CN110276472A

CN110276472A - 一种基于lstm深度学习网络的海上风电功率超短期预测方法

Info

Publication number: CN110276472A
Application number: CN201910425971.3A
Authority: CN
Inventors: 陈满; 李定林; 张豪; 彭鹏; 邓长虹; 梁效文
Original assignee: Wuhan University WHU; Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd
Current assignee: Wuhan University WHU; Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd
Priority date: 2019-05-21
Filing date: 2019-05-21
Publication date: 2019-09-24

Abstract

本发明公开了一种基于LSTM深度学习网络的海上风电功率超短期预测方法。本发明先对风速时间序列进行多种分析，将多种分析结果相结合提取出海上风电功率超短期预测的特征量，避免了输入量过多而造成模型的过拟合；接着利用深度学习的方法对海上风速进行建模预测；并结合海上风力发电机组的实际风速—功率曲线得到海上风电功率超短期预测值。本方法根据海上风速的特性提取了海上风电功率超短期预测的特征量，避免了相关性低的特征量的输入，在提高了海上风电功率预测精度的同时也提高了预测效率。

Description

一种基于LSTM深度学习网络的海上风电功率超短期预测方法

技术领域

本发明属于海上风电功率预测领域，具体涉及一种海上风电功率超短期预测方法。

背景技术

准确的海上风功率预测对系统的调度、稳定运行以及提高经济效益具有重要的意义。由于海上风电发展时间较短，短期功率预测技术多以陆上风电作为研究对象，海上风电功率预测技术还处于研发的初级阶段。为了使预测模型适用于海上，在选取适合的预测模型时需要对海上特征加以考虑。

任何区域的风电都具有极强的随机性及不稳定性性，但陆上风电与海上风电有着明显的差异：我国用电负荷与陆上风电都呈现“夏大冬小”的特征；而海上风电则相反，呈现“夏小冬大”的特征，因此电网对海上风电的消纳难度更大；因此，海上风电预测对精度的要求会比陆上风电预测更高。

按照建模原理，传统的风功率预测方法可以为物理模型、统计模型或者将二者结合进行功率预测。然而，海水的高比热容、海上的风流热效应以及放大的尾流效应，使得海上风电场的物理建模运算非常繁琐；且由于地理环境的差异，物理建模的灵活泛化性存在一定缺陷，并不适用于海上的超短期功率预测。而统计方法避免了中间复杂的物理建模步骤。

现在主流的海上风电功率超短期预测方法多集中在时间序列法(ARMA)、神经网络法(ANN)、支持向量机(SVM)、马尔科夫链等；且多是先对风速提前1h预测，然后再预测功率。

发明内容

为了解决现有技术的不足，本发明提出了一种海上风电功率超短期预测方法；通过改良的输入信息，基于LSTM网络建立预测模型，并与海上风力发电机组的实际风速—功率曲线相结合实现对海上风电功率的间接预测。

本发明所采用的技术方案如下：

一种基于LSTM深度学习网络的海上风电功率超短期预测方法，其其特征在于，包括：

步骤1、异常数据的识别、删除与替代：识别海上风速数据中的异常数据并用当季典型日的数据将其替代；

步骤2、输入特征量的选取：预测模型其实是对输入输出量进行非线性拟合，若将一些相关性较低的因素也纳为输入的话必将引起维数灾难，甚至会造成模型的过拟合，从而降低预测精度；但若一味地追求模型训练的高效性而减少输入特征量，同样也会影响预测精度；根据对前几步海上风速的多重分析，本发明选取预测时刻t前三3个时间点t-1、t-2、t-3的历史风速、预测日前三天t、t-1、t-2、t-3点的历史风速值、预测日所在季节作为特征量；

步骤3、输入数据的归一化处理：对输入的训练数据进行归一化处理；

步骤4、将归一化后的输入数据打包成数据元胞；

步骤5、训练LSTM网络：将同一季节内的风速序列作为一个训练样本，在每个样本集中以三天的t、t+1、t+2、t+3时刻的风速值以及第四天的t、t+1、t+2时刻的风速值训练网络，用第四天天t+3时刻的风速值对网络进行检验；

步骤6、利用训练好的LSTM模型进行预测：将得到的数据元胞输入训练好的网络中，得到未来1小时的海上风速预测值。

在上述的一种基于LSTM深度学习网络的海上风电功率超短期预测方法，步骤1中识别异常数据，并利用横向对比法处理异常数据，是为去除非正常数据如因临时事故或临时设备检修引起的发电量为零的历史数据；发电量超常的数据；丢失了的数据等；数据处理的方法有很多种，本文采用横向对比法处理：当某一天海上风力发电数据异常时，在其附近的一段时间内寻找与其天气类型一致的相似日，用相似日的海上风电出力数据进行代替。

