CN108711847A - 一种基于编码解码长短期记忆网络的短期风电功率预测方法 - Google Patents
一种基于编码解码长短期记忆网络的短期风电功率预测方法 Download PDFInfo
- Publication number
- CN108711847A CN108711847A CN201810425979.5A CN201810425979A CN108711847A CN 108711847 A CN108711847 A CN 108711847A CN 201810425979 A CN201810425979 A CN 201810425979A CN 108711847 A CN108711847 A CN 108711847A
- Authority
- CN
- China
- Prior art keywords
- wind power
- forecast
- input
- lstm
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000007787 long-term memory Effects 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims description 7
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013213 extrapolation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H02J3/383—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于编码解码长短期记忆网络的短期风电功率预测方法,首先,使用基于E‑D的LSTM网络对功率进行AE处理,提取训练后的网络中间状态作为WP数据中时序关系的抽象表示;其次,合并前步中提取的网络中间状态与预测期的天气数据,将其输入到新的LSTM网络中,完成对风电功率的预测。与没使用AE预处理的多层LSTM网络方法相比,该方法通过利用AE过程中提取的WP时序关系信息降低了模型的错定(model misspecification)风险,提高了泛化能力,同时将时序特征与天气预测信息进行结合进一步提高了预测精度。
Description
技术领域
本发明涉及风电功率预测算法技术领域,尤其是一种基于编码解码长短期记忆网络的短期风电功率预测方法。
背景技术
风能是清洁、可再生能源中的一种重要资源,但由于风能的间歇性、随机性等特点导致了WP的不确定性和弱可控性。这给电网安全稳定运行带来了隐患和挑战。准确的WPP能够缓解电网调频、调峰压力,对于大规模风电并网和运行管理具有十分重要的意义。
目前,针对风电功率预测的方法按照时间周期进行划分,主要有:以年度为单位的长期预测法;以月、周为单位的中期预测法;以日、小时为单位的短期预测法和以分钟为单位的超短期预测法。针对预测模型的不同,主要有物理预测方法和统计预测方法2大类。其中,物理预测方法主要使用了数值天气预报模型(numerical weather prediction,NWP)提供的风速、风向、气压、气温等气象要素,结合风电场周围的地貌、地形信息,对局部风速进行估计,进而给出风电功率预测。但WPP的误差会受到NWP误差的影响而被放大,同时NWP的预测周期较长,因此物理预测方法无法用于超短期预测。统计预测方法主要有自回归移动平均法(auto-regression moving average,ARMA)、指数平滑法(exponential smoothing,EM)、卡尔曼滤波法(Kalman filter)等时序外推方法,以及以机器学习、神经网络为主要特征的支持向量机(support vector machine,SVM)法、人工神经网络(artificial neuralnetwork,ANN)法等。其中:外推方法对数据的随机分布特征具有比较严格的假设;SVM的核函数选择存在随意性,且样本数据量的增加以及输入数据维度的增大会导致较高的计算复杂度;浅层ANN虽然能够比较好地拟合样本数据,但存在过拟合、泛化能力差的缺点。
发明内容
本发明的目的是提供一种基于编码解码长短期记忆网络的短期风电功率预测方法,通过利用在自编码过程中提取的数据时序表达从而降低了错定风险提高了泛化能力,同时将时序特征与天气预测信息进行结合进一步提高了预测精度。
为实现上述目的,本发明采用下述技术方案:
一种基于编码解码长短期记忆网络的短期风电功率预测方法,包括以下步骤:
S1、使用基于E-D的LSTM网络对风电功率进行AE处理,提取训练后的网络中间状态;
S2、将提取的网络中间状态与预测期的天气数据进行合并形成新LSTM预测模型输入值,输出预测期风电功率。
