CN110378541A - 一种风功率短期多步预测方法及装置 - Google Patents
一种风功率短期多步预测方法及装置 Download PDFInfo
- Publication number
- CN110378541A CN110378541A CN201910728299.5A CN201910728299A CN110378541A CN 110378541 A CN110378541 A CN 110378541A CN 201910728299 A CN201910728299 A CN 201910728299A CN 110378541 A CN110378541 A CN 110378541A
- Authority
- CN
- China
- Prior art keywords
- wind power
- prediction
- sequence
- prediction model
- history
- 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.)
- Pending
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 16
- 230000007787 long-term memory Effects 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000004590 computer program Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 7
- 230000005055 memory storage Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风功率短期多步预测方法及装置，该方法包括：对获取的一段时间内的历史风功率数据进行预处理，以得到历史风功率序列；以所述历史风功率序列对长短期记忆网络进行训练，得到预测模型；利用所述预测模型进行预测，得到预测的风功率数据；将预测的风功率数据加入到所述历史风功率序列中以得到新的风功率序列，根据新的风功率序列建立新的预测模型并预测新的风功率数据。本发明将预测的风功率数据加入到历史风功率序列中以得到新的风功率序列，根据新的风功率序列建立新的预测模型并预测新的风功率数据，提高了多步风功率预测的精度。
Description
技术领域
本发明涉及风功率预测技术领域，具体涉及为一种风功率短期多步预测方法及装置。
背景技术
随着环境问题的突出和传统能源的枯竭，可再生能源如太阳能、风能、潮汐能越来越受到人们的关注，其中，风能作为方便、环保、高效的新型可再生能源，有着广阔的应用前景，中国的风能产业经历了大幅度的升级与扩张。如今风能的使用主要通过风力发电并入电网，在能源的来源更丰富的同时，也给电力系统的安全稳定运行带来了一定的压力。由于风能与风速等天气条件息息相关，具有随机性、不稳定性等特点，这使得风力发电的输出同样是不稳定的，它的输出会随着风速变化而变化。因此将风电并网时，会给电网的安全稳定运行带来一定的影响。风电并网的技术问题一直制约着风能的开发与利用。为了解决该问题，对风电场的风功率输出进行预测是一个有效的途径。
风电功率预测方法主要有物理方法和统计方法两种。物理方法有计算方法和计算流体力学(Computational fluid dynamic,CFD)方法，CFD方法精度高，但技术门槛高、计算量大，不适于实际工程应用。统计方法中常用的方法有：人工神经网络、模糊推理算法、卡尔曼滤波、支持向量机算法、组合预测法等。人工智能算法大多具有非常优秀的非线性学习能力，可以很好的拟合出输入与输出之间的关系，但也存在训练时间长、容易过拟合或欠拟合等缺点。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种风功率短期多步预测方法及装置，用于在短期多步风功率预测中提供较高的预测精度。
为实现上述目的及其他相关目的，本发明提供一种风功率短期多步预测方法，所述方法包括：
对获取的历史风功率数据进行预处理，以得到历史风功率序列；
以所述历史风功率序列对长短期记忆网络进行训练，得到预测模型；
利用所述预测模型进行预测，得到预测的风功率数据；
将预测的风功率数据加入到所述历史风功率序列中以得到新的风功率序列，根据新的风功率序列建立新的预测模型并预测新的风功率数据。
可选地，该方法还包括：
获取一段时间内每天的历史风功率序列在不同滞后数下的自相关系数；
获取一段时间内在相同滞后数下的自相关系数的平均值；
以大于一设定值的所述平均值所对应的滞后数中的最大值作为输入长短期记忆网络的风功率序列的序列长度。
可选地，所述自相关系数表示为：
其中,R(τ)为滞后数为τ时的自相关系数，μ是风功率序列的均值，σ2是风功率序列的标准差。
可选地，所述长短期记忆网络预测模型表示为：
其中，f(·)表示长短期记忆网络预测模型，l表示输入长短期记忆网络预测模型的风功率数据维数，s表示预测步长，xt+s'表示预测步长为s时的预测输出。
为实现上述目的及其他相关目的，本发明还提供一种风功率短期多步预测装置，所述装置包括：
预处理模块，用于对获取的历史风功率数据进行预处理，以得到历史风功率序列；
训练模块，用于以所述历史风功率序列对长短期记忆网络进行训练，得到预测模型；
第一预测模块，用于利用所述预测模型进行预测，得到预测的风功率数据；
