一种基于改进LSTM-CNN的风功率短期预测方法技术

本发明专利技术涉及一种基于改进LSTM

【技术实现步骤摘要】
一种基于改进LSTM
‑
CNN的风功率短期预测方法


[0001]本专利技术涉及风功率预测
，尤其是一种基于改进LSTM
‑
CNN的风功率短期预测方法。

技术介绍

[0002]风力发电很大程度上依赖于随机的气象因素，如风度、风向、辐照度等，其本质是间歇性的，很难像常规火电厂一样进行控制和调度。因为风力发电的波动性和间歇性，其大规模并网后给电网安全运行和调度带来了严峻的挑战。因此对风机发电功率进行准确预测对保持电网的稳定性、提高风电场利用效率具有重要的意义。
[0003]传统的风电功率预测方法一般基于浅层模型，但由于风电经常面临复杂的天气状况，因此浅层模型在实际应用中存在很大的局限性。深度学习的快速发展为风功率预测提供了一种新的思路。现有技术中，基于深度学习的网络预测模型对风功率进行预测虽然能够建立比较完整的映射关系，但是由于没有考虑输入数据不确定性、以及特征提取单一尺度等问题对预测精度造成的影响，导致准确性不高。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供一种基于改进LSTM
‑
CNN的风功率短期预测方法，目的是提高预测的准确性。
[0005]本专利技术采用的技术方案如下：
[0006]一种基于改进LSTM
‑
CNN的风功率短期预测方法，包括：
[0007]S1、获取风电场全年的风功率历史数据和对应时间的数值天气预报数据，并对数据进行预处理，对处理后的数值天气预报数据和风功率数据进行拼接，形成多维时序数据集；
[0008]S2、将数据集按照时间划分为分别代表四个季节的四组样本，利用K
‑
means算法对每组样本进行聚类，将每组样本划分为若干个聚类类别；
[0009]S3、选取目标聚类类别的样本，划分训练集和测试集，将训练集输入到改进LSTM
‑
CNN预测模型中进行参数迭代，建立天气参数与风功率之间的映射关系，当损失函数满足迭代终止条件时停止更新；
[0010]所述改进LSTM
‑
CNN预测模型前半部分为LSTM网络，后半部分为CNN网络；
[0011]CNN网络由一个卷积—池化对、一个多尺度特征提取层、一个自注意力机制层和一个全连接层组成；
[0012]所述多尺度特征提取层包含两个不同大小的卷积核，以捕获信号的多尺度特征，并产生不同感受野的级联特征；
[0013]S4、将测试集输入到训练好的改进LSTM
‑
CNN预测模型中，得到对应的短期风功率预测数据。
[0014]进一步技术方案为：
[0015]利用K
‑
means算法对每组样本进行聚类，包括：
[0016]S21、采用手肘法根据误差平方和确定每组样本的聚类类别数，计算式为：
[0017][0018]式中，SSE是样本的聚类误差，m是样本中簇的总数即所述聚类类别数，C
i
是第i个簇，p是C
i
的样本点，m
i
是C
i
的质心；
[0019]S22、将每组样本的聚类类别数m和对应的样本数据输入到K
‑
means模型中，随机选取m个初始聚类中心；
[0020]S23、计算样本数据与各初始取聚类中心的欧氏距离，按照距离最近原则将样本数据划分为最近的初始聚类中心所对应的类别；
[0021]S24、计算每个类别中所有样本数据的均值，并将该均值作为每个类别新的聚类中心；
[0022]S25、重复步骤S23和步骤S24，直至聚类中心不再发生变化，从而得到最佳聚类模型。
[0023]所述自注意力机制层用于给不同价值的特征分配权重，计算公式如下：
[0024][0025]式中，Q、K、V分别代表查询向量矩阵、键向量矩阵和值向量矩阵，是通过把输入向量矩阵分别乘以三个矩阵W
q
，W
k
，W
v
而得到的，W
q
，W
k
，W
v
为自注意力机制层的参数；n为矩阵Q、K的维度。
[0026]所述损失函数采用均方误差函数MSE，当损失函数低于设置的阈值或者达到所设置的最大迭代次数时停止训练，均方误差函数MSE计算公式如下：
[0027][0028]式中，表示网络输出的预测功率，y