进一步地,所述将提取的网络中间状态与预测期的天气数据进行合并形成新LSTM预测模型输入值步骤之前,还包括输入数据标准化步骤:
将风电功率及天气数据中的风速、气温、气压、轮毂高度处空气密度数值标准化为区间[-0.8,0.8],公式如下:
将轮毂高度处风向变量标准化公式如下:
进一步地,所述步骤S1中基于E-D的LSTM网络对风电功率进行AE处理,具体步骤如下:
S11、将输入风电功率数据序列输入LSTM网络,编码器学习后输出中间状态,解码器将中间状态解码成输出风电功率,所述输出风电功率数据序列与输入风电功率数据序列顺序相反;
S12、将步骤S11在训练初期维持高学习率进行训练,训练至500轮以后采用指数下降法实现学习率衰减,总体训练1500轮;
S13、提取步骤S12训练完毕的LSTM网络中间层状态。
进一步地,所述编码器涉及到的超参数定义如下:
输入层时间步数设置为480,即按照15min一个数据点来计算的前5天历史风电功率数据;输入变量为风电功率,输入维数为1;隐藏层数目为1层LSTM;隐藏层维度为32;输出变量为风电功率,输出维数为1。
进一步地,步骤S2中,将提取的网络中间状态与预测期的天气数据进行合并形成新LSTM预测模型输入值,输出预测期风电功率,具体步骤如下:
S21、将历史天气数据输入到AE处理提取的中间状态后得到嵌入层,将该嵌入层与预测期的天气数据进行合并形成新LSTM网络输入值,输出值为预测其风电功率;
S22、将输入值和输出值输入到新LSTM网络进行训练,在训练初期维持高学习率进行训练,训练至500轮以后采用指数下降法实现学习率衰减,总体训练1500轮;
S23、将标准化处理后的历史风电功率数据输入到步骤S22中训练完成后的编码器中得到中间状态,将中间状态与标准化处理后的预测期天气数据进行合并,形成预测模型的输入值;
S24、将步骤S23形成的输入值输入到训练完成的新LSTM预测模型中,输出预测期风电功率。
进一步地,步骤S24的输出预测期风电功率之后,还包括:
将输出的预测期风电功率按照下式进行反归一化处理,
进一步地,所述新LSTM网络涉及到的超参数如下:
输入层的时间步数设置为480,即按照15min一个数据点来计算的前5天历史数据;输入变量为AE中提取的中间层和预测期5维气象变量的37维向量,包括嵌入层的32维以及风速、气温、气压、轮毂高度处空气密度和轮毂高度处风向;隐藏层数目为3层LSTM;隐藏层维度为128维、64维、32维;输出变量为预测期风电功率,输出维数为1。
本发明的有益效果是,
本发明使用基于E-D的LSTM网络对WP进行AE处理,能够有效挖掘数据的时序关系,降低模型的错定风险;以AE过程中提取的网络中间状态作为嵌入层与预测期的天气数据合并输入到新的LSTM网络中,将使模型在已知WP时序关系的基础上纳入新的外部变化因素,从而对突变更加敏感。与没使用AE预处理的多层LSTM网络方法相比,该方法通过利用AE过程中提取的WP时序关系信息降低了模型的错定(model misspecification)风险,提高了泛化能力,同时将时序特征与天气预测信息进行结合进一步提高了预测精度。
附图说明
图1是LSTM单元结构示意图;
图2是编码解码的LSTM结构示意图;
图3是基于E-D的LSTM网络结构WPP预测模型;
图4是预测区间为未来九小时的预测结果对比图;
图5是预测区间为未来九小时的误差分布图。
具体实施方式
如图1所示,LSTM是门控制循环神经网络的一种,其通过引入记忆神经元(它的主要特征是设置了输入门、遗忘门和输出门三个判断条件)缓解了数据时序长度过长时反向传播中的梯度消失问题。其中:输入门(input gate)表示允许信息加入到记忆单元中的比例;遗忘门(forget gate)表示保留当前状态节点中存储的历史信息的比例;输出门(output gate)表示将当前状态节点的信息作为输出的比例。因此,LSTM能够对时间序列数据进行有效挖掘。控制门的表达式如下所示:
it=σsig(Wict-1+Uixt+bi) (1)
ftσsig(Wfct-1+Ufxt+bf) (2)
Ot=σsig(Woct-1+Uoxt+bo) (3)
状态节点的表达式为:
ht==ot⊙φtanh(ct) (6)
这里,⊙代表逐元素乘积(element-wise product);Wi、Wf、Wo和Wc分别表示连接中间状态St-1的权重矩阵;Ui、Uf、Uo和Uc分别表示连接输入值的权重矩阵;bi、bf、bo和bc分别表示常量;σsig表示三个门的Sigmoid激活函数,φtanh表示tanh激活函数。
如图2所示,在E-D结构的LSTM网络中,编码器学习输入时间序列的固定长度向量表示,输出中间状态c;解码器使用该向量表示和前一时间步骤预测的值来重建时间序列。