在上述的一种基于LSTM深度学习网络的海上风电功率超短期预测方法，步骤2中中海上风电功率超短期预测模型的输入特征量的选取具体包括：

选取预测日所在季节、预测时刻t的前三个时间间隔的风速值以及预测日前3天t-3、t-2、t-1、t风速值作为海上风电功率超短期预测模型的特征量。

在上述的一种基于LSTM深度学习网络的海上风电功率超短期预测方法，步骤3中归一化处理公式为：

式中：xn为处理前的输入数据值，μ为处理前输入数据的均值，σ为处理前输入数据的标准差，x为处理后的输入数据。

在上述的一种基于LSTM深度学习网络的海上风电功率超短期预测方法，所述LSTM深度学习网络包含输入层、隐含层、输出层3个部分，隐含层又包含记忆单元，输入门、遗忘门与输出门。

本发明的所达到的有益效果：采用LSTM深度学习的方法，结合多种分析方法，考虑到海上风电的功率的季节特性、平行相关性与垂直相关性，从而选择合适数量的海上风电功率超短期预测特征量，选择合适数量的特征量避免了模型训练过程中的过拟合，对模型训练的效率与预测精度都有了保证。

附图说明

图1为海上风电功率短期预测方法的流程图。

图2为海上风电功率短期预测方法中LSTM深度学习网络的结构示意图。

具体实施方式

下面对本发明做进一步描述。以下实施例仅用于更加清楚的说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明涉及一种基于LSTM深度学习网络的海上风电功率超短期预测方法，其具体步骤如下：

步骤1)对海上风速序列中的异常点进行识别并删除，再用相似日的风速数据将其替代；

此步骤主要是为去除非正常数据如因临时事故或临时设备检修引起的发电量为零的历史数据；发电量超常的数据；丢失了的数据等。数据处理的方法有很多种，本文采用横向对比法处理：当某一天海上风力发电数据异常时，在其附近的一段时间内寻找与其天气类型一致的相似日，用相似日的海上风电出力数据进行代替。

步骤2)海上风电功率超短期预测模型的输入特征量的选取；

对于一个投入运行风电场来说，其风力发电机组具有固定的安装位置、风速-功率转换关系、相同的周围环境及地形，因此同一风电场的数据之间的自相关性就很强。因此，需利用预测对象机所在风电场的历史数据对模型进行训练。但若直接用全年历史数据对模型进行训练，会大大增加预测时间降低预测模型的效率，甚至还会造成模型的不收敛。参考之前对海上风速的分析可知，海上风速在四个季节分别具有不同的风速均值及波动特性，因此需对预测日所属季节进行识别，并用同属一个季节的历史数据对预测模型进行训练，即预测日所在季节也为预测模型的特征量之一。

预测模型其实是在寻找输入输出量之间的映射关系，若将全部影响因素作为输入的话必将引起维数灾难，甚至会造成过拟合现象的产生。但若一味的追求模型训练难度的降低而减少输入量，则会降低预测精度。根据之前的平行相关性与垂直相关性分析可知，预测时刻的风速值与其他时刻的相关性会随时间间隔的增大而减小，因此本发明中选取预测时刻t的前三个时间间隔的风速值以及预测日前3天t-2、t-1、t风速值作为输入量。

步骤3)对输入数据进行归一化处理：

本发明采用的归一化方法是均值-标准差(Z-score)法，其具体公式如下：

式中：x_n为处理前的输入数据值，μ为处理前输入数据的均值，σ为处理前输入数据的标准差，x为处理后的输入数据。最后需要对LSTM预测模型输出的预测时刻的海上风速预测结果进行反归一化处理，赋予其实际物理意义。

步骤4)将归一化后的特征量打包成元胞输入LSTM网络中；

步骤5)将同一季节内的风速序列作为一个训练样本，在每个样本集中以三天的t、t+1、t+2、t+3时刻的风速值以及第四天的t、t+1、t+2时刻的风速值训练网络，用第四天天t+3时刻的风速值对网络进行检验。

本发明采用LSTM深度学习网络，其具体学习过程如下：

第一步，LSTM网络中各偏置与权重的初始化。根据误差函数得到此时的误差并将计算得到的误差沿时间轴后向传播用以更新LSTM网络中的权值，在LSTM网络学习过程中输入门、输出门、遗忘门的逻辑运算以及记忆单元的参数更新公式如下：

输入门(Input Gate)的数值是由当前时刻t的输入元胞值和时刻t-1的输出风速值共同确定的，为0到1之间的实数。输入门的数值用来确定用哪些值来对网络进行更新，与此同时tanh层产生新的信息C_t，并存储在LSTM网络的记忆单元中。其公式如下：