第二预测模块，用于将预测的风功率数据加入到所述历史风功率序列中以得到新的风功率序列，根据新的风功率序列建立新的预测模型并预测新的风功率数据。
可选地，该装置还包括：
第一获取模块，用于获取一段时间内每天的历史风功率序列在不同滞后数下的自相关系数；
第二获取模块，用于获取一段时间内在相同滞后数下的自相关系数的平均值；
设定模块，以大于一设定值的所述平均值所对应的滞后数中的最大值作为输入长短期记忆网络的风功率序列的序列长度。
可选地，所述自相关系数表示为：
其中,R(τ)为滞后数为τ时的自相关系数，μ是风功率序列的均值，σ2是风功率序列的标准差。
可选地，所述长短期记忆网络预测模型表示为：
其中，f(·)表示长短期记忆网络预测模型，l表示输入长短期记忆网络预测模型的风功率数据维数，s表示预测步长，xt+s'表示预测步长为s时的预测输出。
为实现上述目的及其他相关目的，本发明提供一种存储介质，存储计算机程序，所述计算机程序被处理器运行时执行前述的方法。
为实现上述目的及其他相关目的，本发明提供一种电子终端，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行前述的方法。
如上所述，本发明的一种风功率短期多步预测方法及装置，具有以下有益效果：
本发明将预测的风功率数据加入到历史风功率序列中以得到新的风功率序列，根据新的风功率序列建立新的预测模型并预测新的风功率数据，提高了多步风功率预测的精度。
附图说明
图1显示为本发明的风功率短期多步预测方法流程图；
图2显示为本发明的风功率数据序列取滞后数为1到10的自相关系数结果图；
图3显示为本发明的风功率预测模型，长短期记忆网络的细胞状态图；
图4显示为本发明的风功率预测模型输入输出数据结构；
图5显示为本发明的风功率预测结果(提前15分钟)；
图6显示为本发明的风功率预测结果(提前30分钟)；
图7显示为本发明的风功率预测结果(提前45分钟)；
图8显示为本发明的风功率预测结果(提前60分钟)；
图9显示为本发明的风功率短期多步预测装置框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
为实现上述目的和相关目的，本发明提供一种风电场短期多步预测方法，如图1所示，包括以下步骤：
S1对获取的历史风功率数据进行预处理，以得到历史风功率序列；
S2以所述历史风功率序列对长短期记忆网络进行训练，得到预测模型；
S3利用所述预测模型进行预测，得到预测的风功率数据；
S4将预测的风功率数据加入到所述历史风功率序列中以得到新的风功率序列，根据新的风功率序列建立新的预测模型并预测新的风功率数据，最终实现风功率的多步预测。
以下对步骤S1～步骤S4进行详细说明。
在步骤S1中，对获取的历史风功率数据进行预处理，以得到历史风功率序列。
在一具体实施例中，获取的是风场的6个月历史风功率数据，其中5个月的数据被作为训练样本，1个月的数据被作为测试样本。
对获取的历史风功率数据进行预处理，预处理的方法可以为：将5min的风功率采样数据平滑成15min的风功率数据，则每天的风功率序列可以表示为：
X＝{x0,x1,x2,......,x94,x95}
其中，{x0,x1,x2,......,x94,x95}分别是平滑处理后风电场一天的历史数据，每15分钟的风速值，共计96个。
在步骤S2中，以所述历史风功率序列对长短期记忆网络进行训练，得到预测模型。长短期记忆网络(LSTM，Long Short-Term Memory)是一种时间循环神经网络，是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式，图3为风功率预测模型，长短期记忆网络的细胞状态图。
在一实施例中，如图4所示，预测模型的数学模型为：
其中，f表示长短期记忆网络模型，l表示输入LSTM模型的风功率数据维数，s表示预测步长，xt+s'表示预测步长为s时的预测输出。
在一些实施例中，所述的多步预测方法还包括：
获取一段时间内每天的历史风功率序列在不同滞后数下的自相关系数；
获取一段时间内在相同滞后数下的自相关系数的平均值；
以大于一设定值的所述平均值所对应的滞后数中的最大值作为输入长短期记忆网络的风功率序列的序列长度。
其中，自相关系数的计算方式为：
其中,R(τ)为滞后数为τ时的自相关系数，μ是风功率序列的均值，σ2是风功率序列的标准差。
更加具体地，本实施例选取的是150天的风功率数据，则计算每天滞后数为1～15的自相关系数，即滞后数为1、2、3……15的自相关系数值各有150个。分别对它们取平均，得到滞后数为1、2、3……15的自相关系数平均值，结果如附图2所示。前述的设定值可以根据经验进行设定，在本实施例中，设定值选择0.5，即选取自相关系数大于0.5的所对应的滞后数中的最大值，即6，作为输入到长短期记忆网络的序列长度。利用长度为6的风功率序列对长短期记忆网络进行训练，最终得到预测模型。
在步骤S4中，将预测的风功率数据加入到所述历史风功率序列中以得到新的风功率序列，根据新的风功率序列建立新的预测模型并预测新的风功率数据，最终实现风功率的多步预测。