给定输入序列 是编码器在第t步的中间状态,其中,m为编码器的神经元个数。编码器学习完所有nx个输入序列后,用解码器把编码器学习到的中间状态解码成预测目标序列
令fW(X)代表拟建立的WPP模型,W是所有估计参数的集合,给定输入x*和真实输出y*,有:y*=fW(x*)+∈ (7)
得到的预测值方差由两部分组成:
Var(y*|x*)=Var(fW)+Var(∈) (8)
其中,(1)Var(fW)表示模型由于随机采样而产生的波动性,(2)Var(∈)表示代表数据生成过程中的误差。考虑到协方差转移(covariance shift)的影响,因此,∈可以被进一步分解为由于协方差转移而产生的模型错定误差和数据生成过程中的内在噪音(inherent noise)。
如图3所示,基于E-D的LSTM网络通过对训练数据的编码提取和解码重构处理能够挖掘时序数据内部的模式改变,从而降低模型的错定误差。在WPP的过程中,首先使用基于E-D的LSTM网络对WP数据进行AE处理,提取编码器的固定长度中间状态作为对WP时序关系的抽象表示。为了提高训练的效率,在保证输入值和目标值一致的同时,目标值的顺序与输入值的顺序完全相反,即:输入值为目标值为
AE过程的目的是:(1)固定长度的中间状态能够对数据的时序关系进行抽象表示;(2)数据序列中的时序关系能够被有效提取。这里使用了1层LSTM作为模型的中间层,神经元数量为32。
自编码器中涉及到5个超参数,即输入层时间步数、输入层维数、隐藏层的数目、每个隐藏层维数以及输出变量维数。其中:输入层的时间步数设置为480,即前5天的历史数据,按照15min一个数据点来计算(480=5*24*60/15);输入为WP,维数为1;隐藏层数目为1层LSTM;隐藏层维度为32;输出变量也为WP,维数为1。
AE处理的具体步骤如下:
(1)确定输入、输出值均为同一风功率变量,其中:输出变量的顺序与输入变量的顺序相反。
(2)将训练集的输入值和输出值输入到基于自编码器网络中进行训练,在训练初期采用较高的学习率维持不变以提高训练效率,训练至500轮以后采用指数下降法实现学习率衰减;总体训练1500轮。
(3)将训练完毕的LSTM中间状态,即式(5)提取出来作为中间层输入到下一步的预测模型中。
把历史天气数据输入到AE过程中提取的中间状态后得到嵌入层,将该嵌入层与预测日的天气值进行合并形成新的LSTM预测模型输入值,即:嵌入层作为原始输入数据的一个独立维度而取代了WP。这里隐含的思路是,气象规律的改变是WP时序规律发生变化的主要原因。当气象规律不发生新的变化时,WP的历史时序信息已经被先前AE过程中的中间状态提取出来而存放于固定长度的向量中了;如果气象规律出现了新变化,那么这些变化就要与WP的历史规律组合在一起被综合考虑。
这里使用一个新的3层LSTM网络作为预测模型,其中:输入数据的维度为37(包括嵌入层的32维以及风速、气温、气压、轮毂高度处空气密度和风向);LSTM神经元的数量为变为128、64、32;;时间步长的设置应与AE中训练的时间步长保持一致。
预测模型中涉及到5个超参数,即输入层时间步数、输入层维数、隐藏层的数目、每个隐藏层维数以及输出变量维数。其中:输入层的时间步数与前步中的自编码器设置相同;输入为AE中提取的中间层和预测期5维气象变量,具体为37(包括嵌入层的32维以及风速、气温、气压、轮毂高度处空气密度和风向);隐藏层数目为3层LSTM;隐藏层维度为128、64、32;输出变量为预测期WP,维数为1。这里,输出层使用了tanh激活函数。
预测模型步骤:
1、模型训练
(1)确定输入值为AE步中的提取出的中间状态与预测期天气数据的37维组合数据,输出值为预测期风功率变量。
(2)将训练集的输入值和输出值输入到预测模型中进行训练,在训练初期采用较高的学习率维持不变以提高训练效率,训练至500轮以后采用指数下降法实现学习率衰减;总体训练1500轮。
2、模型预测
(1)将经过归一化的历史风电功率数据输入到训练完毕的自编码器中得出中间状态,同时将该中间状态与归一化后的预测期天气数据进行合并,形成预测模型的输入值。
(2)将输入值输入到训练完成的预测模型中,得出归一化后的输出值,即归一化后的预测期WP。
(3)对WP进行反归一化,完成最终预测。
由于输入数据的不同维度之间存在量纲差异,因此使用Min-max方法对输入数据进行标准化。考虑到LSTM网络中输出层选取tanh激活函数,其有效区间为[-1,1]。因此,为防止数据数值过大或过小而发生神经元饱和的问题,将WP、风速、气温、气压、轮毂高度的空气密度标准化为[-0.8,0.8],表达式如下所示:
将轮毂高度处风向变量标准化公式如下:
最后,对归一化后的数据进行训练和预测后的输出结果都要进行反归一化过程,使数据恢复到原来的量纲,公式如下:
方法应用于山西省某风电场数据进行训练和测试,数据取值范围为2016年1月1日至5月31日,风电场装机容量为50MW,所选取的数据包括WP、风速、气温、气压、轮毂高度处空气密度、风向,数据间隔为15min,共计14496个时间断面数据。
