短期风电功率预测方法及装置制造方法及图纸

本申请公开一种短期风电功率预测方法及装置，其中，所述方法包括：获取历史风电功率数据；对历史风电功率数据进行归一化处理，获得历史风电功率数据集；将历史风电功率数据集划分为训练集数据集和测试集数据集；构建包括输入层、隐藏层、输出层的长短期记忆网络预测模型；利用训练集数据集对长短期记忆网络预测模型进行粒子群算法优化，确定长短期记忆网络预测模型的最优参数；并根据最优参数建立短期风电功率预测模型；将测试集数据集作为优化后的短期风电功率预测模型的输入变量，得到短期风电功率预测结果。采用前述的方案，能够快速搜索并确定模型的最优参数，提高预测精度，能够及时准确的预测风电功率，从而实现对风电场精确调度运行。确调度运行。确调度运行。

【技术实现步骤摘要】
短期风电功率预测方法及装置


[0001]本申请涉及风电功率预测
，尤其涉及一种短期风电功率预测方法及装置。

技术介绍

[0002]风电功率预测及其在能源调度运行中的应用是促进新能源消纳的基础，研究风电功率预测技术有助于削弱风电功率并网时对电力系统带来的不利影响，降低电网的运行成本，提高电力系统运行的可靠性，有效保证电网安全。其中，短期风电功率预测通过对时间尺度在24～72小时内的风电场功率进行预测，用于经济调度，能够增强消纳能力，提高电力系统的安全稳定性。
[0003]随着神经网络技术的发展，神经网络技术已成功应用于风电功率预测领域，神经网络技术是通过挖掘输入与输出之间的隐含关系，解决静态模型问题进而实现风电功率预测。但是，风电功率属于非平稳时间序列，其变化规律不仅与当前状态有关，还受历史数据变化过程的影响。随着人工智能的发展，人工智能预测算法已成功应用于短期风电功率预测领域，人工智能预测算法是通过当代计算机技术对监测到的数据进行训练分析，进而建立预测模型，常见的有随机森林(Random Forest，RF)，反向传播神经网络(Back Propagation Neural Network，BPNN)，支持向量机(Support Sector Machine，SVM)等。但是，目前的预测模型多数是依据经验选取关键参数而导致的模型拟合能力不够、训练效果不理想的问题，进而影响预测结果的精确率。

技术实现思路

[0004]本申请提供了一种短期风电功率预测方法及装置，以解决目前的预测模型多数是依据经验选取关键参数而导致的模型拟合能力不够、训练效果不理想的问题，进而影响预测结果的精确率的问题。
[0005]第一方面，本申请实施例提供一种短期风电功率预测方法，包括：
[0006]获取历史风电功率数据，所述历史风电功率数据包括历史平均风电功率数据；
[0007]对所述历史风电功率数据进行归一化处理，获得历史风电功率数据集；
[0008]将所述历史风电功率数据集划分为训练集数据集和测试集数据集；
[0009]构建包括输入层、隐藏层、输出层的长短期记忆网络预测模型；
[0010]利用所述训练集数据集对所述长短期记忆网络预测模型进行粒子群算法优化，确定长短期记忆网络预测模型的最优参数；并根据所述最优参数建立短期风电功率预测模型；
[0011]将所述测试集数据集作为优化后的短期风电功率预测模型的输入变量，得到短期风电功率预测结果。
[0012]结合第一方面，在一种实现方式中，采用以下公式对所述历史风电功率数据进行归一化处理：
[0013][0014]其中，y表示归一化前的数据；y
*
表示归一化后的数据；y
max
表示某序列归一化前的最大值；y
min
表示某序列归一化前的最小值。
[0015]结合第一方面，在一种实现方式中，所述长短期记忆网络预测模型采用以下方法进行构建：
[0016]隐藏层采用所述训练集数据集对长短期记忆网络预测模型进行训练，在预测结果评价标准误差较小的情况下，确定长短期记忆网络预测模型的参数；
[0017]采用所述长短期记忆网络预测模型对测试集数据进行预测，得到多个初步预测结果；
[0018]输出层采用以平均绝对百分比误差的方式计算得到的多个初步预测结果，并进行反归一化处理得到最终的预测结果，最后结合实验评价指标对预测结果进行评价分析。
[0019]结合第一方面，在一种实现方式中，使用所述训练集数据集对所述长短期记忆网络预测模型进行粒子群算法优化，确定长短期记忆网络预测模型的最优参数；并根据所述最优参数建立短期风电功率预测模型，包括：
[0020]1)初始化所述长短期记忆网络预测模型的参数，设置神经元个数和学习率各自的取值范围以及搜索范围，确定最大迭代次数与种群数量、惯性权重最大值、惯性权重最小值、第一加速因子初始值、第一加速因子最终值、第二加速因子初始值、第二加速因子最终值；
[0021]2)根据初始化后的神经元个数与学习率的取值，使用长短期记忆预测模型对测试集数据集进行模型预测，将得到的预测结果的平均绝对百分比误差作为粒子的初始适应度值，适应度函数采用以下公式获取：
[0022][0023]式中，n表示测试集数据集的样本容量；X
act
(i)为i时刻风电功率的真实值；X
pred
(i)为i时刻风电功率的预测值；
[0024]3)将神经元个数和学习率两个参数为粒子，以所述初始适应度值作为初始粒子适应度值，采用以下公式迭代更新两个粒子的速度和位置，通过粒子群算法寻优获得两个参数的最优值后，以最优值为基础重新建立优化后的长短期记忆网络预测模型；
[0025]ω＝ω
max
‑
(ω
max
‑
ω
min
)(k/T
max
)2；
[0026]c1＝c
1,ini
‑
(c
1,ini
‑
c
1,fin
)(k/T
max
)；
[0027]c2＝c
2,ini
+(c
2,fin
‑
c
2,ini
)(k/T
max
)；
[0028][0029][0030]其中，k表示当前迭代次数；T
max
表示最大迭代数；V k id表示粒子的速度；X k id表示粒子的位置；P k id表示粒子的个体局部最优解；P k gd表示粒子的全局最优解；r1与r2为[0，1]之间的随机数；ω为惯性因子，ω
max
表示迭代惯性权重最大值；ω
min
表示迭代惯性权重最小值；c
1,ini
表示第一加速因子c1的初始值；c
1,fin
表示第一加速因子c1的最终值；
c
2,ini
表示第二加速因子c2的初始值；c
2,fin
表示第二加速因子c2的最终值；
[0031]4)继续迭代更新粒子的速度与位置，计算对应的粒子适应度值，并比较局部与全局的最优解；当粒子适应度值趋于稳定或迭代次数达到最大，则满足终止条件，获取最优的神经元个数与学习率，得到经粒子群算法优化后的短期风电功率预测模型；否则返回执行步骤3)继续进行迭代更新。
[0032]结合第一方面，在一种实现方式中，得到短期风电功率预测结果之后，还包括：使用平均相对百分误差和根均方误差评价指标对所述短期风电功率预测结果进行评价；
[0033]所述均相对百分误差采用以下公式获取：
[0034][0035]所述根均方误差采用以下公式获取：
[0036][0037]其中，y
MAPE
表示均相对百分误差；y
RMSE...

【技术保护点】

【技术特征摘要】
1.一种短期风电功率预测方法，其特征在于，包括：获取历史风电功率数据，所述历史风电功率数据包括历史平均风电功率数据；对所述历史风电功率数据进行归一化处理，获得历史风电功率数据集；将所述历史风电功率数据集划分为训练集数据集和测试集数据集；构建包括输入层、隐藏层、输出层的长短期记忆网络预测模型；利用所述训练集数据集对所述长短期记忆网络预测模型进行粒子群算法优化，确定长短期记忆网络预测模型的最优参数；并根据所述最优参数建立短期风电功率预测模型；将所述测试集数据集作为优化后的短期风电功率预测模型的输入变量，得到短期风电功率预测结果。2.根据权利要求1所述的短期风电功率预测方法，其特征在于，采用以下公式对所述历史风电功率数据进行归一化处理：其中，y表示归一化前的数据；y
*
表示归一化后的数据；y
max
表示某序列归一化前的最大值；y
min
表示某序列归一化前的最小值。3.根据权利要求1所述的短期风电功率预测方法，其特征在于，所述长短期记忆网络预测模型采用以下方法进行构建：隐藏层采用所述训练集数据集对长短期记忆网络预测模型进行训练，在预测结果评价标准误差较小的情况下，确定长短期记忆网络预测模型的参数；采用所述长短期记忆网络预测模型对测试集数据进行预测，得到多个初步预测结果；输出层采用以平均绝对百分比误差的方式计算得到的多个初步预测结果，并进行反归一化处理得到最终的预测结果，最后结合实验评价指标对预测结果进行评价分析。4.根据权利要求1所述的短期风电功率预测方法，其特征在于，使用所述训练集数据集对所述长短期记忆网络预测模型进行粒子群算法优化，确定长短期记忆网络预测模型的最优参数；并根据所述最优参数建立短期风电功率预测模型，包括：1)初始化所述长短期记忆网络预测模型的参数，设置神经元个数和学习率各自的取值范围以及搜索范围，确定最大迭代次数与种群数量、惯性权重最大值、惯性权重最小值、第一加速因子初始值、第一加速因子最终值、第二加速因子初始值、第二加速因子最终值；2)根据初始化后的神经元个数与学习率的取值，使用长短期记忆预测模型对测试集数据集进行模型预测，将得到的预测结果的平均绝对百分比误差作为粒子的初始适应度值，适应度函数采用以下公式获取：式中，n表示测试集数据集的样本容量；X
act
(i)为i时刻风电功率的真实值；X
pred
(i)为i时刻风电功率的预测值；3)将神经元个数和学习率两个参数为粒子，以所述初始适应度值作为初始粒子适应度值，采用以下公式迭代更新两个粒子的速度和位置，通过粒子群算法寻优获得两个参数的最优值后，以最优值为基础重新建立优化后的长短期记忆网络预测模型；ω＝ω
max
‑
(ω
max
‑
ω
min
)(k/T
max
)2；
c1＝c
1,ini
‑
(c
1,ini
‑
c
1,fin
)(k/T
max
)；c2＝c
2,ini
+(c
2,fin
‑
c
2,ini
)(k/T
max
)；)；其中，k表示当前迭代次数；T
max
表示最大迭代数；Vk id表示粒子的速度；Xk id表示粒子的位置；Pkid表示粒子的个体局部最优解；Pkgd表示粒子的全局最优解；r1与r2为[0，1]之间的随机数；ω为惯性因子，ω
max
表示迭代惯性权重最大值；ω
min
表示迭代惯性权重最小值；c
1,ini
表示第一加速因子c1的初始值；c
1,fin
表示第一加速因子c1的最终值；c
2,ini
表示第二加速因子c2的初始值；c
2,fin
表示第二加速因子c2的最终值；4)继续迭代更新粒子的速度与位置，计算对应的粒子适应度值，并比较局部与全局的最优解；当粒子适应度值趋于稳定或迭代次数达到最大，则满足终止条件，获取最优的神经元个数与学习率，得到经粒子群算法优化后的短期风电功率预测模型；否则返回执行步骤3)继续进行迭代更新。5.根据权利要求1所述的短期风电功率预测方法，其特征在于，得到短期风电功率预测结果之后，还包括：使用平均相对百分误差和根均方误差评价指标对所述短期风电功率预测结果进行评价；所述均相对百分误差采用以下公式获取：所述根均方误差采用以下公式获取：其中，y
MAPE
表示均相对百分误差；y
RMSE
表示根均方误差；n表示测试数据集的样本容量；X
act
(i)(i＝1,2,
…
n)为第i时刻风电功率的真实值；X
pred
(i)(i＝1,2,
…
n)为第i时刻风电功率的预测值。6.一种短期风电功率预测装置，其特征在于，包括：历史风电...

【专利技术属性】
技术研发人员：田小航，王荣泰，
申请(专利权)人：云南电力技术有限责任公司，
类型：发明
国别省市：