I_t＝σ(W_i·[h_t-1,x_t]+b_i)

C'_t＝tanh(W_C·[h_t-1,x_t]+b_C)

遗忘门(Forget Gate)数值的大小也是由当前时刻t的输入元胞值和时刻t-1的输出风速值共同确定的，其也是0到1之间的实数。遗忘门(Forget Gate)数值的大小是t-1时刻的信息C_t-1是否进入当前记忆单元中的决定因素，即遗忘门(Forget Gate)数值的大小在LSTM网络中起信息筛选和选择的作用。其公式为：

F_t＝σ(W_f·[h_t-1,x_t]+b_f)

记忆单元的参数更新：遗忘门和输入门的数值大小共同决定了记忆单元的参数更新——遗忘门的数值与记忆单元的cell state乘积使LSTM网络实现了有选择地遗忘；输入门自身的两个运算结果相乘从而实现了有选择性地输入，叠加有选择性的输入与遗忘即可得到更新后的结果，公式为：

在记忆单元的参数更新过程中，存储于当前层的对应某个门的权值表示为W，存储于当前层的对应某个门的偏置值表示为b。

输出门：记忆单元的参数更新后，可以通过输出门(Output Gate)的数值大小实现风速值的有选择输出，其公式如下：

O_t＝σ(W_o·[h_t-1,x_t]+b_o)

h_t＝O_t*tanh(C_t)

如下式所示海上风速值实现了有选择的输出：

上式中，第i次输出层的权重矩阵表示为Wyi，且其激活函数为σ。

不难发现，LSTM网络学习的整个过程中会产生大量的参数，不同时刻值的同一个门的权值W也不同，同一时刻的不同门的权值W也不同，因此按照下式将权值更新公式中的权重值W分解：

本模型中预测误差E的计算函数为：

式中，风速实测值表示为Y_real。

若按照误差函数计算出的海上风速预测误差依梯度传播，则当前时刻t的误差项δ_t的计算公式为：

由于LSTM之间网络中的误差是沿时间轴反向传输，因此上一时刻(t-1)的误差计算公式如下式：

由上述可知，当前时刻t隐含层的输出h_t是一个复合函数。

上式中，对应函数的输入量表示为nn。

进而推导得到误差函数：

推出某时刻t对应权重W的偏导为：

将所有时刻的误差相加便得到了最终误差，因此最终误差表达式为：

误差沿时间轴后向传输后，看最终误差值是否小于设定阈值或者训练次数达设定最大值，如果两者之一都不满足，则调整参数，进行输出，如此反复循环直至满足两个停止训练的条件之一，就此完成网络的训练，将网络存储。

步骤6)利用训练好的LSTM模型进行预测：将得到的数据元胞输入训练好的网络中，得到未来1小时的海上风速预测值。

本发明在采用LSTM深度学习的方法，结合多种分析方法，考虑到海上风电的功率的季节特性、平行相关性与垂直相关性，从而选择合适数量的海上风电功率超短期预测特征量，选择合适数量的特征量避免了模型训练过程中的过拟合，对模型训练的效率与预测精度都有了保证。

以上所述仅是本发明的优选实施方案，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可做出若干改进与变形，这些改进与变形也应视为本发明的保护范围。

Claims

1.一种基于LSTM深度学习网络的海上风电功率超短期预测方法，其其特征在于，包括：

步骤4、将归一化后的输入数据打包成数据元胞；

2.根据权利要求1所述的一种基于LSTM深度学习网络的海上风电功率超短期预测方法，其特征在于，步骤1中识别异常数据，并利用横向对比法处理异常数据，是为去除非正常数据如因临时事故或临时设备检修引起的发电量为零的历史数据；发电量超常的数据；丢失了的数据等；数据处理的方法有很多种，本文采用横向对比法处理：当某一天海上风力发电数据异常时，在其附近的一段时间内寻找与其天气类型一致的相似日，用相似日的海上风电出力数据进行代替。

3.根据权利要求1所述的一种基于LSTM深度学习网络的海上风电功率超短期预测方法，其特征在于，步骤2中中海上风电功率超短期预测模型的输入特征量的选取具体包括：

4.根据权利要求1或2所述的海上风电功率超短期预测方法，其特征在于，步骤3中归一化处理公式为：

5.根据权利要求1一种基于LSTM深度学习网络的海上风电功率超短期预测方法，其特征在于，所述LSTM深度学习网络包含输入层、隐含层、输出层3个部分，隐含层又包含记忆单元，输入门、遗忘门与输出门。