使用步长为1的滑动窗口构建数据样本,其中每个滑动窗口包含前5天的输入作为历史数据,预测期分别为未来3、6、9、12小时。按照50%、30%、20%的比例对整体数据集进行划分成训练集、验证集和测试集。训练过程中,使用附带动量的随机梯度下降法(stochastic gradient descent with momentum,SGDM)对模型的参数进行优化。误差函数使用均方根误差(root mean square error,RMSE)作为衡量预测水平的指标,公式如下:
其中:Cap表示风电场装机容量;为预测区间预测值,yi为预测区间目标值。在训练初期采用较高的学习率维持不变以提高训练效率,训练至500轮以后采用指数下降法实现学习率衰减;总体训练1500轮。此外,在训练过程中设置提前终止机制,当验证集误差在5次迭代以上后出现上升时,训练终止。
为与基于E-D的LSTM方法效果进行对比分析,选取非AE的LSTM方法作为对照组。其中:非AE的LSTM网络直接以历史WP和气象数据作为输入值进行预测,LSTM层数为3层。
对2个方法的预测表现进行了比较,如下所示:
表1 3-12小时预测误差对比表
Tab.1 RMSE for 3-12 hour ahead prediction%
表1给出了2个方法的RMSE值,可以发现:
(1)在所有的预测区间内基于E-D的LSTM方法预测误差分别为2.6%、5.2%、8.5%和11.8%,低于非AE的LSTM方法误差。这是因为基于E-D的LSTM网络通过AE过程提取了WP的历史时序关系,同时考虑了预测期内气象规律的新变化,如风速、温度的突变等。因此,基于E-D的LSTM方法所做的预测对于WP突变的反应更加灵敏,如图4所示,而非AE的LSTM方法预测曲线的变化则相对滞后。在误差的分布上,后者给出的预测结果误差分布更加分散,而前者给出误差分布更加集中,如图5所示。
(2)随着预测周期的增加,2种方法的预测误差都出现了不同程度地增加。但是基于E-D的LSTM方法的增加幅度最小,从3小时预测误差到12小时预测误差上升了9.2%,而非AE的LSTM方法预测误差上升了15.7%。特别是对于预测期较长的情况,比较6小时、9小时、12小时的误差变化,非AE的LSTM方法预测误差分别上升5.9%和5.8%,而基于E-D的LSTM方法预测误差仅上升了3.3%和2.7%。这主要是因为,基于E-D的LSTM方法通过AE过程实现了中间状态提取,对WP时序信息进行有效挖掘,降低了模型的错定风险。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (7)
1.一种基于编码解码长短期记忆网络的短期风电功率预测方法,其特征是,包括以下步骤:
S1、使用基于E-D的LSTM网络对风电功率进行AE处理,提取训练后的网络中间状态;
S2、将提取的网络中间状态与预测期的天气数据进行合并形成新LSTM预测模型输入值,输出预测期风电功率。
2.如权利要求1所述的一种基于编码解码长短期记忆网络的短期风电功率预测方法,其特征是,所述将提取的网络中间状态与预测期的天气数据进行合并形成新LSTM预测模型输入值步骤之前,还包括输入数据标准化步骤:
将风电功率及天气数据中的风速、气温、气压、轮毂高度处空气密度数值标准化为区间[-0.8,0.8],公式如下:
将轮毂高度处风向变量标准化公式如下:
3.如权利要求2所述的一种基于编码解码长短期记忆网络的短期风电功率预测方法,其特征是,所述步骤S1中基于E-D的LSTM网络对风电功率进行AE处理,具体步骤如下:
S11、将输入风电功率数据序列输入LSTM网络,编码器学习后输出中间状态,解码器将中间状态解码成输出风电功率,所述输出风电功率数据序列与输入风电功率数据序列顺序相反;
S12、将步骤S11在训练初期维持高学习率进行训练,训练至500轮以后采用指数下降法实现学习率衰减,总体训练1500轮;
S13、提取步骤S12训练完毕的LSTM网络中间层状态。
4.如权利要求3所述的一种基于编码解码长短期记忆网络的短期风电功率预测方法,其特征是,所述编码器涉及到的超参数定义如下:
输入层时间步数设置为480,即按照15min一个数据点来计算的前5天历史风电功率数据;输入变量为风电功率,输入维数为1;隐藏层数目为1层LSTM;隐藏层维度为32;输出变量为风电功率,输出维数为1。
5.如权利要求2所述的一种基于编码解码长短期记忆网络的短期风电功率预测方法,其特征是,步骤S2中,将提取的网络中间状态与预测期的天气数据进行合并形成新LSTM预测模型输入值,输出预测期风电功率,具体步骤如下:
S21、将历史天气数据输入到AE处理提取的中间状态后得到嵌入层,将该嵌入层与预测期的天气数据进行合并形成新LSTM网络输入值,输出值为预测其风电功率;
