一种基于SATCN-LSTM的风功率超短期预测方法技术

一种基于SATCN

【技术实现步骤摘要】
一种基于SATCN
‑
LSTM的风功率超短期预测方法


[0001]本专利技术涉及一种风电功率超短期预测方法，属于风力发电


技术介绍

[0002]环保“双碳”目标的提出促使能源结构的转变，绿色可再生能源成为关注焦点。相关数据显示，以我国为例，截至2020年底，清洁能源发电装机规模增至10.83亿千瓦，占总装机比重接近50％。风力发电作为现阶段发展最快的可再生清洁能源之一，在全球电力生产结构中正在逐年上升，拥有广阔的发展前景。然而，风力发电的间歇性和波动性限制了风力发电机组大规模并入电力系统，进而影响电能质量和电力系统的安全稳定运行。因此，准确进行风电功率预测对风电的充分利用具有重要意义。
[0003]为降低风电功率不确定性对电力系统运行的不利影响，众多学者对风电功率预测模型进行研究以提高其预测精度。传统的机器学习算法易于实现但难于表达输入输出间复杂非线性关系，限制了其预测精度。近年来，深度学习算法迅速发展，如何应用深度学习算法来准确预测风电功率就成为有关技术人员面临的课题。

技术实现思路

[0004]本专利技术的目的在于针对现有技术之弊端，提供一种基于SATCN
‑
LSTM的风功率超短期预测方法，以提高风电功率的预测精度，保证电力系统安全稳定运行。
[0005]本专利技术所述问题是以下述技术方案解决的：
[0006]一种基于SATCN
‑
LSTM的风功率超短期预测方法，所述方法包括以下步骤：
[0007]a.数据预处理：
[0008]①
将预测风电功率所需至少一年的气象数据按照季度划分为四个数据集，每个数据集中的数据包括气象数据和对应的风电功率数据；
[0009]②
将气象数据和风电功率数据进行归一化处理；
[0010]③
分别将每个数据集中的数据划分为训练集、验证集和测试集；
[0011]b.风电功率预测模型的搭建：
[0012]利用SATCN对气象数据进行特征提取，利用LSTM建立所提取特征与输出风电功率之间的联系，搭建SATCN
‑
LSTM风电功率超短期预测模型；
[0013]c.风电功率超短期预测模型的训练：
[0014]将训练集数据输入到SATCN
‑
LSTM风电功率超短期预测模型，对模型进行训练，训练过程中利用验证集对SATCN和LSTM的网络参数进行调整；
[0015]d.风电功率的预测：
[0016]将实时采集的气象数据进行归一化处理后输入到训练好的SATCN
‑
LSTM风电功率超短期预测模型，实现下一时刻风电功率的预测。
[0017]上述基于SATCN
‑
LSTM的风功率超短期预测方法，所述气象数据包括风速、风向、温度、空气密度和空气压强。
[0018]上述基于SATCN
‑
LSTM的风功率超短期预测方法，将气象数据和风电功率数据进行归一化处理的具体方法如下：
[0019]用x1表示功率数据，x1'表示归一化后的功率数据，则
[0020][0021]式中C
wt
为风电场装机容量；
[0022]用x2表示风速、温度、空气压强或空气密度数据，x2'表示归一化后的风速、温度、空气压强或空气密度数据，则
[0023][0024]式中x
2max
和x
2min
分别为风速、温度、空气压强或空气密度数据的最大值和最小值；
[0025]用x3表示风向数据，x3'表示归一化后风向数据，则
[0026]x3'＝sin(x3)。
[0027]上述基于SATCN
‑
LSTM的风功率超短期预测方法，所述的SATCN部分的时域卷积网络TCN的基本结构为一维全卷积和因果卷积，同时TCN采用膨胀卷积，对于一维序列x和滤波器f，膨胀卷积运算F在时刻t的定义为：
[0028][0029]其中，k为滤波器大小，*为卷积运算，d为膨胀因子，t
‑
d
·
i解释了过去的方向。
[0030]上述基于SATCN
‑
LSTM的风功率超短期预测方法，所述SATCN部分的时域卷积网络TCN引入跳跃连接，输出表示为输入和输入的一个非线性变换的线性叠加，定义为：
[0031]o＝Activation(X+F(X))
[0032]其中，o为输出，F(X)是卷积后结果，Activation(
·
)为激活函数。
[0033]上述基于SATCN
‑