本实施例以15分钟为一个步长，预测15分钟之后的风功率数据为第一个预测步，预测30分钟之后的风功率数据为第二个预测步，以此类推。在训练过程中，将序列长度为6的风功率数据作为训练样本，输入到长短期记忆网络中，得到预测模型M。利用预测模型M进行风功率预测，得到第一个预测步的预测风功率R1。将第一个预测步的预测风功率R1加入到历史风功率序列中，抛弃历史数据中相隔时间最远的风功率数据，组成一个新的风功率序列，利用新的风功率序列输入到长短期记忆网络中，得到预测模型M1，利用预测模型M1进行风功率预测，可以得到第二个预测步的预测风功率R2，以此类推完成设定时间段的风功率的预测。这样在每个预测步中，都会产生一个新的预测模型，从而提高了风功率预测的精度。
本发明是对风功率进行预测，获取的是一个预测值，因此有必要对获得的预测精度进行评估。在一具体实施例中，使用在风功率预测领域使用最为广泛的误差性能指标标准平均绝对误差(NMAE)作为测量精度的评估指标：
其中，xi为风功率实测值，xi'为风功率预测值，xinstall为风电场输出功率的额定值。
本发明的一种风功率短期多步预测方法，通过分析历史风功率数据，计算数据序列滞后数为1到15的自相关系数，根据经验选取自相关系数大于0.5的最大滞后数，作为输入长短期记忆网络的序列长度，为选取输入预测模型的序列长度提供数学依据。将预测的风功率数据加入到历史风功率序列中以得到新的风功率序列，根据新的风功率序列建立新的预测模型并预测新的风功率数据，提高了多步风功率预测的精度。
图5显示为本发明的风功率预测结果(提前15分钟)；图6显示为本发明的风功率预测结果(提前30分钟)；图7显示为本发明的风功率预测结果(提前45分钟)；图8显示为本发明的风功率预测结果(提前60分钟)；表1所示为迭代训练长短期记忆网络和单个长短期记忆网络的结果，结果显示迭代训练长短期记忆网络误差小于单个长短期记忆网络模型。
| NMAE | 15min | 30min | 45min | 60min | 75min | 90min |
| 迭代LSTM | 0.0622 | 0.0904 | 0.1006 | 0.1076 | 0.1122 | 0.1169 |
| 单一LSTM | 0.0622 | 0.1085 | 0.1256 | 0.1343 | 0.1418 | 0.1518 |
表1
综上所述，本发明的一种风功率短期多步预测方法，达到了以下有益效果：本发明可以为选取输入长短期记忆网络模型的序列长度提供方案，提高风功率短期多步预测精度，该方法适用于各类型风场对整场风功率输出的预测。
所以，本发明有效克服了现有技术中的种种缺点而具有高度产业利用价值。
如图9所示，本发明还提供一种风功率短期多步预测装置，所述装置包括：
预处理模块，用于对获取的历史风功率数据进行预处理，以得到历史风功率序列；
训练模块，用于以所述历史风功率序列对长短期记忆网络进行训练，得到预测模型；
第一预测模块，用于利用所述预测模型进行预测，得到预测的风功率数据；
第二预测模块，用于将预测的风功率数据加入到所述历史风功率序列中以得到新的风功率序列，根据新的风功率序列建立新的预测模型并预测新的风功率数据。
在一实施例中，该装置还包括：
第一获取模块，用于获取一段时间内每天的历史风功率序列在不同滞后数下的自相关系数；
第二获取模块，用于获取一段时间内在相同滞后数下的自相关系数的平均值；
设定模块，以大于一设定值的所述平均值所对应的滞后数中的最大值作为输入长短期记忆网络的风功率序列的序列长度。
在一实施例中，所述自相关系数表示为：
其中,R(τ)为滞后数为τ时的自相关系数，μ是风功率序列的均值，σ2是风功率序列的标准差。
在一实施例中，所述长短期记忆网络预测模型表示为：
其中，f(·)表示长短期记忆网络预测模型，l表示输入长短期记忆网络预测模型的风功率数据维数，s表示预测步长，xt+s'表示预测步长为s时的预测输出。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器((RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
一种电子终端，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行上述方法实施例的步骤。
所述处理器可以是中央处理单元(Central Processing Unit,CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可以是内部存储单元或外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字卡(Secure Digital,SD)，闪存卡(Flash Card)等。进一步地，所述存储器还可以既包括内部存储单元，也包括外部存储设备。所述存储器用于存储所述计算机程序以及其他程序和数据。所述存储器还可以用于暂时地存储己经输出或者将要输出的数据。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种风功率短期多步预测方法，其特征在于，所述方法包括：
对获取的一段时间内的历史风功率数据进行预处理，以得到历史风功率序列；
以所述历史风功率序列对长短期记忆网络进行训练，得到预测模型；
利用所述预测模型进行预测，得到预测的风功率数据；
将预测的风功率数据加入到所述历史风功率序列中以得到新的风功率序列，根据新的风功率序列建立新的预测模型并预测新的风功率数据。
2.根据权利要求1所述的风功率短期多步预测方法，其特征在于，该方法还包括：
获取一段时间内每天的历史风功率序列在不同滞后数下的自相关系数；
获取一段时间内在相同滞后数下的自相关系数的平均值；
以大于一设定值的所述平均值所对应的滞后数中的最大值作为输入长短期记忆网络的风功率序列的序列长度。
