CN111915092A - 基于长短时记忆神经网络的超短期风电功率预测方法 - Google Patents

Abstract

本发明提供一种基于长短时记忆神经网络的超短期风电功率预测方法。首先获取历史样本数据、预测日样本数据，然后计算历史日内各因素与预测日内对应因素的关联系数，其次计算各影响因素在风电功率影响因素中所占权重，通过计算历史日与预测日的相似度，得到相似样本数据作为训练数据，最后采用LSTM模型对预测日的风电功率进行预测；本发明对训练数据进行了筛选，选择与预测日的样本数据相似度大的数据作为训练数据，有利于增强建模数据的相似性，进而提高模型的准确性，采用LSTM模型作为训练模型，可以达到充分考虑风电功率的时序性、非线性的目的。

Description

基于长短时记忆神经网络的超短期风电功率预测方法

技术领域

本发明涉及风电功率预测技术领域，具体涉及一种基于长短时记忆神经网络的超短期风电功率预测方法。

背景技术

随着常规能源的日益枯竭，可再生能源的开发利用成为当前的研究热点。风能作为可再生能源中最丰富的资源之一，应用前景非常广阔。但是风电作为一种间歇性能源，具有随机性和不可控性的特点。当风电大规模并网时，会对电力系统的稳定性、充裕性和经济性造成一定的影响。对风电功率进行超短期预测，不仅有利于缓解电力系统调峰、调频的压力，还有利于电网调度人员制定计划、合理安排备用，降低电力系统运行成本，是减轻风电并网带来不利影响的有效途径。

目前，风电功率预测方法主要分为两类：一类是物理方法，需要使用数值天气预报(NWP)掌握风电场的气象信息，并与地理信息相结合建立准确的预测模型。建模过程比较复杂，且由于NWP的更新时间比较长，无法用于超短期预测。另一类是统计方法，根据风电场的历史数据直接挖掘数据之间的隐含关系进行建模。常用的建模方法包括持续法、时间序列法、支持向量机法、神经网络法、卡尔曼滤波法、小波分析法、组合预测法等。这些方法有的仅考虑了风电功率数据的时序性，有的仅考虑了风电功率的非线性，考虑不够全面。

训练样本在网络学习时占有非常重要的地位，其中蕴含的信息直接影响网络的性能。为了充分挖掘风电功率数据所包含的自然信息，应该在预测模型训练之前，对历史数据进行筛选与分类，有利于增强建模数据的相似性，从而提高模型的准确性，但目前的预测方法中很少提到对训练样本的合理处理。

发明内容

针对现有技术的不足，本发明提出一种基于长短时记忆神经网络的超短期风电功率预测方法，包括如下步骤：

步骤1：获取影响风电功率的历史样本数据，以及预测日当天的预测样本数据，所述历史样本数据包括所选取的历史日i内的风速最大值x_i,1、风速最小值x_i,2、风速平均值x_i,3、风向正弦值x′_i,4、风向余弦值x′_i,5、温度平均值x_i,6、湿度平均值x_i,7、气压平均值x_i,8，并构成历史日i内各影响因素的模式向量x_i＝[x_i,1,x_i,2,x_i,3,x′_i,4,x′_i,5,x_i,6,x_i,7,x_i,8],i＝1,2,…,n，n表示历史样本数据中的总天数；所述预测样本数据包括预测日当天的风速最大值x_d,1、风速最小值x_d,2、风速平均值x_d,3、风向正弦值x′_d,4、风向余弦值x′_d,5、温度平均值x_d,6、湿度平均值x_d,7、气压平均值x_d,8，并构成预测日内各影响因素的模式向量x_d＝[x_d,1,x_d,2,x_d,3,x′_d,4,x′_d,5,x_d,6,x_d,7,x_d,8]；

步骤2：将历史样本数据中的风速、湿度、气压采用公式(1)进行处理，

式中，x′_i,1表示x_i,1处理后对应的风速最大值，x′_i,2表示x_i,2处理后对应的风速最小值，x′_i,3表示x_i,3处理后对应的风速平均值，x′_i,7表示x_i,7处理后对应的湿度平均值，x′_i,8表示x_i,8处理后对应的气压平均值，x_smin表示{x_1,s,x_2,s,…,x_i,s,…,x_n,s,x_d,s}中的最小值，x_smax表示{x_1,s,x_2,s,…,x_i,s,…,x_n,s,x_d,s}中的最大值；