LSTM的风功率超短期预测方法，利用SATCN对气象数据进行特征提取是将自注意力机制SA引入到时域卷积网络TCN中，自注意力部分计算过程如下：
[0034][0035]其中，Q、K、V为输入数据经不同线性变换得到的向量分别组成的矩阵， softmax(
·
)为进行归一化的激活函数，d
k
为K的维度。
[0036]上述基于SATCN
‑
LSTM的风功率超短期预测方法，所述LSTM包括输入门、遗忘门和输出门，LSTM单元内计算过程如下：
[0037]f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)
[0038]i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)
[0039][0040][0041]o
t
＝σ(W
o
·
[h
t
‑1,x
t
]+b
o
)
[0042]h
t
＝o
t
*tanh(C
t
)
[0043]其中，f
t
，i
t
，C
t
，o
t
分别表示t时刻的遗忘门、输入门、细胞状态和输出门；W
f
，W
i
，W
C
，W
o
，b
f
，b
i
，b
C
，b
o
分别表示对应的权重系数矩阵和偏置项；σ为sigmoid函数；h
t
为t时刻的隐藏层输出；x
t
为t时刻的输入；表示记忆单元的输入状态；tanh为双曲正切函数。
[0044]上述基于SATCN
‑
LSTM的风功率超短期预测方法，所述SATCN
‑
LSTM风电功率超短期预测模型包括三个残差块，一个LSTM层和一个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SATCN
‑
LSTM的风功率超短期预测方法，其特征是，所述方法包括以下步骤：a.数据预处理：
①
将预测风电功率所需至少一整年的气象数据按照季度划分为四个数据集，每个数据集中的数据包括气象数据和对应的风电功率数据；
②
将气象数据和风电功率数据进行归一化处理；
③
分别将每个数据集中的数据划分为训练集、验证集和测试集；b.风电功率预测模型的搭建：利用SATCN对气象数据进行特征提取，利用LSTM建立所提取特征与输出风电功率之间的联系，搭建SATCN
‑
LSTM风电功率超短期预测模型；c.风电功率预测模型的训练：将训练集数据输入到SATCN
‑
LSTM风电功率超短期预测模型，对模型进行训练，训练过程中利用验证集对SATCN和LSTM的网络参数进行调整；d.风电功率的预测：将实时采集的气象数据进行归一化处理后输入到训练好的SATCN
‑
LSTM风电功率超短期预测模型，实现下一时刻风电功率的预测。2.根据权利要求1所述的基于SATCN
‑
LSTM的风功率超短期预测方法，其特征是，所述气象数据包括风速、风向、温度、空气密度和空气压强。3.根据权利要求2所述的基于SATCN
‑
LSTM的风功率超短期预测方法，其特征是，将气象数据和风电功率数据进行归一化处理的具体方法如下：用x1表示功率数据，x1'表示归一化后的功率数据，则式中C
wt
为风电场装机容量；用x2表示风速、温度、空气压强或空气密度数据，x2'表示归一化后的风速、温度、空气压强或空气密度数据，则式中x
2max
和x
2min
分别为风速、温度、空气压强或空气密度数据的最大值和最小值；用x3表示风向数据，x3'表示归一化后风向数据，则x3'＝sin(x3)。4.根据权利要求3所述的基于SATCN
‑
LSTM的风功率超短期预测方法，其特征是，所述的SATCN部分的时域卷积网络TCN的基本结构为一维全卷积和因果卷积，同时TCN采用膨胀卷积，对于一维序列x和滤波器f，膨胀卷积运算F在时刻t的定义为：其中，k为滤波器大小，*为卷积运算，d为膨胀因子，t
‑
d
·
i解释了过去的方向。5.根据权利要求4所述的基于SATCN
‑
LSTM的风功率超短期预测方法，其特征是，所述的SATCN部分的时域卷积网络TCN引入跳跃连接，输出表示为输入和输入的一个非线性变换的
线性叠加，定义为：o＝Activation(X+F(X...

【专利技术属性】
技术研发人员：向玲，朱浩伟，张兴宇，胡爱军，杨鑫，刘佳宁，付晓孟婷，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：