一种基于PSO-CNN-BILSTM的短期风电功率预测方法技术

本发明专利技术公开了一种基于PSO

【技术实现步骤摘要】
一种基于PSO
‑
CNN
‑
BILSTM的短期风电功率预测方法


[0001]本专利技术涉及短期风电功率预测方法，具体是一种基于PSO
‑
CNN
‑
BILSTM的短期风电功率预测方法，涉及短期风电功率预测的


技术介绍

[0002]风电是一种利用风能转换为电能的可再生能源，其在全球范围内得到了广泛应用；然而，由于风速的不确定性和波动性，风电场的输出功率也表现出较大的变化，这给电力系统的调度和运行管理带来了挑战；为了确保电力系统的稳定运行和可靠性，准确预测短期风电功率变化至关重要。
[0003]当前已有许多短期风电功率预测方法，包括基于统计模型、机器学习和人工智能等技术；其中，基于统计模型的方法(如时间序列分析、回归模型等)通过分析历史功率数据的统计特性来进行预测，但这些方法通常忽略了风速和其他环境因素对风电功率的影响，预测精度有限。
[0004]近年来，机器学习和人工智能方法在短期风电功率预测中得到广泛应用；例如，支持向量机(Support Vector Machine，SVM)、人工神经网络(Artificial Neural Network，ANN)和深度学习方法(如卷积神经网络、长短期记忆网络等)被用于提高预测精度；这些方法可以从历史功率数据中学习复杂的非线性关系和时序特征，但仍存在一些挑战。
[0005]其中一个主要挑战是时空特征的提取；风电功率数据具有时空关联性，包括时序特性和空间分布特性；传统的机器学习方法通常需要手工设计特征，但很难充分捕捉到复杂的时空特征；这导致预测模型的表示能力受限，预测精度不高。
[0006]另一个挑战是模型参数的选择和优化；许多机器学习方法和深度学习模型都有一些超参数需要调整，如神经网络的层数、节点数等；传统的参数优化方法往往依赖于经验和手动调整，效率较低且易陷入局部最优。
[0007]因此，需要一种综合考虑时空特征提取和模型参数优化的短期风电功率预测方法，以提高预测精度和可靠性。