S22、将输入值和输出值输入到新LSTM网络进行训练,在训练初期维持高学习率进行训练,训练至500轮以后采用指数下降法实现学习率衰减,总体训练1500轮;
S23、将标准化处理后的历史风电功率数据输入到步骤S22中训练完成后的编码器中得到中间状态,将中间状态与标准化处理后的预测期天气数据进行合并,形成预测模型的输入值;
S24、将步骤S23形成的输入值输入到训练完成的新LSTM预测模型中,输出预测期风电功率。
6.如权利要求5所述的一种基于编码解码长短期记忆网络的短期风电功率预测方法,其特征是,步骤S24的输出预测期风电功率之后,还包括:
将输出的预测期风电功率按照下式进行反归一化处理,
7.如权利要求6所述的一种基于编码解码长短期记忆网络的短期风电功率预测方法,其特征是,所述新LSTM网络涉及到的超参数如下:
输入层的时间步数设置为480,即按照15min一个数据点来计算的前5天历史数据;输入变量为AE中提取的中间层和预测期5维气象变量的37维向量,包括嵌入层的32维以及风速、气温、气压、轮毂高度处空气密度和轮毂高度处风向;隐藏层数目为3层LSTM;隐藏层维度为128维、64维、32维;输出变量为预测期风电功率,输出维数为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810425979.5A CN108711847B (zh) | 2018-05-07 | 2018-05-07 | 一种基于编码解码长短期记忆网络的短期风电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810425979.5A CN108711847B (zh) | 2018-05-07 | 2018-05-07 | 一种基于编码解码长短期记忆网络的短期风电功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108711847A true CN108711847A (zh) | 2018-10-26 |
CN108711847B CN108711847B (zh) | 2019-06-04 |
Family
ID=63868865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810425979.5A Active CN108711847B (zh) | 2018-05-07 | 2018-05-07 | 一种基于编码解码长短期记忆网络的短期风电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108711847B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063939A (zh) * | 2018-11-01 | 2018-12-21 | 华中科技大学 | 一种基于邻域门长短期记忆网络的风速预测方法及系统 |
CN109740742A (zh) * | 2019-01-14 | 2019-05-10 | 哈尔滨工程大学 | 一种基于lstm神经网络的目标跟踪方法 |
CN109784473A (zh) * | 2018-12-13 | 2019-05-21 | 天津大学 | 一种基于双时序特征学习的短期风功率预测方法 |
CN109992611A (zh) * | 2019-04-08 | 2019-07-09 | 福州大学 | 基于去趋势分析和门控循环网络的风电厂风速预测方法 |
CN110288136A (zh) * | 2019-06-11 | 2019-09-27 | 上海电力学院 | 风电功率多步预测模型建立方法 |
CN110443725A (zh) * | 2019-08-14 | 2019-11-12 | 国网甘肃省电力公司信息通信公司 | 基于cnn+lstm的风电功率预测模型 |
CN111160620A (zh) * | 2019-12-06 | 2020-05-15 | 江苏方天电力技术有限公司 | 一种基于端到端记忆网络的短期风电功率预测方法 |
CN111191856A (zh) * | 2020-02-17 | 2020-05-22 | 天津大学 | 计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法 |
CN111917134A (zh) * | 2020-08-18 | 2020-11-10 | 山东科技大学 | 一种基于数据驱动的配电网动态自主重构方法及系统 |
CN112861992A (zh) * | 2021-03-09 | 2021-05-28 | 三峡大学 | 基于独立稀疏堆叠自编码器的风电场超短期功率预测方法 |
