CN109214575B - 一种基于小波长短期记忆网络的超短期风电功率预测方法 - Google Patents

Abstract

本发明公开了一种基于小波长短期记忆网络的超短期风电功率预测方法，根据历史数据生成输入变量，以所对应的风功率历史数据作为输出，得到训练样本；采用小波分析方法对训练样本进行三级小波分解，得到四个小波样本，利用长短期记忆网络模型对四个小波样本分别进行训练，得到训练后的小波长短期记忆网络预测模型；根据四个小波样本的待预测时刻的实际数据生成测试输入数据，并输入到预测模型，其输出即为待预测的时刻的超短期风电功率预测值。本发明将小波分析方法与长短期记忆深度网络结合，可以同时实现数据的平稳化处理与深度学习，提高了预测的精度，增强了模型的泛化能力。

Description

一种基于小波长短期记忆网络的超短期风电功率预测方法

技术领域

本发明属于新能源消纳技术领域，具体涉及一种超短期风电功率预测方法，对风电功率进行预测。

背景技术

如今化石能源的日益减少与人类对能源的需要逐渐增加已经成为了能源领域的主要矛盾，为解决能源问题，人类需要大力开发可再生能源，如清洁的风资源、太阳能资源等，但由于可再生资源具有的强随机性、间歇性以及波动性，至今可再生能源的弃风、弃光现象还很严重，可再生能源的预测研究成为了新能源消纳的关键技术之一。随着人工智能的时代到来，越来越多的领域成功将先进的智能算法引进。对于新能源预测研究，更加需要具有优势性的算法来支撑，深度学习技术已经被应用在图像处理、语音识别、自动驾驶等多个领域。风电功率预测分为超短期、短期、中期、长期风电预测，超短期为对未来四小时的风电功率进行预测，有利于调度部门能够及时对电网进行调控，维持电网的稳定与安全。

基于小波长短期记忆网络的超短期风电功率预测需要获得足够的风电功率数据，利用小波分析的技术实现对风电功率数据的平稳化处理，再利用长短期记忆网络LSTM能够很好的对时间序列建模的优点，建立超短期风电功率预测模型。

当前，对于超短期风电功率预测研究，主要分为统计学习方法，依据统计学的理论知识，对风电功率的时间序列建立统计学习模型，

目前，对于超短期风电功率的预测已经出现了很多方法，主要分为两大类：一是统计学习方法，利用风电场历史数据及周边风电场测量数据建立统计学习模型，其中统计学习方法包括时间序列分析法、人工神经网络、支持向量机等及其学习的方法；二是物理方法，根据数值天气预报的预测数据以及风电功率历史数据对风电建立一种混合物理输入模型。然而，实际操作时，如果选取的特征或者影响因素过多时，可能会导致预测的模型结构复杂化，训练效率降低，因此，选择合适的预测算法简化预测模型的结构，对于提高建模的效率和预测的精度有着十分重要的意义。

发明内容

发明目的：本发明针对现有技术中风电功率预测存在的缺陷，提供一种基于小波长短期记忆网络的超短期风电功率预测方法。

技术方案：一种基于小波长短期记忆网络的超短期风电功率预测方法，包括以下步骤：

1)、采集分析风电场历史数据，将当前时刻之前的20个风功率值x₁,x₂...,x₂₀作为输入向量，未来四小时时刻的风功率值y作为输出向量，构建训练样本集[x₁,x₂...,x₂₀，y]，样本数选取700个；

2)、采用Mallat算法对训练样本列向量进行三级小波分解，可以对风功率时间序列进行平稳化处理，并且重构小波系数得到四个小波训练样本集；

3)、对小波训练样本进行归一化处理，归一化的处理方式为将每一维的特征标准化为0均值单位标准差，并且选取模型训练集与验证集样本；

4)设置10层长短期记忆网络LSTM，网络的误差训练函数采用均方误差函数，目标优化器为adam函数，Dropout层设为0.5，输出层激活函数选用linear函数，网络迭代次数为2000，建立四个小波样本的长短期记忆网络LSTM深度网络预测模型，输入向量维数为20；

