【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 ...
【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:
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。