CN113515852A (zh) * | 2021-06-07 | 2021-10-19 | 河北工业大学 | 可持续学习风机出力预测方法、系统、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105159890A (zh) * | 2014-06-06 | 2015-12-16 | 谷歌公司 | 使用神经网络产生输入序列的表示 |
CN106022527A (zh) * | 2016-05-27 | 2016-10-12 | 河南明晰信息科技有限公司 | 基于地图瓦片和lstm循环神经网络的轨迹预测方法和装置 |
CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
CN107818306A (zh) * | 2017-10-31 | 2018-03-20 | 天津大学 | 一种基于注意力模型的视频问答方法 |
CN107977709A (zh) * | 2017-04-01 | 2018-05-01 | 北京昆仑医云科技有限公司 | 预测血管树血管路径上的血流特征的深度学习模型和系统 |
-
2018
- 2018-05-07 CN CN201810425979.5A patent/CN108711847B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105159890A (zh) * | 2014-06-06 | 2015-12-16 | 谷歌公司 | 使用神经网络产生输入序列的表示 |
CN106022527A (zh) * | 2016-05-27 | 2016-10-12 | 河南明晰信息科技有限公司 | 基于地图瓦片和lstm循环神经网络的轨迹预测方法和装置 |
CN107977709A (zh) * | 2017-04-01 | 2018-05-01 | 北京昆仑医云科技有限公司 | 预测血管树血管路径上的血流特征的深度学习模型和系统 |
CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
CN107818306A (zh) * | 2017-10-31 | 2018-03-20 | 天津大学 | 一种基于注意力模型的视频问答方法 |
Non-Patent Citations (1)
Title |
---|
朱乔木等: "基于长短期记忆网络的风电场发电功率超短期预测", 《电网技术》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063939A (zh) * | 2018-11-01 | 2018-12-21 | 华中科技大学 | 一种基于邻域门长短期记忆网络的风速预测方法及系统 |
CN109784473A (zh) * | 2018-12-13 | 2019-05-21 | 天津大学 | 一种基于双时序特征学习的短期风功率预测方法 |
CN109740742A (zh) * | 2019-01-14 | 2019-05-10 | 哈尔滨工程大学 | 一种基于lstm神经网络的目标跟踪方法 |
CN109992611A (zh) * | 2019-04-08 | 2019-07-09 | 福州大学 | 基于去趋势分析和门控循环网络的风电厂风速预测方法 |
CN110288136B (zh) * | 2019-06-11 | 2023-04-25 | 上海电力学院 | 风电功率多步预测模型建立方法 |
CN110288136A (zh) * | 2019-06-11 | 2019-09-27 | 上海电力学院 | 风电功率多步预测模型建立方法 |
CN110443725A (zh) * | 2019-08-14 | 2019-11-12 | 国网甘肃省电力公司信息通信公司 | 基于cnn+lstm的风电功率预测模型 |
CN111160620A (zh) * | 2019-12-06 | 2020-05-15 | 江苏方天电力技术有限公司 | 一种基于端到端记忆网络的短期风电功率预测方法 |
CN111160620B (zh) * | 2019-12-06 | 2022-06-17 | 江苏方天电力技术有限公司 | 一种基于端到端记忆网络的短期风电功率预测方法 |
CN111191856A (zh) * | 2020-02-17 | 2020-05-22 | 天津大学 | 计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法 |
CN111191856B (zh) * | 2020-02-17 | 2023-12-08 | 天津大学 | 计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法 |