3.根据权利要求1所述的风功率短期多步预测方法，其特征在于，所述自相关系数表示为：
其中,R(τ)为滞后数为τ时的自相关系数，μ是风功率序列的均值，σ2是风功率序列的标准差。
4.根据权利要求1所述的风功率短期多步预测方法，其特征在于，所述长短期记忆网络预测模型表示为：
其中，f(·)表示长短期记忆网络预测模型，l表示输入长短期记忆网络预测模型的风功率数据维数，s表示预测步长，xt+s'表示预测步长为s时的预测输出。
5.一种风功率短期多步预测装置，其特征在于，所述装置包括：
预处理模块，用于对获取的历史风功率数据进行预处理，以得到历史风功率序列；
训练模块，用于以所述历史风功率序列对长短期记忆网络进行训练，得到预测模型；
第一预测模块，用于利用所述预测模型进行预测，得到预测的风功率数据；
第二预测模块，用于将预测的风功率数据加入到所述历史风功率序列中以得到新的风功率序列，根据新的风功率序列建立新的预测模型并预测新的风功率数据。
6.根据权利要求5所述的风功率短期多步预测装置，其特征在于，该装置还包括：
第一获取模块，用于获取一段时间内每天的历史风功率序列在不同滞后数下的自相关系数；
第一获取模块，用于获取一段时间内在相同滞后数下的自相关系数的平均值；
以大于一设定值的所述平均值所对应的滞后数中的最大值作为输入长短期记忆网络的风功率序列的序列长度。
7.根据权利要求5所述的风功率短期多步预测装置，其特征在于，所述自相关系数表示为：
其中,R(τ)为滞后数为τ时的自相关系数，μ是风功率序列的均值，σ2是风功率序列的标准差。
8.根据权利要求5所述的风功率短期多步预测装置，其特征在于，所述长短期记忆网络预测模型表示为：
其中，f(·)表示长短期记忆网络预测模型，l表示输入长短期记忆网络预测模型的风功率数据维数，s表示预测步长，xt+s'表示预测步长为s时的预测输出。
9.一种存储介质，存储计算机程序，其特征在于，所述计算机程序被处理器运行时执行如权利要求1至4中任一项所述的方法。
10.一种电子终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910728299.5A CN110378541A (zh) | 2019-08-08 | 2019-08-08 | 一种风功率短期多步预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910728299.5A CN110378541A (zh) | 2019-08-08 | 2019-08-08 | 一种风功率短期多步预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110378541A true CN110378541A (zh) | 2019-10-25 |
Family
ID=68258565
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910728299.5A Pending CN110378541A (zh) | 2019-08-08 | 2019-08-08 | 一种风功率短期多步预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110378541A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115495982A (zh) * | 2022-09-21 | 2022-12-20 | 中冶南方工程技术有限公司 | 一种高炉炉温预测方法、终端设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292453A (zh) * | 2017-07-24 | 2017-10-24 | 国网江苏省电力公司电力科学研究院 | 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法 |
| CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
| CN107633331A (zh) * | 2017-09-26 | 2018-01-26 | 北京福布罗科技有限公司 | 时间序列模型建立方法及装置 |
| CN107909227A (zh) * | 2017-12-20 | 2018-04-13 | 北京金风慧能技术有限公司 | 超短期预测风电场功率的方法、装置及风力发电机组 |
| CN108846528A (zh) * | 2018-09-19 | 2018-11-20 | 云南电网有限责任公司信息中心 | 一种大工业电力用户长期负荷预测方法 |
| CN109214575A (zh) * | 2018-09-12 | 2019-01-15 | 河海大学 | 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 |
-
2019
- 2019-08-08 CN CN201910728299.5A patent/CN110378541A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
| CN107292453A (zh) * | 2017-07-24 | 2017-10-24 | 国网江苏省电力公司电力科学研究院 | 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法 |