5)将四个小波样本验证集的输入带入长短期记忆网络LSTM深度网络预测模型，得到四个小波样本的预测值，将四个小波样本的预测值进行叠加得到整体样本最终的预测值。

有益效果：本发明将小波分析与深度学习网络相结合，既可以较好的对非平稳数据进行处理，实现对数据细微之处的观察分析，同时利用长短期记忆网络LSTM良好的时序建模能力，建立风电功率的时间序列模型，将深度学习技术应用于风电功率预测方法之上。实现了对非平稳风电功率时间序列良好的预测，提高了预测的精度同时使得算法的泛化能力得到增强。

附图说明

图1为本发明的基于长短期记忆网络的超短期风电功率预测方法的工作流程图。

图2为本发明的基于长短期记忆网络的超短期风电功率预测值与真实值仿真图。

图3为本发明的基于长短期记忆网络的超短期风电功率预测误差百分比仿真图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示，本发明的基于小波长短期记忆网络的超短期风电功率预测方法，包括以下步骤：

1)对风电功率数据进行分析研究，提取跟风电功率数据密切相关的特征，采集风电场的历史数据，得到训练样本集；其中，所提取的特征信息包括：当前时刻之前的20个风功率值x₁,x₂...,x₂₀作为输入向量，未来四小时时刻的风功率值y作为输出向量，每个风电功率值时间间隔为5分钟，构建训练样本集[x₁,x₂...,x₂₀，y]。

2)对训练样本集进行坏数据预处理之后，利用小波分析算法，对数据进行平稳化处理的具体步骤如下：首先利用Mallat算法对[x₁,x₂...,x₂₀，y]各列向量进行高频、低频两级分解，

式中：H为低通滤波器，G为高通滤波器，c_j为信号在分辨率2^-j下的低频分量，d_j为信号在分辨率2^-j下的高频分量，c₀为[x₁,x₂...,x₂₀，y]中的各列向量；并且对高低频信号进行重构，c_j＝H^*c_j+1+G^*d_j+1,j＝1,0，式中：H^*为H的对偶算子，G^*为G的对偶算子，对c₁、d₁各自做重构，得出重构的低频信号与高频信号，再将高频信号进行小波分解，依次共进行三次分解，从而得到四个小波训练样本集，最后将四个小波样本训练集数与验证集数分别划分为590与110，并且作归一化处理。

3)对长短期记忆网络LSTM进行初始化设置，根据模型确定输入层节点数为15、隐含长短期记忆网络LSTM层数设为10层，网络所采用的误差训练函数为均方误差函数，目标优化器为adam函数，Dropout层设为0.5，输出层激活函数选用linear函数，网络训练迭代次数为2000；

4)分别将四个小波样本集输入进网络，首先，在正向传递过程中，遗忘门层抛弃通过输入层的风电历史功率状态信息X_t，得到经遗忘门处理之后的风电历史功率状态信息f_t：f_t＝σ(W_f·[h_t-1,X_t]+b_f)，接着，根据当前时刻的风电历史功率状态信息X_t生成临时新的风电功率状态值

更新风电功率旧状态值C_t-1，将临时新的风电功率状态值

与遗忘之后的风电功率旧状态值C_t-1相加，得到新的风电功率状态值C_t：

i_t＝σ(W_i·[h_t-1,X_t]+b_i)，

最后，将通过sigmoid函数的输出信息与经过tanh函数转化的单元状态值相乘，得到最终的输出：o_t＝σ(W_o[h_t-1,X_t]+b_o)，h_t＝o_t*tanh(C_t)。

式中，f_t为经遗忘门处理之后的风电历史功率状态信息，σ为sigmoid函数，W_f为遗忘门连接的权重矩阵，h_t-1是隐含层上一个时间节点的输出，X_t是t时刻输入层的输出，即为风电历史功率状态信息；b_f是遗忘门的偏移值，i_t为t时刻输入门的输出，W_i为输入门连接的权重矩阵，b_i为输入门的偏移值，