CN111917134A (zh) * | 2020-08-18 | 2020-11-10 | 山东科技大学 | 一种基于数据驱动的配电网动态自主重构方法及系统 |
CN111917134B (zh) * | 2020-08-18 | 2022-05-24 | 山东科技大学 | 一种基于数据驱动的配电网动态自主重构方法及系统 |
CN112861992A (zh) * | 2021-03-09 | 2021-05-28 | 三峡大学 | 基于独立稀疏堆叠自编码器的风电场超短期功率预测方法 |
CN113515852A (zh) * | 2021-06-07 | 2021-10-19 | 河北工业大学 | 可持续学习风机出力预测方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108711847B (zh) | 2019-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108711847B (zh) | 一种基于编码解码长短期记忆网络的短期风电功率预测方法 | |
CN112949945B (zh) | 一种改进双向长短期记忆网络的风电功率超短期预测方法 | |
Li et al. | Hydraulic turbine governing system identification using T–S fuzzy model optimized by chaotic gravitational search algorithm | |
CN107622329A (zh) | 基于多时间尺度长短时记忆神经网络的电力负荷预测方法 | |
CN108022001A (zh) | 基于pca和分位数回归森林的短期负荷概率密度预测方法 | |
CN109146162B (zh) | 一种基于集成循环神经网络的概率风速预测方法 | |
CN106960252A (zh) | 基于长短时记忆神经网络的电力负荷预测方法 | |
CN108985515B (zh) | 一种基于独立循环神经网络的新能源出力预测方法及系统 | |
CN108197751A (zh) | 基于多层Bi-GRU的Seq2seq网络短期电力负荷预测方法 | |
CN106022549A (zh) | 基于神经网络和思维演化搜索的短期负荷预测方法 | |
CN103117546A (zh) | 一种超短期风电功率滑动预测方法 | |
CN111160659B (zh) | 一种考虑温度模糊化的电力负荷预测方法 | |
CN112116130B (zh) | 一种基于可变结构深度学习框架的短期调度规则提取方法 | |
CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN109255726A (zh) | 一种混合智能技术的超短期风功率预测方法 | |
Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
Zhang et al. | Solar radiation intensity probabilistic forecasting based on K-means time series clustering and Gaussian process regression | |
Massaoudi et al. | Performance evaluation of deep recurrent neural networks architectures: Application to PV power forecasting | |
CN114021836B (zh) | 基于不同角度融合的多变量水库入水量预测系统、训练方法及应用 | |
CN105809349A (zh) | 一种考虑来水相关性梯级水电站群的调度方法 | |
CN115622047A (zh) | 基于Transformer模型的电力变压器负荷预测方法 | |
CN105846425A (zh) | 一种基于通用风电预测误差模型的经济调度方法 | |
CN115829126A (zh) | 基于多视角自适应特征融合的光伏发电功率预测方法 | |
Teferra et al. | Fuzzy-based prediction of solar PV and wind power generation for microgrid modeling using particle swarm optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |