间建模问题，但风电功率不仅具有非线性，且具有动态特性，即系统的输出不仅与当前时刻的输入有关，而且与过去的输入有关，因此，ANN和SVM对于风电功率预测的精度有限。最深入采用基于深度学习神经网络如标准LSTM、GRU等进行风电功率预测，然而现有方法、模型的不足在于：输入特征数据方面，仅将风电功率历史数据或NWP数据作为输入数据；模型本身方面，未对标准的深度学习网络模型进行适合于风电功率场景的改进。因此，研究一种基于人工智能的适合于风电功率实时预测场景深度学习模型，并利用多变量数据即同时将NWP数据与风电功率历史数据，以提高风电功率实时预测精度十分必要。
技术实现思路
本专利技术所解决的技术问题在于提供一种基于随差遗忘长短期记忆的风电功率实时预测方法，以解决上述
技术介绍
中的问题。本专利技术所解决的技术问题采用以下技术方案来实现：一种基于随差遗忘长短期记忆的风电功率实时预测方法，具体步骤如下：(1)采集风电功率历史数据(2)构建预测模型的输入数据以斯皮尔曼相关系数法进行风电功率与各NWP特征相关性量化分析、风电功率时间序列自相关性量化分析后，重新构建一个包含历史时刻RWP与预测时刻NWP的输入特征序列，作为预测模型的输入数据，同时以构建输入特征序列的时间序列作为每步预测的输入进行实时滚动风电功率预测；输入特征序列计算公式如下：公式(1)中，n为样本数量，di为Xi与Yi两列第i个样本数列重新按降序排列后的序号差，X为当前的风电功率数据，Y为NWP数据或为历史时刻的风电功率数据；(3)建立随差遗忘LSTM风电功率实时预测模型由于标准长短期记忆遗忘门更新方式不能实时反映预测误差对模型预测的修正作用，故对标准长短期记忆遗忘门进行改进，得到随差遗忘长短期记忆的风电功率实时预测模型，且随差遗忘长短期记忆的风电功率实时预测模型在任意时刻均拥有三个门，以保护和控制遗忘状态，分别为:输入门、输出门和遗忘门：输入门：it＝s(Wi·[ht-1,xt]+bi)(3)预更新门：新单元状态：输出门：ot＝s(Wo·[ht-1,xt]+bo)(6)模型最终输出：ht＝ot·tanh(ct)(7)遗忘门：ft＝s(Wf·K+bf)(8)上述公式中，s为sigmoid激活函数，Wf为遗忘门的权重矩阵；bf为遗忘门的偏置项，T为tanh激活函数，K＝h't-1-ht-1，h’t-1为t-1时刻实际值，ht-1为t-1时刻的预测值，ht为t时刻的预测值，xt为输入变量；(4)训练随差遗忘LSTM风电功率实时预测模型并进行预测根据根据步骤(2)获得的输入特征序列对随差遗忘LSTM风电功率实时预测模型进行训练，最后用已经训练完成的随差遗忘LSTM风电功率实时预测模型完成风电功率实时预测；所述随差遗忘LSTM风电功率实时预测模型的源代码、随差遗忘LSTM风电功率实时预测模型的训练及风电功率实时预测均在Python平台上完成。有益效果：本专利技术利用多变量融合数据，以建立随差遗忘LSTM风电功率实时预测模型，进而发掘、学习风电出力的变化规律，有效提高风电功率实时预测的精度，有助有提高风电并网的安全性和稳定性，同时能够促进风能的消纳。附图说明图1为本专利技术实施例的结构框架示意图。图2为本专利技术实施例的算法流程图。图3为本专利技术实施例中的计算输入特征序列流程示意图。图4为本专利技术实施例中的随差遗忘LSTM结构示意图。图5为本专利技术实施例中的随差遗忘LSTM风电功率实时预测模型网络示意图。图6～7为本专利技术实施例中的随差遗忘LSTM风电功率实时预测模型实时预测方法效果示意图。具体实施方式为了使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白清晰，下面结合具体实施例，进一步阐述本专利技术。一种基于随差遗忘长短期记忆的风电功率实时预测方法，具体步骤如下：(1)采集风电功率历史数据通过传感器或局域网采集风电功率历史数据；(2)构建预测模型的输入数据如图3所示，以斯皮尔曼相关系数法进行风电功率与各NWP特征相关性量化分析、风电功率时间序列自相关性量化分析后重新构建一个包含历史时刻RWP(RealWindPower，RWP)与预测时刻NWP的输入特征序列，作为预测模型的输入数据，同时以构建输入特征序列的时间序列作为每步预测的输入进行实时滚动风电功率预测；气象数据与风电功率具有时序相关性，即当前时刻气象和风电功率与历史时刻风电功率有关，因此需量化评估当前t时刻风电功率与历史(t-1、t-2等)时刻气象和风电功率的相关性，以确定EFFG-basedLSTM的输入变量；由于气象因素和风电功率不服从某种特定概率分布，本实施例采用斯皮尔曼相关系数法来分析风电功率与NWP特征之间及风电功率时间序列自相关性，斯皮尔曼相关性系数，也即斯皮尔曼秩相关系数，“秩”可以理解为一种顺序或者排序，它是根据原始数据的排序位置进行求解，其公式如下：公式(1)中，n为样本数量，di为Xi与Yi两列第i个样本数列重新按降序排列后的序号差，X为当前的风电功率数据，Y为NWP数据或为历史时刻的风电功率数据；(3)建立随差遗忘LSTM风电功率实时预测模型由于标准长短期记忆(longshort-termmemory，LSTM)遗忘门更新方式不能实时反映预测误差对模型预测的修正作用，本实施例提出随差遗忘长短期记忆(ErrorFollowingForgetGate-basedLSTM，EFFG-basedLSTM)的风电功率实时预测模型；传统LST本文档来自技高网...