t
表示输入的预测时间所对应的真实风功率数据，L为y
t
的个数。
[0029]所述LSTM网络包括两个隐层，隐层节点分别为128和256。
[0030]所述卷积—池化对中卷积核的大小为5，池化层的滑动窗口为2，多尺度特征提取层中的两个卷积核大小分别为3和5。
[0031]本专利技术的有益效果如下：
[0032]本专利技术融合了K
‑
means聚类方法和基于多尺度和自注意力机制的改进LSTM
‑
CNN网络，通过聚类找到了对预测精度影响最大的样本，提高了预测效率，有效弥补风功率预测过程中由于数据差距过大而导致的风功率预测效率低的问题，又利用改进神经网络有效提取多尺度特征，实现对特征的自适应加权而获得关键有效特征，弥补了传统预测算法在面对复杂天气情况下风功率预测精度不高的缺陷，进一步提高了预测精度。
[0033]本专利技术所利用的改进LSTM
‑
CNN预测模型，在传统模型基础上添加多尺度特征提取层和自注意力机制层，不仅利用深度神经网络提取数据的空间特征和时域信息特征并将其融合用于风功率预测，有利于提高预测精度，并且通过多尺度特征提取层捕获数据中不同
感受野的特征，提取了多尺度特征，通过自注意力机制融合层对特征进行自适应加权，适应性强，应用价值高。
[0034]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。
附图说明
[0035]图1是本专利技术的流程图。
[0036]图2是本专利技术实施例的改进LSTM
‑
CNN模型结构图。
[0037]图3是本专利技术实施例的短期风功率预测结果示意图。
具体实施方式
[0038]以下结合附图说明本专利技术的具体实施方式。
[0039]参见图1，本实施例的一种基于改进LSTM
‑
CNN的风功率短期预测方法，包括：
[0040]S1、获取风电场全年的风功率历史数据和对应时间的数值天气预报(NWP)数据，并对数据进行预处理，对处理后的数值天气预报数据和风功率数据进行拼接，形成多维时序数据集；
[0041]对数据进行预处理，具体包括：
[0042]检测和处理异常值，如应保持风向数据在0～360
°
之间，超过额定功率的数据以额定功率替换等；
[0043]对于缺失的数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进LSTM
‑
CNN的风功率短期预测方法，其特征在于，包括：S1、获取风电场全年的风功率历史数据和对应时间的数值天气预报数据，并对数据进行预处理，对处理后的数值天气预报数据和风功率数据进行拼接，形成多维时序数据集；S2、将数据集按照时间划分为分别代表四个季节的四组样本，利用K
‑
means算法对每组样本进行聚类，将每组样本划分为若干个聚类类别；S3、选取目标聚类类别的样本，划分训练集和测试集，将训练集输入到改进LSTM
‑
CNN预测模型中进行参数迭代，建立天气参数与风功率之间的映射关系，当损失函数满足迭代终止条件时停止更新；所述改进LSTM
‑
CNN预测模型前半部分为LSTM网络，后半部分为CNN网络；CNN网络由一个卷积—池化对、一个多尺度特征提取层、一个自注意力机制层和一个全连接层组成；所述多尺度特征提取层包含两个不同大小的卷积核，以捕获信号的多尺度特征，并产生不同感受野的级联特征；S4、将测试集输入到训练好的改进LSTM
‑
CNN预测模型中，得到对应的短期风功率预测数据。2.根据权利要求1所述的基于改进LSTM
‑
CNN的风功率短期预测方法，其特征在于，利用K
‑
means算法对每组样本进行聚类，包括：S21、采用手肘法根据误差平方和确定每组样本的聚类类别数，计算式为：式中，SSE是样本的聚类误差，m是样本中簇的总数即所述聚类类别数，C
i
是第i个簇，p是C
i
的样本点，m
i
是C
i
的质心；S22、将每组样本的聚类类别数m和对应的样本数据输入到K
‑
means模型中，随机...

【专利技术属性】
技术研发人员：邓艾东，丁雪，邓敏强，史曜炜，刘洋，
申请(专利权)人：东南大学，
类型：发明
国别省市：