【技术实现步骤摘要】
自回归修正的LSTM智能风电场超短期功率预测方法
[0001]本专利技术属于数据科学
,涉及自回归修正的LSTM智能风电场超短期功率预测方法。
技术介绍
[0002]随着我国风电场数量日益增多,风力发电技术逐渐成熟,我国电力系统中风电所占比例也逐年增加。在日常发电中,电力调度机构需要根据日负荷对未来发电进行规划,达到发电、用电之间的平衡,维持电网的稳定性。但由于风的波动性与间歇性,导致风力发电功率极为不稳定,具有高不确定性。在风电大规模接入电网的今天,调度机构制定发电计划的难度大大增加,给电力系统的安全运行带来一系列重大挑战。根据预测的时间尺度不同,风电功率预测可分为超短期预测、短期预测与中长期预测。其中,超短期预测可以用于实时电力调度,短期预测能够用于制订日发电计划,中长期预测可以帮助风电场制定年度检修计划。因此,对超短期风电功率进行精准预测,可以有效缓解电力调度的压力,显著提高电网系统运行的安全性、稳定性,能够带来显著经济效益。
[0003]在风电功率预测领域,传统预测方法包括物理预测方法与统计和学习预测方法。其中,物理预测方法通过引入数值天气预报(NWP)数据,结合风电机组的性能参数计算未来时刻的实际功率。计算方法较为复杂,但对风电场的技术条件要求较低,也无需使用历史运行数据。在统计与学习方法中,又分为时序外推与人工智能的预测方法,其中,时序外推方法无需使用气象数据,仅使用实际功率,通过探索其历史序列特征来推测未来功率。人工智能的预测方法通过学习历史时刻的气象数据与功率之间的关系,利用NWP数据对 ...
【技术保护点】
【技术特征摘要】
1.自回归修正的LSTM智能风电场超短期功率预测方法,其特征在于,步骤如下:步骤一:获取风电场历史NWP数据、历史实际功率数据、未来24小时NWP数据,并对数据进行预处理;步骤二:构建LSTM深度学习框架,以历史NWP数据作为特征,对应的历史实际功率数据作为标签,进行模型训练,学习NWP数据与功率之间的对应关系;步骤三:根据历史实际功率的特征,对其进行单特征的自回归建模,找到未来时刻功率与之前时刻功率之间的联系;步骤四:将未来24小时NWP数据输入进LSTM神经网络,得到24小时的短期预测功率;利用步骤三中构建的自回归模型,滚动预测未来4小时的功率变化趋势,修正相应时段内的短期预测功率,得到超短期预测功率;步骤五:根据步骤四中得到的超短期预测功率计算准确率,并将其上传至调度机构,以便进行实时电力调度;所述步骤一的数据预处理,具体步骤如下:步骤1.1:对NWP数据以及实际功率数据进行筛查,查找缺失数据,对缺失数据前后的完整值取平均,填充至缺失位置,进行平滑处理;步骤1.2:在原有的每一时刻的NWP数据上,增添新的统计特征,其中包括上一点风速值、上一点风向、近三点风速最大值和平均值,以强化特征的历史信息;共得到n维气象特征X={x1,X2,x3,...,x
n
};步骤1.3:对气象特征X以及实际功率P进行归一化处理,其中对于除风向以外的气象特征采用进行归一,其中max(x)、min(x)和avg(x)分别为各维度非风向气象特征的最大值、最小值与平均值;对于风向特征x
wd
,采用进行归一化;x
*
与均为归一化后的数据;所述步骤二LSTM模型的构建与训练,具体步骤如下:步骤2.1:以第t个时间点为例,首先利用注意力机制对输入特征X
t
={x
1,t
,X
2,t
,x
3,t
,...,x
n,t
}进行处理,将特征X
t
传人全连接神经网络,得到与输入维度相同的输出,作为特征注意力系数A
t
=σ(W
a
X
t
+b
a
);其中W
a
是可学习的权重矩阵,b
a
为偏置向量;σ为Sigmoid激活函数,A
t
={a
1,t
,a
2,t
,a
3,t
,...,a
n,t
};对A
t
使用Softmax函数进行归一化处理,得到其中有将归一化后的注意力权重矩阵与输入特征X
t
进行内积运算,得到步骤2.2:其中LSTM包括输入层、隐含层、输出层;隐含层为LSTM单元细胞,细胞中包括输入门、遗忘门、输出门三种计算单元;步骤2.3:在t+1时刻,将与h
t
、C
t
输入到LSTM中,得到h
t+1
、C
t+1
,在t+2与t+3时刻,重复上述步骤,得到h
t+3
、C
t+3
;将h
t+3
向量输入至输出层,输出层是带有激活函数tanh的全连接神经网络,输出维度为1,输出含义为t+3时刻功率预测值;步骤2.4:计算步骤2.3中得到的功率预测值与实际功率值的均方误差(MSE),并通过神经网络Adam优化器对网络参数进行反向传播;
步骤2.5:以大小为4的窗口在训练集上以1为步长进行滑动,将窗口第一个时刻作为t时刻,重复步骤2.2
‑
2.4,每滑动一次均对h
t
、C
t
进行初始化;步骤2.6:在窗口滚动结束后,重新回到训练集起点进行滚动,直至功率预测值与实际功率值的均方误差收敛;至此,得到一个可以根据NWP数据对功率进行预测的神经网络模型;所述步骤三的根据历史功率信息进行自回归建模,具体步骤如下:步骤3.1:获取历史功率数据P={p1,p2,p3,...,p
n
},对其进行时间序列平稳性检验(ADF),当结果表明数据不平稳,需要对数据进行d阶差分处理,直至通过平稳性检验;步骤3.2:使用处理后的数据P
*
【专利技术属性】
技术研发人员:王鹏飞,叶绯叶,魏宗正,车超,周成杰,张强,
申请(专利权)人:大连理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。