将历史样本数据中的温度采用公式(2)进行处理，

式中，x′_i,6表示x_i,6处理后对应的温度平均值；

则处理后的历史日i对应的模式向量表示为x′_i＝[x′_i,1,x′_i,2,x′_i,3,x′_i,4,x′_i,5,x′_i,6,x′_i,7,x′_i,8,],i＝1,2,…,n；

步骤3：将预测样本数据中风速、湿度、气压采用公式(3)进行处理，

式中，x′_d,1表示x_d,1处理后对应的风速最大值，x′_d,2表示x_d,2处理后对应的风速最小值，x′_d,3表示x_d,3处理后对应的风速平均值，x′_d,7表示x_d,7处理后对应的湿度平均值，x′_d,8表示x_d,8处理后对应的气压平均值；

将预测样本数据中的温度采用公式(4)进行处理，

式中，x′_d,6表示x_d,6处理后对应的温度平均值；

则处理后的预测日对应的模式向量表示为x′_d＝[x′_d,1,x′_d,2,x′_d,3,x′_d,4,x′_d,5,x′_d,6,x′_d,7,x′_d,8]；

步骤4：利用公式(5)计算x′_i,j与x′_d,j在第j个因素上的关联系数：

式中，ε_i(j)表示历史日i内的第j个因素与预测日当天相对应的第j个因素的关联系数，ρ表示分辨系数；

步骤5：令j＝1,2,…,8，利用公式(5)计算出历史内各因素与预测日内相对应因素的关联系数；

步骤6：计算风速、风向、温度、湿度、气压在风电功率的影响因素中所占的权重w_k；

式中，P_k表示相关程度，k＝1表示风速与风电功率的相关程度P₁，w₁表示风速在风电功率的影响因素中所占的权重；k＝2表示风向与风电功率的相关程度P₂，w₂表示风向在风电功率的影响因素中所占的权重；k＝3表示温度与风电功率的相关程度P₃，w₃表示温度在风电功率的影响因素中所占的权重；k＝4表示湿度与风电功率的相关程度P₄，w₄表示湿度在风电功率的影响因素中所占的权重；k＝5表示气压与风电功率的相关程度P₅，w₅表示气压在风电功率的影响因素中所占的权重；

步骤7：利用公式(7)计算历史日i与预测日的相似度F_i；

F_i＝w₁ε_i(1)+w₁ε_i(2)+w₁ε_i(3)+w₂ε_i(4)+w₂ε_i(5)+w₃ε_i(6)+w₄ε_i(7)+w₅ε_i(8) (7)

步骤8：令i＝1,2,…,n，利用公式(7)计算各个历史日与预测日的相似度，分别记为F₁,F₁,…,F_i,…,F_n，当F_i≥Φ时，F_i所对应历史日i内的历史样本数据为相似样本数据，其中Φ表示相似度阈值；

步骤9：将相似样本数据作为训练数据输入到LSTM模型中对预测日的风电功率进行预测，所述LSTM模型包括一个输入层、一个隐含层、一个输出层，所述隐含层为一个内存单元。

所述相关程度P_k表述为：

步骤6.1：获取历史日i内时刻te的风速值

风向值

温度值

湿度值

气压值

以及风电功率值y_i,te，将n天内的所有风速值构成一个风速集

将n天内的所有风向值构成一个风向集

将n天内的所有温度值构成一个温度集

将n天内的所有湿度值构成一个湿度集

将n天内的所有气压值构成一个气压集

将n天内的所有风电功率值构成一个功率集Y＝{y_1,t1,y_1,t2,…,y_1,te,…,y_1,tT,y_2,t1,…,y_i,te,…,y_n,tT}，其中i＝1,2,…,n，e＝1,2,…T，T表示时刻总数；

步骤6.2：利用公式(8)计算因素k与风电功率的相关程度P_k，其中，k＝1表示影响因素为风速，k＝2表示影响因素为风向，k＝3表示影响因素为温度，k＝4表示影响因素为湿度，k＝5表示影响因素为气压；