技术实现思路

[0008]专利技术目的：提供一种基于PSO
‑
CNN
‑
BILSTM的短期风电功率预测方法，以解决现有技术存在的上述问题。
[0009]技术方案：一种基于PSO
‑
CNN
‑
BILSTM的短期风电功率预测方法，包括：
[0010]S1：风速数据预处理：从风电场采集的历史功率数据中提取相关特征，并对数据进行归一化处理，便于后续模型训练和预测分析；
[0011]S2：卷积神经网络特征提取：卷积神经网络对预处理数据进行时空特征提取；
[0012]卷积神经网络通过一系列的卷积层和池化层，自动提取数据中的重要特征，并捕捉到数据的空间关联性，从而提供更具有代表性的输入特征；
[0013]卷积层通过滑动窗口的方式提取局部特征，并通过卷积运算捕捉特征的空间关联
性；
[0014]池化层则对特征进行下采样，减少数据维度和参数量，同时保留重要特征；
[0015]S3：双向长短期记忆网络建模：在完成卷积神经网络特征提取后的时空特征输入至双向长短期记忆网络中，使用双向长短期记忆网络用于时序建模，其能够有效捕捉风电功率数据的时序关系和长期依赖，通过前向和反向循环神经网络结构实现全局序列建模、且能保留历史信息，以更好预测未来风电功率；
[0016]S4：粒子群优化算法：利用粒子群优化卷积神经网络和双向长短期记忆网络模型中的超参数和权重，获得更好的模型拟合能力和泛化性能；
[0017]粒子群优化算法通过模拟粒子在搜索空间中的迁移和信息共享，寻找最优解；
[0018]S5：短期风电功率预测，将经过特征提取和建模的数据输入到模型中，通过前向传播得到短期风电功率的预测结果。
[0019]在进一步的实施例中，其中风速步骤预处理还包括如下步骤：
[0020]S11：先从风电场采集的历史功率数据中加载数据集文件，该数据集文件包含了连续时间序列的功率数据，其中每个时间点对应一个功率值；
[0021]S12：然后对于加载的历史功率数据进行均值、标准差和最大功率的计算；
[0022]其中，均值是通过对所有功率值进行求和，然后除以数据点的总数；
[0023]标准差是描述数据分散程度的指标，衡量了数据点相对于均值的偏离程度；
[0024]最大功率表示历史数据中的最高功率值；
[0025]S13：然后再对功率数据进行归一化处理；
[0026]通过使用均值和标准差进行数据的标准化；进而将数据转换为具有零均值和单位方差的数据，使得不同尺度的数据可以进行比较和处理；
[0027]S14：将归一化后的数据集划分为训练集和测试集，以供后续的模型训练和评估使用；其中采用80％的数据作为训练集，剩余20％的数据作为测试集。
[0028]在进一步的实施例中，其中卷积神经网络特征提取方法包括如下步骤：
[0029]S21：首先输入层接收经过归一化处理的功率数据，表示为X；然后卷积层通过滑动窗口的方式提取局部特征，并利用卷积核的权重进行特征加权，此时第l层的卷积核权重为W
l
，偏置为b
l
，激活函数为ReLU，卷积操作可以表示为：
[0030]Z
l
＝W
l
*X+b
l
[0031]A
l
＝ReLU(Z
l
)
[0032]其中，Z
l
表示第l层卷积的线性加权和，A
l
表示经过激活函数ReLU处理后的卷积特征图；
[0033]同时可以添加多个卷积层，每个层可以有不同的卷积核数量和大小，以捕捉不同尺度和种类的特征，将经过卷积层的输出将传递到下一个池化层；
[0034]S22：然后通过对池化层进行最大池化的操作，选择每个池化窗口中的最大值作为池化后的值，池化窗口大小为k，池化操作可以表示为：
[0035]P
l
＝max
pooling
(A
l
,k)
[0036]其中，P
l
表示第l层的池化结果，max
pooling
()表示最大池化函数；A
l
表示第l层的卷积结果，k表示池化窗口的大小；
[0037]同时还可以添加多个池化层进一步减小数据尺寸；
[0038]S23：最后，得到的池化结果即为卷积神经网络对数据的时空特征表示，表示为F，可用于后续的模型训练和预测分析。
[0039]在进一步的实施例中，所述双向长短期记忆网络建模包括如下步骤：
[0040]S31：首先，将卷积神经网络提取的时空特征被输入到双向长短期记忆网络中，双向长短期记忆网络通过遗忘门、输入门和输出门的控制，能够保留并利用历本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PSO
‑
CNN
‑