| CN107633331A (zh) * | 2017-09-26 | 2018-01-26 | 北京福布罗科技有限公司 | 时间序列模型建立方法及装置 |
| CN107909227A (zh) * | 2017-12-20 | 2018-04-13 | 北京金风慧能技术有限公司 | 超短期预测风电场功率的方法、装置及风力发电机组 |
| CN109214575A (zh) * | 2018-09-12 | 2019-01-15 | 河海大学 | 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 |
| CN108846528A (zh) * | 2018-09-19 | 2018-11-20 | 云南电网有限责任公司信息中心 | 一种大工业电力用户长期负荷预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| LI HAN等: ""Multi-step wind power forecast based on VMD-LSTM"", 《IET RENEWABLE POWER GENERATION》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115495982A (zh) * | 2022-09-21 | 2022-12-20 | 中冶南方工程技术有限公司 | 一种高炉炉温预测方法、终端设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rafi et al. | A short-term load forecasting method using integrated CNN and LSTM network | |
| Liu et al. | Short-term wind speed forecasting based on spectral clustering and optimised echo state networks | |
| CN102663513B (zh) | 利用灰色关联度分析的风电场功率组合预测建模方法 | |
| CN108090652A (zh) | 构建基于大数据技术的电力交易指标体系的方法 | |
| CN104463371B (zh) | 基于风电功率变化量的Markov链建模、预测方法 | |
| CN103854068A (zh) | 一种居民小区短期负荷预测方法 | |
| CN103310286A (zh) | 一种具有时间序列特性的产品订单预测方法及装置 | |
| CN104158182A (zh) | 一种大规模电网潮流修正方程并行求解方法 | |
| CN103236691B (zh) | 基于复仿射数学理论的三相不平衡潮流计算方法 | |
| CN111489036A (zh) | 基于电器负荷特性和深度学习的居民负荷预测方法、装置 | |
| CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
| CN110765703B (zh) | 一种风电场聚合特性建模方法 | |
| CN104537433A (zh) | 基于存量容量与业扩报装特征的售电量预测方法 | |
| CN103971175B (zh) | 一种多级变电站的短期负荷预测方法 | |
| Lv et al. | Short-term wind speed forecasting based on non-stationary time series analysis and ARCH model | |
| CN105045766A (zh) | 基于3072点快速傅里叶变换的数据处理方法及处理器 | |
| CN105207197B (zh) | 包含风电场的电力系统可靠性评估方法 | |
| CN109412161A (zh) | 一种电力系统概率潮流计算方法及系统 | |
| CN108764588A (zh) | 一种基于深度学习的温度影响电力预测方法 | |
| CN109449923B (zh) | 一种有源配电系统运行灵活性的量化分析方法及相关产品 | |
| CN113141008A (zh) | 一种数据驱动的配电网分布式新能源消纳能力评估方法 | |
| CN105225000A (zh) | 一种基于模糊序优化的风功率概率模型非参数核密度估计方法 | |
| CN112925824A (zh) | 针对极端天气类型的光伏功率预测方法及系统 | |
| Zhao et al. | Short-term microgrid load probability density forecasting method based on k-means-deep learning quantile regression | |
| CN110210661A (zh) | 一种基于用户用能特性的中长期负荷预测方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191025 |
|
| RJ01 | Rejection of invention patent application after publication |