【技术保护点】
1.一种基于随差遗忘长短期记忆的风电功率实时预测方法，其特征在于，具体步骤如下：/n(1)采集风电功率历史数据/n(2)构建预测模型的输入数据/n以斯皮尔曼相关系数法进行风电功率历史数据与各NWP数据特征相关性量化分析、风电功率时间序列自相关性量化分析后，重新构建一个包含历史时刻RWP与预测时刻NWP的输入特征序列，作为预测模型的输入数据；/n(3)建立随差遗忘LSTM风电功率实时预测模型/n在标准长短期记忆遗忘门上进行改进，得到随差遗忘长短期记忆的风电功率实时预测模型，且随差遗忘长短期记忆的风电功率实时预测模型在任意时刻均拥有三个门，即输入门、输出门和遗忘门，并将t-1时刻预测值与实际值两者的绝对误差作为遗忘门的输入量；/n(4)训练随差遗忘LSTM风电功率实时预测模型并进行预测/n根据根据步骤(2)获得的输入特征序列对随差遗忘LSTM风电功率实时预测模型进行训练，最后用已经训练完成的随差遗忘LSTM风电功率实时预测模型完成风电功率实时预测。/n

【技术特征摘要】
1.一种基于随差遗忘长短期记忆的风电功率实时预测方法，其特征在于，具体步骤如下：
(1)采集风电功率历史数据
(2)构建预测模型的输入数据
以斯皮尔曼相关系数法进行风电功率历史数据与各NWP数据特征相关性量化分析、风电功率时间序列自相关性量化分析后，重新构建一个包含历史时刻RWP与预测时刻NWP的输入特征序列，作为预测模型的输入数据；
(3)建立随差遗忘LSTM风电功率实时预测模型
在标准长短期记忆遗忘门上进行改进，得到随差遗忘长短期记忆的风电功率实时预测模型，且随差遗忘长短期记忆的风电功率实时预测模型在任意时刻均拥有三个门，即输入门、输出门和遗忘门，并将t-1时刻预测值与实际值两者的绝对误差作为遗忘门的输入量；
(4)训练随差遗忘LSTM风电功率实时预测模型并进行预测
根据根据步骤(2)获得的输入特征序列对随差遗忘LSTM风电功率实时预测模型进行训练，最后用已经训练完成的随差遗忘LSTM风电功率实时预测模型完成风电功率实时预测。


2.根据权利要求1所述的一种基于随差遗忘长短期记忆的风电功率实时预测方法，其特征在于，步骤(2)中，输入特征序列计算公式如下：



公式(1)中，n为样本数量，di为Xi与Yi两列第i个样本数列重新按降序排列后的序号差，X为当前的风电功率数据，Y为NWP数据或为历...

【专利技术属性】
技术研发人员：张沛，李春平，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：江西;36