为临时新的风电功率状态值，W_C为t时刻计算单元新状态的连接权重矩阵，b_C为t时刻计算单元新状态的偏移值，C_t-1为风电功率旧状态值，C_t为t时刻新的风电功率状态值，W_o为输出门的连接权重，b_o为输出门的偏移值，h_t为输出门的值。

5)根据模型拟合结果与实际值之间的误差函数的两个传播方向对网络进行反向训练，一是沿着时间进行反向传播，另一个是将误差向上一层单元进行传播，其中门限的激活函数全部设置为sigmoid函数，输出的激活函数设为tanh函数。通过反向训练，学习以下的8组参数，分别为遗忘门的权重矩阵W_f与偏置项b_f、输入门的权重矩阵W_i与偏置项b_i、输出门的权重矩阵W_o和偏置矩阵b_o以及计算单元状态的权重矩阵W_C与偏置项b_C。

6)利用已经学习好的长短期记忆网络LSTM模型对四个小波样本进行预测，直至将所有小波样本全部预测完成，得到最终的风电功率值为四个小波样本预测值的叠加。

至此，利用上述小波长短期记忆网络LSTM预测方法便可实现超短期风电功率的预测。

为了验证本发明方法的有效性，进行以下实验：选择中国西北某风电场与东北某风电场进仿真分析，该西北风电场每过15分钟采集一个风功率值，该东北风电场没过5分钟采集一个风功率值，选取两风电场某段时间内600个功率值作为样本，取当前时刻前四小时内风功率值作为预测模型的输入向量，取未来四小时时刻的值作为预测模型的输出向量，构建训练样本集，并划分模型训练集与验证集，以此建立风电功率超短期概率预测模型，实现对该两处风电场功率未来四小时的超短期概率预测。预测结果如下图2、3所示，并且将本发明的方法与现有的一些方法结果进行比较如表1所示。

结合表1中平均绝对百分比误差的指标与图2、图3中各仿真结果可以得出以下结论：

将单独的长短期记忆网络LSTM方法用于超短期风电功率预测的精度要比小波BP网络方法的精度高，将小波分析的方法与长短期记忆网络LSTM方法相结合起来用于风电功率预测的结果精度要高于单独的长短期记忆网络LSTM方法，通过实验结果的对比，充分证明了本发明所提方法的有效性，将小波分析与长短期记忆网络LSTM相结合可以提高预测结果的精度。

表1预测结果平均绝对百分比误差

Claims (4)

1.一种基于小波长短期记忆网络的超短期风电功率预测方法，其特征在于，包括以下步骤：

1)、采集分析风电场历史数据，将当前时刻之前的20个风功率值x₁,x₂...,x₂₀作为输入向量，未来四小时时刻的风功率值y作为输出向量，构建原始样本集[x₁,x₂...,x₂₀，y]；

2)、采用Mallat算法对原始样本集中样本的列向量进行三级小波分解，对数据进行平稳化处理并且重构小波系数得到四个小波样本集；

3)、对四个小波样本集中的样本进行归一化处理，归一化的处理方式为将每一维的特征标准化为0均值单位标准差，并且划分为小波样本训练集与小波样本验证集；

4)设置10层长短期记忆网络LSTM，网络的误差训练函数采用均方误差函数，目标优化器为adam函数，Dropout层参数设为0.5，输出层激活函数选用linear函数，建立四个小波样本的长短期记忆网络LSTM深度网络预测模型，输入向量维数为20；

5)采用四个小波样本集中的小波样本训练集分别训练所述长短期记忆网络LSTM深度网络预测模型，得到四个小波样本集的长短期记忆网络LSTM深度网络预测模型；将四个小波样本集中的小波样本验证集的输入代入长短期记忆网络LSTM深度网络预测模型，得到四个小波样本的预测值，将四个小波样本的预测值进行叠加得到整体样本最终的预测值；

