一种超短期风电场功率预测方法及系统技术方案

本发明专利技术公开了一种超短期风电场功率预测方法。本发明专利技术基于风电场功率输出历史数据，首先采用拉依达准则剔除不良数据，对数据归一化处理；对经过处理后的数据划分训练集和验证集，并采用长短期记忆神经网络LSTM模型开展预测，获得验证集的实测值和预测值的差值时间序列；基于上述误差时间序列建立差分整合移动平均自回归模型ARIMA误差修正模型，以对误差进行超短期预测；构建LSTM

【技术实现步骤摘要】
一种超短期风电场功率预测方法及系统


[0001]本专利技术属于机器学习预测模型应用领域，具体地说是一种基于拉依达准则和LSTM
‑
ARIMA的超短期风电场功率预测方法及系统。

技术介绍

[0002]近些年，随着我国对清洁能源需求的不断增大，风能应用研究得到了飞速发展。然而，风力发电本身所特有的间歇性和不确定性，增加了对电网计划和调度的难度。风力发电技术的逐渐成熟以及大规模风电场的规划建设，促使越来越多的学者聚焦于对风电场功率准确预测的研究，主要包含统计方法、学习方法、物理方法等。
[0003]差分整合移动平均自回归模型ARIMA(Auto
‑
Regressive Integrated Moving Average Model)作为功率预测统计方法，寻求历史数据和机组功率输出的映射关系，所用数据单一、预测周期短，对误差的估计不够合理，可用于优化控制的短期预测。此方法对具有非线性和非平稳特性的风电场功率输出数据进行预测，难以取得准确的预测效果。
[0004]长短期记忆神经网络LSTM(Long Short
‑
Term Memory)作为功率预测的一种学习方法，通过对数据关系的学习和训练而建立非线性模型，以更好地适应风功率的时间序列特性，具有强大的非线性映射能力、自适应能力、自学习能力、良好的容错性和泛化能力等，也可以解决神经网络中长时间序列的依赖问题，但存在网络层数深、计算量大，对于更长序列处理棘手等问题。

技术实现思路

[0005]基于上述现有技术存在的技术问题，本专利技术提出一种基于拉依达准则和LSTM
‑
ARIMA的超短期风电场功率预测方法及系统，
[0006]为此，本专利技术采用的一种技术方案为：一种超短期风电场功率预测方法，其包括以下步骤：
[0007]步骤S1：根据风力发电机功率的历史数据，以m分钟作为采样频率，得到M个采样点对应的M个功率采样值，构建功率
‑
时间序列；
[0008]步骤S2：对于功率
‑
时间序列中的不良数据，利用拉依达准则判断并筛选剔除，并对数据进行归一化处理；
[0009]步骤S3：经数据预处理后，将数据集划分为训练集和验证集：取功率
‑
时间序列连续4n个功率采样值，前3n个功率采样值作为训练集，后n个功率采样值作为验证集；
[0010]步骤S4：构建长短期记忆神经网络LSTM预测模型，从第3n+1个功率采样值开始滚动预测，获得含n个功率预测值的LSTM预测集；
[0011]步骤S5：基于LSTM预测集和验证集，得到含n个误差值的误差序列，构建差分整合移动平均自回归模型ARIMA误差修正模型；
[0012]步骤S6：基于LSTM预测模型和ARIMA误差修正模型，构建LSTM
‑
ARIMA组合预测模型，对功率
‑
时间序列进行预测，预测结果反归一化处理，得到最终预测结果。
[0013]进一步地，步骤S2中，采用拉依达准则判断功率
‑
时间序列中的不良数据，采用以下公式：
[0014]|V
i
|＝|P
i
‑
P
ave
|＞3σ
[0015]式中，P
i
为第i个采样点的功率采样值；P
ave
为全部功率采样值的均值；|V
i
|为P
i
的剩余误差；σ为全部功率采样值的标准差；
[0016]遍历全部功率采样值，若某一功率采样值满足上述公式，则判定为不良数据，从功率
‑
时间序列中剔除。
[0017]进一步地，步骤S4中，构建LSTM模型开展预测的具体方法是：将训练集数据平稳化处理、转换为监督学习问题、归一化缩放，拟合LSTM模型，在验证集上前向滚动预测。
[0018]进一步地，步骤S5中，构建ARIMA误差修正模型的具体方法是：获取LSTM模型预测集与验证集的误差序列，基于AIC最小准则得到最合适的ARIMA模型参数对(p,d,q)，构建ARIMA误差修正模型。
[0019]进一步地，步骤S6中，构建LSTM
‑
ARIMA组合预测模型，将功率
‑
时间序列再次划分训练集、验证集，基于LSTM预测结果与ARIMA误差修正结果，相加并反归一化处理获得组合预测模型最终预测结果。
[0020]进一步地，评价预测效果好坏的指标为平均绝对误差MAE(Mean Absolute Error)，平均绝对百分比误差MAPE(Mean Absolute Percentage Error)，均方根误差RMSE(Root Mean Square Error)。
[0021]本专利技术采用的另一种技术方案为：一种超短期风电场功率预测系统，其包括：
[0022]功率
‑
时间序列构建单元：根据风力发电机功率的历史数据，以m分钟作为采样频率，得到M个采样点对应的M个功率采样值，构建功率
‑
时间序列；
[0023]数据预处理单元：对于功率
‑
时间序列中的不良数据，利用拉依达准则判断并筛选剔除，并对数据进行归一化处理；
[0024]数据集划分单元：经数据预处理后，将数据集划分为训练集和验证集：取功率
‑
时间序列连续4n个功率采样值，前3n个功率采样值作为训练集，后n个功率采样值作为验证集；
[0025]LSTM预测模型构建单元：构建长短期记忆神经网络LSTM预测模型，从第3n+1个功率采样值开始滚动预测，获得含n个功率预测值的LSTM预测集；
[0026]ARIMA误差修正模型构建单元：基于LSTM预测集和验证集，得到含n个误差值的误差序列，构建差分整合移动平均自回归模型ARIMA误差修正模型；
[0027]组合预测模型构建单元：基于LSTM预测模型和ARIMA误差修正模型，构建LSTM
‑
ARIMA组合预测模型，对功率
‑
时间序列进行预测，预测结果反归一化处理，得到最终预测结果。
[0028]本专利技术具有的有益效果如下：本专利技术使风电场输出功率预测结果拟合度较好，有效控制了误差，与单一LSTM模型对比误差更小，充分发挥了两种模型的预测优势，提高了预测的精准度，能够满足实际工程需求，为电力系统并网调控提供重要基础。
附图说明
[0029]图1为本专利技术超短期风电场功率预测方法流程图；
[0030]图2为基于LSTM模型和LSTM
‑
ARIMA模型的预测曲线对比图。
具体实施方式
[0031]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0032]实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种超短期风电场功率预测方法，其特征在于，包括以下步骤：步骤S1：根据风力发电机功率的历史数据，以m分钟作为采样频率，得到M个采样点对应的M个功率采样值，构建功率
‑
时间序列；步骤S2：对于功率
‑
时间序列中的不良数据，利用拉依达准则判断并筛选剔除，并对数据进行归一化处理；步骤S3：经数据预处理后，将数据集划分为训练集和验证集：取功率
‑
时间序列连续4n个功率采样值，前3n个功率采样值作为训练集，后n个功率采样值作为验证集；步骤S4：构建长短期记忆神经网络LSTM预测模型，从第3n+1个功率采样值开始滚动预测，获得含n个功率预测值的LSTM预测集；步骤S5：基于LSTM预测集和验证集，得到含n个误差值的误差序列，构建差分整合移动平均自回归模型ARIMA误差修正模型；步骤S6：基于LSTM预测模型和ARIMA误差修正模型，构建LSTM
‑
ARIMA组合预测模型，对功率
‑
时间序列进行预测，预测结果反归一化处理，得到最终预测结果。2.根据权利要求1所述的超短期风电场功率预测方法，其特征在于，步骤S2中，采用拉依达准则判断功率
‑
时间序列中的不良数据，采用以下公式：V
i
＝P
i
‑
P
ave
＞3σ式中，P
i
为第i个采样点的功率采样值；P
ave
为全部功率采样值的均值；|V
i
|为P
i
的剩余误差；σ为全部功率采样值的标准差；遍历全部功率采样值，若某一功率采样值满足上述公式，则判定为不良数据，从功率
‑
时间序列中剔除。3.根据权利要求1所述的超短期风电场功率预测方法，其特征在于，步骤S4中，构建LSTM模型开展预测的具体方法是：将训练集数据平稳化处理、转换为监督学习问题、归一化缩放，拟合LSTM模型，在验证集上前向滚动预测。4.根据权利要求1所述的超短期风电场功率预测方法，其特征在于，步骤S5中，构建ARIMA误差修正模型的具体方法是：获取LSTM模型预测集与验证集的误差序列，基于AIC最小准则得到最合适的ARIMA模型参数对(p,d,q)，构建ARIMA误差修正模型。5.根据权利要求1所述的超短期风电场功率预测方法，其特征在于，步骤S6中，构建LSTM
‑
ARIMA组合预测模型，将功率
‑
时间序列再次划分训练集、验证集，基于LSTM预测结果与ARIMA误差修正结果，相加并反归一化处理获得组合预测模型最终预测结果。6.一种超短期风电场功率预测系统，其特征在于，...

【专利技术属性】
技术研发人员：乐可定，刘东，郁冶，王异成，汪明军，何嘉桦，王强，罗坤，樊建人，
申请(专利权)人：杭州意能电力技术有限公司浙江大学，
类型：发明
国别省市：