式中，cov(X^k,Y)表示因素k与风电功率Y的协方差，var(X^k)表示集合X^k的标准差，var(Y)表示集合Y的标准差。

所述内存单元的计算过程如下：

h_t＝o_t*h(c_t) (13)

式中，c_t表示t时刻记忆细胞的状态，i_t表示输入门，f_t表示遗忘门，x_t表示t时刻LSTM单元的输入，h_t表示t时刻LSTM单元的输出，W_xi、W_hi、W_ci表示输入门的权重矩阵，W_xf、W_hf、W_cf表示遗忘门的权重矩阵，W_xc、W_hc表示记忆细胞的权重矩阵，b_i表示输入门的偏置向量，b_f表示遗忘门的偏置向量，o_t表示输出门，b_c表示记忆细胞的偏置向量，W_xo、W_ho表示输出门的权重矩阵，b_o表示输出门的偏置向量，*表示两个向量的标量积，σ(X_α)为标准的逻辑sigmoid函数，表示为：

g(X_c)、h(c_t)为有范围逻辑函数，表示为：

本发明的有益效果是：

本发明提出了一种基于长短时记忆神经网络的超短期风电功率预测方法，首先对获取的历史样本数据进行筛选，通过计算历史日与预测日的相似度，得到相似样本数据作为模型输入的训练数据，提取相似样本数据有利于增强建模数据的相似性，进而提高模型的准确性；在预测阶段，采用长短时记忆神经网络模型(长短时记忆神经网络简称LSTM)进行风电功率的预测，LSTM模型在学习新信息的同时能够动态的保留历史信息，并能够自动确定最优时滞时间，可以达到充分考虑风电功率的时序性、非线性的目的。

附图说明

图1为本发明中的基于长短时记忆神经网络的超短期风电功率预测方法流程图。

具体实施方式

下面结合附图和具体实施实例对发明做进一步说明。

如图1所示，一种基于长短时记忆神经网络的超短期风电功率预测方法，包括如下步骤：

步骤1：获取影响风电功率的历史样本数据，以及预测日当天的预测样本数据，所述历史样本数据包括所选取的历史日i内的风速最大值x_i,1、风速最小值x_i,2、风速平均值x_i,3、风向正弦值x′_i,4、风向余弦值x′_i,5、温度平均值x_i,6、湿度平均值x_i,7、气压平均值x_i,8，并构成历史日i内各影响因素的模式向量x_i＝[x_i,1,x_i,2,x_i,3,x′_i,4,x′_i,5,x_i,6,x_i,7,x_i,8],i＝1,2,…,n，n表示历史样本数据中的总天数；所述预测样本数据包括预测日当天的风速最大值x_d,1、风速最小值x_d,2、风速平均值x_d,3、风向正弦值x′_d,4、风向余弦值x′_d,5、温度平均值x_d,6、湿度平均值x_d,7、气压平均值x_d,8，并构成预测日内各影响因素的模式向量x_d＝[x_d,1,x_d,2,x_d,3,x′_d,4,x′_d,5,x_d,6,x_d,7,x_d,8]；

本实施例采用的历史样本数据取自于，某风电场2016.01～2018.12共三年的风机运行数据和天气数据，然后从2018年随机选取一天如2018年6月1日作为预测日，则历史样本数据取自于2018年4月、2018年5月、2017年6月、2016年6月四个月内每天的数据。步骤2：将历史样本数据中的风速、湿度、气压采用公式(1)进行处理，

式中，x′_i,1表示x_i,1处理后对应的风速最大值，x′_i,2表示x_i,2处理后对应的风速最小值，x′_i,3表示x_i,3处理后对应的风速平均值，x′_i,7表示x_i,7处理后对应的湿度平均值，x′_i,8表示x_i,8处理后对应的气压平均值，x_smin表示{x_1,s,x_2,s,…,x_i,s,…,x_n,s,x_d,s}中的最小值，x_smax表示{x_1,s,x_2,s,…,x_i,s,…,x_n,s,x_d,s}中的最大值；

由于风向用正弦值和余弦值来表示，不需要进行归一化处理，将历史样本数据中的温度采用公式(2)进行处理，

式中，x′_i,6表示x_i,6处理后对应的温度平均值；

则处理后的历史日i对应的模式向量表示为x′_i＝[x′_i,1,x′_i,2,x′_i,3,x′_i,4,x′_i,5,x′_i,6,x′_i,7,x′_i,8,],i＝1,2,…,n；

步骤3：将预测样本数据中风速、湿度、气压采用公式(3)进行处理，

式中，x′_d,1表示x_d,1处理后对应的风速最大值，x′_d,2表示x_d,2处理后对应的风速最小值，x′_d,3表示x_d,3处理后对应的风速平均值，x′_d,7表示x_d,7处理后对应的湿度平均值，x′_d,8表示x_d,8处理后对应的气压平均值；

将预测样本数据中的温度采用公式(4)进行处理，

式中，x′_d,6表示x_d,6处理后对应的温度平均值；

则处理后的预测日对应的模式向量表示为x′_d＝[x′_d,1,x′_d,2,x′_d,3,x′_d,4,x′_d,5,x′_d,6,x′_d,7,x′_d,8]；

步骤4：利用公式(5)计算x′_i,j与x′_d,j在第j个因素上的关联系数：

式中，ε_i(j)表示历史日i内的第j个因素与预测日当天相对应的第j个因素的关联系数，ρ表示分辨系数；

步骤5：令j＝1,2,…,8，利用公式(5)计算出历史内各因素与预测日内相对应因素的关联系数；

步骤6：计算风速、风向、温度、湿度、气压在风电功率的影响因素中所占的权重w_k；

式中，P_k表示相关程度，P_k表示因素k与风电功率的相关程度，k＝1表示风速与风电功率的相关程度P₁，w₁表示风速在风电功率的影响因素中所占的权重；k＝2表示风向与风电功率的相关程度P₂，w₂表示风向在风电功率的影响因素中所占的权重；k＝3表示温度与风电功率的相关程度P₃，w₃表示温度在风电功率的影响因素中所占的权重；k＝4表示湿度与风电功率的相关程度P₄，w₄表示湿度在风电功率的影响因素中所占的权重；k＝5表示气压与风电功率的相关程度P₅，w₅表示气压在风电功率的影响因素中所占的权重；

所述相关程度P_k表述为：

步骤6.1：获取历史日i内时刻te的风速值

风向值

温度值

湿度值

气压值

以及风电功率值y_i,te，将n天内的所有风速值构成一个风速集

将n天内的所有风向值构成一个风向集

将n天内的所有温度值构成一个温度集

将n天内的所有湿度值构成一个湿度集

将n天内的所有气压值构成一个气压集

将n天内的所有风电功率值构成一个功率集Y＝{y_1,t1,y_1,t2,…,y_1,te,…,y_1,tT,y_2,t1,…,y_i,te,…,y_n,tT}，其中i＝1,2,…,n，e＝1,2,…T，T表示时刻总数；

步骤6.2：利用公式(8)计算因素k与风电功率的相关程度P_k，其中，k＝1表示影响因素为风速，k＝2表示影响因素为风向，k＝3表示影响因素为温度，k＝4表示影响因素为湿度，k＝5表示影响因素为气压；

式中，cov(X^k,Y)表示因素k与风电功率Y的协方差，var(X^k)表示集合X^k的标准差，var(Y)表示集合Y的标准差。

采用灰色关联分析的方法定义相似度，将所有影响因素都等同对待，不能解释相互影响之间的主要关系，找出影响目标值的重要因素，为此本发明将现有技术中的灰色关联分析方法定义的相似度修改为公式(7)的形式，为每个影响因素都添加上对应的权重，其中权重的确定是通过皮尔逊相关系数计算得到的。

步骤7：利用公式(7)计算历史日i与预测日的相似度F_i；

F_i＝w₁ε_i(1)+w₁ε_i(2)+w₁ε_i(3)+w₂ε_i(4)+w₂ε_i(5)+w₃ε_i(6)+w₄ε_i(7)+w₅ε_i(8) (7)

步骤8：令i＝1,2,…,n，利用公式(7)计算各个历史日与预测日的相似度，分别记为F₁,F₁,…,F_i,…,F_n，当F_i≥Φ时，F_i所对应历史日i内的历史样本数据为相似样本数据，其中Φ表示相似度阈值；

步骤9：将相似样本数据作为训练数据输入到LSTM模型中对预测日的风电功率进行预测，所述LSTM模型包括一个输入层、一个隐含层、一个输出层，所述隐含层为一个内存单元，首先需要通过训练数据对LSTM模型进行训练，得到一个预测结果最优的LSTM模型，然后利用训练得到的最优LSTM模型对预测日的风电功率进行预测；

LSTM模型包括了基本的LSTM层与最后的全连接层，其主要优点是具有较强的历史数据记忆能力，在学习新信息的同时能够动态的保留历史信息，并能够自动确定最优时滞时间，非常适合处理与时序有关的问题。LSTM模型由一个输入层，一个循环隐含层和一个输出层组成，其隐含层不是神经元节点，而是一个内存单元。内存单元中有三个门，即输入门，输出门和遗忘门，用于保护和控制细胞的状态；输入门i_t决定了记忆细胞c_t能够保存多少当前时刻网络的输入x_t，遗忘门f_t决定了当前时刻c_t可以保存多少上一时刻的记忆细胞c_t-1，输出门o_t决定了LSTM模型的当前输出值h_t可以输入多少记忆细胞c_t，模型的输入定义为x＝(x₁,x₂,...,x_T')，输出定义为y＝(y₁,y₂,...,y_T')，隐层的向量序列h＝(h₁,h₂,...,h_T')，其中T'为预测周期。所述内存单元的计算过程如下：

h_t＝o_t*h(c_t) (13)

式中，c_t表示t时刻记忆细胞的状态，i_t表示输入门，f_t表示遗忘门，x_t表示t时刻LSTM单元的输入，h_t表示t时刻LSTM单元的输出，W_xi、W_hi、W_ci表示输入门的权重矩阵，W_xf、W_hf、W_cf表示遗忘门的权重矩阵，W_xc、W_hc表示记忆细胞的权重矩阵，b_i表示输入门的偏置向量，b_f表示遗忘门的偏置向量，o_t表示输出门，b_c表示记忆细胞的偏置向量，W_xo、W_ho表示输出门的权重矩阵，b_o表示输出门的偏置向量，*表示两个向量的标量积，σ(X_α)为标准的逻辑sigmoid函数，表示为：

g(X_c)、h(c_t)为有范围逻辑函数，取值范围分别为[-2,2]、[-1,1]，定义为：

上述历史日与预测日的相似度计算结果如表1所示，从表1中可以看出，与预测日2018年6月1日最相似的日期是2016年6月24日，并不是距离预测日最近的日期；与预测日2018年6月1日最不相似的日期是2018年4月5日，也不是距离预测日最远的日期。所以不能单纯的将与预测日相距最近的日期的风电功率作为训练样本，而是应该选取与预测日相似度最大的日期的风电功率作为训练样本。

表1相似度计算结果表

将某风电场2016年1月1日至2018年12月31日的数据作为数据集，对2018年4个季节中的某一天分别进行预测，选取与预测日相似度大的历史日作为训练样本。模型的输入为预测时刻前一时刻的风电功率值，预测时间间隔分别为15分钟、30分钟、60分钟，输出分别为3种预测时间间隔下的预测时刻的风电功率值。在输入之前，为了防止因不同数量级之间的差异对模型性能造成影响，要对输入变量和输出变量进行归一化处理：

其中：P_u′为归一化后的风电功率值，P_u为归一化前的风电功率真实值，P_max、P_min为归一化前所有样本中最大风电功率，最小风电功率的数值，U为样本总数。

为了验证本发明(本发明提供的预测方法简称SD-LSTM)在超短期风电功率预测上的可行性，选取了具有代表性的预测方法(如广义回归神经网络GRNN，Elman神经网络，长短时记忆神经网络LSTM)与本发明SD-LSTM进行比较，其中广义回归神经网络GRNN、Elman神经网络均采用MATLAB编程实现，长短时记忆神经网络LSTM采用Python编程实现，因为本发明的预测模型采用的是长短时记忆神经网络LSTM，所以本发明同样采用Python编程实现。

由于风电功率存在零值，预测问题中常用的平均绝对百分误差(平均绝对百分误差简称MAPE)将失去意义，因此这里引入平均相对误差(平均相对误差简称MRE)代替MAPE进行评估。为了验证所提供模型预测精度的准确性与稳定性，将采用两个指标评价风电功率的点预测效果，即平均相对误差MRE和均方根误差RMSE，定义如下所示：

其中，P_u为风电功率的真实值，

为风电功率的预测值，P_m为风电场装机容量。

表2为4种方法在不同预测时间间隔上对风电功率预测的结果，通过预测结果的对比，说明相似日选取方法起到了一定的作用，本方法SD-LSTM方法相比其他方法不仅预测精度高，而且预测效果稳定。SD-LSTM预测值与实际值最接近，该方法的MAPE、RMSE均最小，这说明SD-LSTM与其他模型相比具有更好的预测效果，能够有效地应用到风电功率的预测中。

表2预测结果对比表

Claims (3)

1.一种基于长短时记忆神经网络的超短期风电功率预测方法，其特征在于，包括如下步骤：

步骤1：获取影响风电功率的历史样本数据，以及预测日当天的预测样本数据，所述历史样本数据包括所选取的历史日i内的风速最大值x_i,1、风速最小值x_i,2、风速平均值x_i,3、风向正弦值x'_i,4、风向余弦值x'_i,5、温度平均值x_i,6、湿度平均值x_i,7、气压平均值x_i,8，并构成历史日i内各影响因素的模式向量x_i＝[x_i,1,x_i,2,x_i,3,x'_i,4,x'_i,5,x_i,6,x_i,7,x_i,8],i＝1,2,…,n，n表示历史样本数据中的总天数；所述预测样本数据包括预测日当天的风速最大值x_d,1、风速最小值x_d,2、风速平均值x_d,3、风向正弦值x'_d,4、风向余弦值x'_d,5、温度平均值x_d,6、湿度平均值x_d,7、气压平均值x_d,8，并构成预测日内各影响因素的模式向量x_d＝[x_d,1,x_d,2,x_d,3,x'_d,4,x'_d,5,x_d,6,x_d,7,x_d,8]；

步骤2：将历史样本数据中的风速、湿度、气压采用公式(1)进行处理，

式中，x'_i,1表示x_i,1处理后对应的风速最大值，x'_i,2表示x_i,2处理后对应的风速最小值，x'_i,3表示x_i,3处理后对应的风速平均值，x'_i,7表示x_i,7处理后对应的湿度平均值，x'_i,8表示x_i,8处理后对应的气压平均值，x_smin表示{x_1,s,x_2,s,…,x_i,s,…,x_n,s,x_d,s}中的最小值，x_smax表示{x_1,s,x_2,s,…,x_i,s,…,x_n,s,x_d,s}中的最大值；

将历史样本数据中的温度采用公式(2)进行处理，

式中，x'_i,6表示x_i,6处理后对应的温度平均值；

则处理后的历史日i对应的模式向量表示为x'_i＝[x'_i,1,x'_i,2,x'_i,3,x'_i,4,x'_i,5,x'_i,6,x'_i,7,x'_i,8,],i＝1,2,…,n；

步骤3：将预测样本数据中风速、湿度、气压采用公式(3)进行处理，

式中，x'_d,1表示x_d,1处理后对应的风速最大值，x'_d,2表示x_d,2处理后对应的风速最小值，x'_d,3表示x_d,3处理后对应的风速平均值，x'_d,7表示x_d,7处理后对应的湿度平均值，x'_d,8表示x_d,8处理后对应的气压平均值；

将预测样本数据中的温度采用公式(4)进行处理，

式中，x'_d,6表示x_d,6处理后对应的温度平均值；

则处理后的预测日对应的模式向量表示为x'_d＝[x'_d,1,x'_d,2,x'_d,3,x'_d,4,x'_d,5,x'_d,6,x'_d,7,x'_d,8]；

步骤4：利用公式(5)计算x'_i,j与x'_d,j在第j个因素上的关联系数：

式中，ε_i(j)表示历史日i内的第j个因素与预测日当天相对应的第j个因素的关联系数，ρ表示分辨系数；

步骤5：令j＝1,2,…,8，利用公式(5)计算出历史内各因素与预测日内相对应因素的关联系数；

步骤6：计算风速、风向、温度、湿度、气压在风电功率的影响因素中所占的权重w_k；

式中，P_k表示相关程度，k＝1表示风速与风电功率的相关程度P₁，w₁表示风速在风电功率的影响因素中所占的权重；k＝2表示风向与风电功率的相关程度P₂，w₂表示风向在风电功率的影响因素中所占的权重；k＝3表示温度与风电功率的相关程度P₃，w₃表示温度在风电功率的影响因素中所占的权重；k＝4表示湿度与风电功率的相关程度P₄，w₄表示湿度在风电功率的影响因素中所占的权重；k＝5表示气压与风电功率的相关程度P₅，w₅表示气压在风电功率的影响因素中所占的权重；

步骤7：利用公式(7)计算历史日i与预测日的相似度F_i；

F_i＝w₁ε_i(1)+w₁ε_i(2)+w₁ε_i(3)+w₂ε_i(4)+w₂ε_i(5)+w₃ε_i(6)+w₄ε_i(7)+w₅ε_i(8) (7)

步骤8：令i＝1,2,…,n，利用公式(7)计算各个历史日与预测日的相似度，分别记为F₁,F₁,…,F_i,…,F_n，当F_i≥Φ时，F_i所对应历史日i内的历史样本数据为相似样本数据，其中Φ表示相似度阈值；

步骤9：将相似样本数据作为训练数据输入到LSTM模型中对预测日的风电功率进行预测，所述LSTM模型包括一个输入层、一个隐含层、一个输出层，所述隐含层为一个内存单元。

2.根据权利要求1所述的基于长短时记忆神经网络的超短期风电功率预测方法，其特征在于，所述相关程度P_k表述为：

步骤6.1：获取历史日i内时刻te的风速值

风向值

温度值

湿度值

气压值

以及风电功率值y_i,te，将n天内的所有风速值构成一个风速集

将n天内的所有风向值构成一个风向集

将n天内的所有温度值构成一个温度集

将n天内的所有湿度值构成一个湿度集

将n天内的所有气压值构成一个气压集

将n天内的所有风电功率值构成一个功率集Y＝{y_1,t1,y_1,t2,…,y_1,te,…,y_1,tT,y_2,t1,…,y_i,te,…,y_n,tT}，其中i＝1,2,…,n，e＝1,2,…T，T表示时刻总数；

步骤6.2：利用公式(8)计算因素k与风电功率的相关程度P_k，其中，k＝1表示影响因素为风速，k＝2表示影响因素为风向，k＝3表示影响因素为温度，k＝4表示影响因素为湿度，k＝5表示影响因素为气压；

式中，cov(X^k,Y)表示因素k与风电功率Y的协方差，var(X^k)表示集合X^k的标准差，var(Y)表示集合Y的标准差。

3.根据权利要求1所述的基于长短时记忆神经网络的超短期风电功率预测方法，其特征在于，所述内存单元的计算过程如下：

h_t＝o_t*h(c_t) (13)

式中，c_t表示t时刻记忆细胞的状态，i_t表示输入门，f_t表示遗忘门，x_t表示t时刻LSTM单元的输入，h_t表示t时刻LSTM单元的输出，W_xi、W_hi、W_ci表示输入门的权重矩阵，W_xf、W_hf、W_cf表示遗忘门的权重矩阵，W_xc、W_hc表示记忆细胞的权重矩阵，b_i表示输入门的偏置向量，b_f表示遗忘门的偏置向量，o_t表示输出门，b_c表示记忆细胞的偏置向量，W_xo、W_ho表示输出门的权重矩阵，b_o表示输出门的偏置向量，*表示两个向量的标量积，σ(X_α)为标准的逻辑sigmoid函数，表示为：

g(X_c)、h(c_t)为有范围逻辑函数，表示为：

Images