所述步骤5)具体为：

分别将小波样本训练集中每个样本的四个小波样本输入进网络，首先，在正向传递过程中，遗忘门层抛弃输入层输出的t时刻的风电历史功率状态信息X_t，得到经遗忘门处理之后的风电历史功率状态信息f_t：f_t＝σ(W_f·[h_t-1,X_t]+b_f)，接着，根据t时刻的风电历史功率状态信息X_t生成临时新的风电功率状态值

更新风电功率旧状态值C_t-1，将t时刻输入门的输出i_t与临时新的风电功率状态值

的乘积、经遗忘门处理之后的风电历史功率状态信息f_t与风电功率旧状态值C_t-1的乘积相加，得到新的风电功率状态值C_t：

i_t＝σ(W_i·[h_t-1,X_t]+b_i)，

最后，将通过sigmoid函数的输出信息与经过tanh函数转化的单元状态值相乘，得到最终的输出：o_t＝σ(W_o[h_t-1,X_t]+b_o)，h_t＝o_t*tanh(C_t)；

式中，f_t为经遗忘门处理之后的风电历史功率状态信息，σ为sigmoid函数，W_f为遗忘门连接的权重矩阵，h_t-1是隐含层t-1时刻的输出，X_t是t时刻输入层的输出，即为t时刻的风电历史功率状态信息；b_f是遗忘门的偏移值，i_t为t时刻输入门的输出，W_i为输入门连接的权重矩阵，b_i为输入门的偏移值，

为临时新的风电功率状态值，W_C为t时刻计算单元新状态的连接权重矩阵，b_C为t时刻计算单元新状态的偏移值，C_t-1为风电功率旧状态值，C_t为t时刻新的风电功率状态值，W_o为输出门的连接权重矩阵，b_o为输出门的偏移值，h_t为输出门的值；

根据均方误差函数的两个传播方向对网络进行反向训练，通过反向训练，学习以下的8组参数，分别为遗忘门连接的权重矩阵W_f与偏移值b_f、输入门连接的权重矩阵W_i与偏移值b_i、输出门的连接权重矩阵W_o和偏移值b_o以及t时刻计算单元新状态的连接权重矩阵W_C与偏移值b_C；

利用小波样本验证集对训练后的长短期记忆网络LSTM深度网络预测模型进行验证；

利用已经学习好的长短期记忆网络LSTM模型对当前时刻的风电场历史数据对应的四个小波样本进行预测，直至将所有小波样本全部预测完成，得到最终的风电功率值为四个小波样本预测值的叠加。

2.如权利要求1所述的基于小波长短期记忆网络的超短期风电功率预测方法，其特征在于，利用Mallat算法对原始样本集中样本的列向量进行三级小波分解，对数据进行平稳化处理并且重构小波系数得到四个小波样本集的具体步骤如下：首先利用Mallat算法对[x₁,x₂...,x₂₀，y]各列向量进行高频、低频两级分解，

式中：H为低通滤波器，G为高通滤波器，c_j为信号在分辨率2^-j下的低频分量，d_j为信号在分辨率2^-j下的高频分量，c₀为[x₁,x₂...,x₂₀，y]中的各列向量；并且对高低频信号进行重构，c_j＝H^*c_j+1+G^*d_j+1,j＝1,0，式中：H^*为H的对偶算子，G^*为G的对偶算子，对c₁、d₁各自做重构，得出重构的低频信号与高频信号，再将高频信号进行小波分解，依次共进行三次分解，从而得到四个小波样本集，最后划分四个小波样本集为小波样本训练集与小波样本验证集。

3.如权利要求1所述的基于小波长短期记忆网络的超短期风电功率预测方法，其特征在于，对长短期记忆网络LSTM进行初始化设置，根据模型确定输入层节点数为15、网络训练迭代次数为2000。

4.如权利要求1所述的基于小波长短期记忆网络的超短期风电功率预测方法，其特征在于，所述根据均方误差函数的两个传播方向对网络进行反向训练，一是沿着时间进行反向传播，另一个是将误差向上一层单元进行传播，其中门限的激活函数全部设置为sigmoid函数，输出的激活函数设为tanh函数。

Images