基于LSTM和马尔科夫链的风电出力短期滚动预测与校正方法技术

本发明专利技术涉及一种基于LSTM和马尔科夫链的风电出力短期滚动预测与校正方法，包括以下步骤：步骤S1，通过t

【技术实现步骤摘要】
基于LSTM和马尔科夫链的风电出力短期滚动预测与校正方法


[0001]本专利技术涉及一种风电出力预测方法，尤其涉及一种基于LSTM(长短期记忆网络)和马尔科夫链的风电出力短期滚动预测与校正方法。

技术介绍

[0002]风电出力具有随机性、波动性和不稳定性等特点，大量的分布式风电并网会降低电能质量，加大配电网的调度管理难度，影响电网的安全与稳定。因此，结合风力发电的特性，构建高效、精确的发电功率预测模型，对电网的统筹规划和安全稳定具有重要意义。
[0003]被用于短期风电功率预测的方法主要有随机时间序列法、人工神经网络法、卡尔曼滤波法、支持向量机法等，以及各方法的不同组合。经过对现有文献检索发现，现有文献中，张静等在《电力系统保护与控制》(2019,47(19)：63
‑
68)上发表的《一种基于加权马尔科夫链修正的SVM光伏出力预测模型》基于均值
‑
均方差方法对预测残差进行分级，以残差序列标准化的各阶自相关系数为权重，运用加权马尔科夫链修正SVM预测模型，以提高预测精度。牛哲文等在《电力系统自动化设备》(2018,38(05):36
‑
42)上发表的《基于深度门控循环单元神经网络的短期风功率预测模型》考虑到风功率预测中输入数据的波动性和不确定性,在传统门控循环单元(GRU)神经网络的基础上融合卷积神经网络(CNN)，以提高模型对原始数据的特征提取和降维能力，并引入dropout技术减少模型中的过拟合现象。朱乔木等人在《电网技术》(2017,41(12),3797
‑
3802)上发表的《基于长短期记忆网络的风电场发电功率超短期预测》利用距离分析法筛选出与风电功率相关程度高的变量，进而降低数据的规模和复杂程度。然后利用LSTM网络对多变量时间序列进行动态时间建模，最终实现对风电功率的预测。唐振浩等人在《中国电机工程学报》(2019.39(15),4459
‑
4468)上发表的《基于SWLSTM算法的超短期风向预测》经过小波分解提取风向序列的时域信息和频域信息，并提出一种基于自校正小波长短期记忆网络，提升了预测精度。
[0004]以上文献的方法能够广泛、灵活地运用在风电预测上，但仍然在下述三方面考虑欠缺：1)在风电综合影响因素上，一般仅考虑以风速为代表的环境变量上，缺少其他影响因素的考量；2)针对各种影响风电出力的相关性因素处理上，往往采用Person法、距离分析法等线性变量的相关性分析，而这些方法应用在非线性变量上时，有着难以捕捉数据间内部联系的问题；3)对于传统神经网络，其预测模型预测精度和泛化能力还有待加强，为适应新的预测场景，有必要对预测模型的精度提出更高要求。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于LSTM和马尔科夫链的风电出力短期滚动预测与校正方法。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种基于LSTM和马尔科夫链的风电出力短期滚动预测与校正方法，所述方法包括以下步骤：
[0008]步骤S1，通过t
‑
Copula函数对各输入变量进行相关性分析；
[0009]步骤S2，建立初始风电短期出力预测LSTM模型；
[0010]步骤S3，采用改进粒子群算法优化LSTM模型；
[0011]步骤S4，优化后的LSTM模型输出的结果进行马尔科夫链误差再修正。
[0012]作为优选的技术方案，所述输入变量包括PMU数据、温度、风速、湿度、气压，所述PMU数据为风机联网后获取的风机所连节点电压相量变化和所在支路电流相量变化数据。
[0013]作为优选的技术方案，所述相关性分析包括如下步骤：
[0014]步骤S101，确定风机出力和影响因素的边缘概率分布函数；
[0015]步骤S102，采用t
‑
Copula函数得到随机变量的联合概率分布函数；
[0016]步骤S103，应用联合概率分布函数到秩相关系数上，得到两者间相关性测度。
[0017]作为优选的技术方案，所述t
‑
Copula函数为：
[0018][0019]式中：ρ表示相关系数，是对角线上的所有元素的N阶对称正定矩阵；k表示自由度；式中：ρ表示相关系数，是对角线上的所有元素的N阶对称正定矩阵；k表示自由度；表示一维反函数t分配时的自由度，ξ＝[t
k
(μ1),t
k
(μ2),
…
,t
k
(μ
N
)]，μ
i
为输入变量，其中i＝1,2,...,N；ξ
′
表示由自由度为k的一维反函数所有元素组成的集合；ξ表示由自由度为k的一维函数t
k
所有元素组成的集合；t
k
表示自由度为k的一维函数；
[0020]所述秩相关系数为Kendall秩相关系数τ，其计算公式为：
[0021][0022]式中：C(u,v)为t
‑
Copula函数；u,v为样本变量。
[0023]作为优选的技术方案，所述LSTM模型包括输入门、输出门和遗忘门；
[0024]所述输入门i
t
控制当前时刻的输入x
t
保存到当前单元状态c
t
的信息量，其表达式为：
[0025]i
t
＝σ(w
i
·
[s
t
‑1,x
t
]+b
i
)，
[0026]式中：w
i
是遗忘门的权重矩阵；b
i
是遗忘门的偏置；s
t
‑1是上一时刻的单元状态；i表示输入门；t表示当前时刻；所述当前状态c
t
为：
[0027][0028]式中：为当前单元状态的候选值向量；表示逐点求积算；其中所述当前单元状态的候选值向量计算公式为：
[0029][0030]式中：w
c
是输入层的权重矩阵；b
c
是相应的偏置，tanh是激活函数；是位于[0,1]的值；
[0031]所述遗忘门f
t
用来控制上一时刻c
t
‑1中需要保存的信息保存到当前单元状态c
t
中，计算公式为：
[0032]f
t
＝σ(w
f
·
[s
t
‑1,x
t
]+b
f
)，
[0033]式中：s
t
‑1是上一时刻的单元状态；x
t
是当前时刻的输入；w
f
是遗忘门的权重矩阵；b
f
是遗忘门的偏置；σ是遗忘门sigmoid激活函数；f
t...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM和马尔科夫链的风电出力短期滚动预测与校正方法，其特征在于，所述方法包括以下步骤：步骤S1，通过t
‑
Copula函数对各输入变量进行相关性分析；步骤S2，建立初始风电短期出力预测LSTM模型；步骤S3，采用改进粒子群算法优化LSTM模型；步骤S4，优化后的LSTM模型输出的结果进行马尔科夫链误差再修正。2.根据权利要求1所述的一种基于LSTM和马尔科夫链的风电出力短期滚动预测与校正方法，其特征在于，所述输入变量包括PMU数据、温度、风速、湿度、气压，所述PMU数据为风机联网后获取的风机所连节点电压相量变化和所在支路电流相量变化数据。3.根据权利要求1所述的一种基于LSTM和马尔科夫链的风电出力短期滚动预测与校正方法，其特征在于，所述相关性分析包括如下步骤：步骤S101，确定风机出力和影响因素的边缘概率分布函数；步骤S102，采用t
‑
Copula函数得到随机变量的联合概率分布函数；步骤S103，应用联合概率分布函数到秩相关系数上，得到两者间相关性测度。4.根据权利要求3所述的一种基于LSTM和马尔科夫链的风电出力短期滚动预测与校正方法，其特征在于，所述t
‑
Copula函数为：式中：ρ表示相关系数，是对角线上的所有元素的N阶对称正定矩阵；k表示自由度；式中：ρ表示相关系数，是对角线上的所有元素的N阶对称正定矩阵；k表示自由度；表示一维反函数t分配时的自由度，ξ＝[t
k
(μ1),t
k
(μ2),
…
,t
k
(μ
N
)]，μ
i
为输入变量，其中i＝1,2,...,N；ξ
′
表示由自由度为k的一维反函数所有元素组成的集合；ξ表示由自由度为k的一维函数t
k
所有元素组成的集合；t
k
表示自由度为k的一维函数；所述秩相关系数为Kendall秩相关系数τ，其计算公式为：式中：C(u,v)为t
‑
Copula函数；u,v为样本变量。5.根据权利要求1所述的一种基于LSTM和马尔科夫链的风电出力短期滚动预测与校正方法，其特征在于，所述LSTM模型包括输入门、输出门和遗忘门；所述输入门i
t
控制当前时刻的输入x
t
保存到当前单元状态c
t
的信息量，其表达式为：i
t
＝σ(w
i
·
[s
t
‑1,x
t
]+b
i
)，式中：w
i
是遗忘门的权重矩阵；b
i
是遗忘门的偏置；s
t
‑1是上一时刻的单元状态；i表示输入门；t表示当前时刻；所述当前状态c
t
为：式中：为当前单元状态的候选值向量；表示逐点求积算；其中所述当前单元状态的候选值向量计算公式为：
式中：w
c
是输入层的权重矩阵；b
c
是相应的偏置，tanh是激活函数；是位于[0,1]的值；所述遗忘门f
t
用来控制上一时刻c
t
‑1中需要保存的信息保存到当前单元状态c
t
中，计算公式为：f
t
＝σ(w
f
·
[s
t
‑1,x
t
]+b
f
)，式中：s
t
‑1是上一时刻的单元状态；x
t
是当前时刻的输入；w
f
是遗忘门的权重矩阵；b
f
...

【专利技术属性】
技术研发人员：田书欣，刘舒，顾吉平，魏新迟，时珊珊，符杨，王皓靖，张开宇，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：