BILSTM的短期风电功率预测方法，其特征是，包括如下步骤：S1：风速数据预处理：从风电场采集的历史功率数据中提取相关特征，并对数据进行归一化处理，便于后续模型训练和预测分析；S2：卷积神经网络特征提取：卷积神经网络对预处理数据进行时空特征提取；卷积神经网络通过一系列的卷积层和池化层，自动提取数据中的重要特征，并捕捉到数据的空间关联性，从而提供更具有代表性的输入特征；卷积层通过滑动窗口的方式提取局部特征，并通过卷积运算捕捉特征的空间关联性；池化层则对特征进行下采样，减少数据维度和参数量，同时保留重要特征；S3：双向长短期记忆网络建模：在完成卷积神经网络特征提取后的时空特征输入至双向长短期记忆网络中，使用双向长短期记忆网络用于时序建模，其能够有效捕捉风电功率数据的时序关系和长期依赖，通过前向和反向循环神经网络结构实现全局序列建模、且能保留历史信息，以更好预测未来风电功率；S4：粒子群优化算法：利用粒子群优化卷积神经网络和双向长短期记忆网络模型中的超参数和权重，获得更好的模型拟合能力和泛化性能；粒子群优化算法通过模拟粒子在搜索空间中的迁移和信息共享，寻找最优解；S5：短期风电功率预测，将经过特征提取和建模的数据输入到模型中，通过前向传播得到短期风电功率的预测结果。2.根据权利要求1所述的一种基于PSO
‑
CNN
‑
BILSTM的短期风电功率预测方法，其特征是，其中风速步骤预处理还包括如下步骤：S11：先从风电场采集的历史功率数据中加载数据集文件，该数据集文件包含了连续时间序列的功率数据，其中每个时间点对应一个功率值；S12：然后对于加载的历史功率数据进行均值、标准差和最大功率的计算；其中，均值是通过对所有功率值进行求和，然后除以数据点的总数；标准差是描述数据分散程度的指标，衡量了数据点相对于均值的偏离程度；最大功率表示历史数据中的最高功率值；S13：然后再对功率数据进行归一化处理；通过使用均值和标准差进行数据的标准化；进而将数据转换为具有零均值和单位方差的数据，使得不同尺度的数据可以进行比较和处理；S14：将归一化后的数据集划分为训练集和测试集，以供后续的模型训练和评估使用；其中采用80％的数据作为训练集，剩余20％的数据作为测试集。3.根据权利要求1所述的一种基于PSO
‑
CNN
‑
BILSTM的短期风电功率预测方法，其特征是，其中卷积神经网络特征提取方法包括如下步骤：S21：首先输入层接收经过归一化处理的功率数据，表示为X；然后卷积层通过滑动窗口的方式提取局部特征，并利用卷积核的权重进行特征加权，此时第l层的卷积核权重为W
l
，偏置为b
l
，激活函数为ReLU，卷积操作可以表示为：Z
l
＝W
l
*X+b
l
A
l
＝ReLU(Z
l
)其中，Z
l
表示第l层卷积的线性加权和，A
l
表示经过激活函数ReLU处理后的卷积特征图；同时可以添加多个卷积层，每个层可以有不同的卷积核数量和大小，以捕捉不同尺度
和种类的特征，将经过卷积层的输出将传递到下一个池化层；S22：然后通过对池化层进行最大池化的操作，选择每个池化窗口中的最大值作为池化后的值，池化窗口大小为k，池化操作可以表示为：P
l
＝max
pooling
(A
l
,k)其中，P
l
表示第l层的池化结果，max
pooling
()表示最大池化函数；A
l
表示第l层的卷积结果，k表示池化窗口的大小；同时还可以添加多个池化层进一步减小数据尺寸；S23：最后，得到的池化结果即为卷积神经网络对数据的时空特征表示，表示为F，可用于后续的模型训练和预测分析。4.根据权利要求1所述的一种基于PSO
‑
CNN
‑
BILSTM的短期风电功率预测方法，其特征是，所述双向长短期记忆网络建模包括如下步骤：S31：首先，将卷积神经网络提取的时空特征被输入到双向长短期记忆网络中，双向长短期记忆网络通过遗忘门、输入门和输出门的控制，能够保留并利用历史时刻的信息，双向长短期记忆网络包括正向长短期记忆网络和反向长短期记忆网络；正向长短期记忆网络模型按照时间顺序依次处理输入序列，而反向长短期记忆网络模型则按照时间逆序处理输入序列；这样，双向长短期记忆网络能够同时考虑过去和未来的信息，更全面地理解序列数据的上下文；其中，正向长短期记忆网络公式为：P
f
＝LSTM
forward
(x
t
,h
t
‑
1f
,c
t
‑
1f
)式中：LSTM为长短期记忆网络，P
f
表示正向LSTM的输出结果，LSTM
forward
表示正向LSTM，h
t
‑
1f
表示正向LSTM的隐藏状态，c
t
‑
1f
表示正向LSTM的细胞状态，x
t
表示输入序列的特征向量；其中：式中，i
tf
,f
tf

【专利技术属性】
技术研发人员：李纯宇，郝思鹏，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：