CN113449847B - 考虑秒级时间序列风速变化的海上风电功率滚动预测方法 - Google Patents

Abstract

本发明考虑秒级时间序列风速变化的海上风电功率滚动预测方法属于电力市场的技术领域；解决的技术问题为：提供一种考虑秒级时间序列风速变化的海上风电功率滚动预测方法，利用数据预处理，处理异常数据并完成海上风速与风电功率归一化，进而通过差分平滑功率序列建立秒级时间尺度下风速预测模型，最后建立滚动LSTM记忆网络，实现秒级时间序列数据的预测并对应该风速下的风电功率；采用的技术方案为：考虑秒级时间序列风速变化的海上风电功率滚动预测方法，包括以下步骤：步骤S1）风速与风电功率数据的预处理，步骤S2）建立风速与风电功率预测模型，步骤S3）算例分析验证。

Description

考虑秒级时间序列风速变化的海上风电功率滚动预测方法

技术领域

本发明考虑秒级时间序列风速变化的海上风电功率滚动预测方法属于电力市场的技术领域，具体涉及一种考虑秒级时间序列风速变化的海上风电功率滚动预测方法。

背景技术

分布随着海上风电装机数量不断增加、容量不断提高，风力发电技术和相应设备制造能力的迅速发展，风力发电已成为目前技术最为成熟、最具发展前景的可再生能源，海上风速高，风机单机容量大，年运行小时数最高可达4000小时以上，海上风电效率较陆上风电年发电量多出20％～40％，具有更高的能源效益；海上风电场远离陆地，不受城市规划影响，也不必担心噪音、电磁波等对居民的影响，同时可以带动沿海地区经济发展，方便沿海重负荷城市就地消纳。但由于海上风电具有随机性、不可控制性等特点，容易引起风电发电公司无法正确上报发电量，从而导致上报电量过少主动弃风、上报电量过多被罚款，故在实际应用中，需预测风速并预测短期风电功率。

目前，海上风电功率预测是以历史出力数据、数值天气预报(Numeric WeatherPrediction，NWP)和实测气象数据为基础，建立预测模型对未来海上风电输出功率的预测。现有的研究中，已出现以挖掘和分析风电功率的固有波动规律为切入点，围绕风电波动规律在超短期预测中的利用问题研究新方法，也有利用基于极限学习机和对自举的预测间隔公式的新方法在不同季节进行了风电预测并验证其有效性，还有通过支持向量机回归的风电功率预测模型并有效验证针对不同风电天气类型，选取邻近日分别建立基于其可靠性。如何使海上风电发电方使用风电预测和预测方法来计划和调度海上风电机组，并使得海上风电发电方和电力部门利润最大化，急需准确的风电预测。

但现有的多因素海上风电预测方法无法满足信息缺失的情况，当仅有海上风电机组风速与风电功率的情况下，如何满足未来几小时内的风电功率预测，是我们当前急需的研究方向。

发明内容

本发明克服现有技术存在的不足，所要解决的技术问题为：提供一种考虑秒级时间序列风速变化的海上风电功率滚动预测方法，利用数据预处理，处理异常数据并完成海上风速与风电功率归一化，进而通过差分平滑功率序列建立秒级时间尺度下风速预测模型，最后建立滚动LSTM记忆网络，实现秒级时间序列数据的预测并对应该风速下的风电功率。

为了解决上述技术问题，本发明采用的技术方案为：考虑秒级时间序列风速变化的海上风电功率滚动预测方法，包括以下步骤：

步骤S1)风速与风电功率数据的预处理；

步骤S2)建立风速与风电功率预测模型；

步骤S3)算例分析验证。

所述的步骤S1)中，对风速与风电功率数据的预处理过程为：

步骤S11)异常数据处理与归一化：

(1)实验数据

海上风电场通过各种传感器采集测风数据，并通过数据传输装置实现现场数据的快速转换和传输，对原始测风数据进行分析、检验和修正，得到更为精确的历史数据；

(2)Max-Min归一化

预测模型训练前，由于模型中的GRU神经单元采用Sigmoid和tanh函数作为激活函数，并且也为了提高风电功率预测的精度和数据在训练过程中的收敛速度，采用Max-Min归一化方法对原始风电功率数据进行归一化处理，将其转换为[0,1]区间的数据，数据归一化的公式为：

式中，y为归一化后的风电功率值；x_max为原始风电功率数据中的最大值；x_min为原始风电功率数据中的最小值；x_i为实际的风电功率值；

在一般情况下，认为风场的功率出力为每个风力发电机的叠加，风机的输出功率可用下式表达：

式中，C_p为风机对风能的利用系数；ρ为空气密度；r为风机叶片半径；v为风速；其中风能利用系数表示风电功率与风能的比值，也就是风机对风能的转化效率，根据贝兹极限，在不考虑尾流影响的条件下，水平风机的风能利用系数最大为0.593；

步骤S12)风速与风电功率拟合关系分析

由于风速变化，小风速与过大风速不利于风力发电，小风速无法带动叶片转动，过大风速会引起海上风电机组故障，在设计时，海上风电机组需安装限速装置，保证风机在大风时能安全运行，风机设计时有以下规定：切入风速v_in，切出风速v_out，额定风速v_r，因此海上风电功率公式也可以表示：

式中，f(v)作为在风速在切入风速与额定风速之间下的海上风电功率与风速的关系方程；Pr表示切出风速与额定风速之间的海上风电功率；

但现实中无法准确求解风速与风电功率的关系，无法求解风速与风电功率的实际方程，故采用Sigmoidal模型、采用boltzmann方程进行非线性拟合风速与风电功率的实际方程，如下所示：

式(4)为boltzmann方程，A1,A2,x0,B是boltzmann方程的参数。

所述的步骤S2)中，建立风速与风电功率预测模型的过程为：

步骤S21)建立秒级时间尺度下风电功率预测模型：

时间序列具有动态时间特性，即当前时刻的序列值与前若干个时刻的序列值具有相关性，相关性随时间间隔减小而增加，而海上风电具有众多不确定因素，如风向、气压、温度，根据其海上风力波动规律与时间序列，判断未来短期风速变化，以此预测风电功率大小，秒级时间尺度下单一风速变化预测模型表示为：

P(t)＝f₁(P(t-θ),P(t-2θ),…)+E(t) (5)

式中：θ为数据采集的时间间隔；f₁为海上风电功率序列的时间相关性函数；E(t)为t时刻预测误差；

由于天气系统的复杂性，海上风电功率序列具有不平稳性，通过差分平滑功率序列，可降低f₁复杂度，减小预测误差，即：

ΔP(t)＝f₂(ΔP(t-θ),ΔP(t-2θ),…)+e(t) (6)

式中：ΔP(t)为t时刻与t-θ时刻海上风电功率的变化值；f₂为海上风电功率差分序列的时间相关性函数；e(t)为t时刻的最小预测误差；P为(t-2θ)时刻下的海上风电功率；

步骤S22)建立滚动LSTM神经网络模型：

循环神经网络是人工神经网络的一种，循环神经网络善于处理时间序列数据，可以在时间轴上描述数据前后关系，LSTM是由Hochreiter和Schmidhuber作为循环神经网络的衍生而提出，LSTM在循环神经网络隐藏层中添加多个特殊的计算节点，改善反向传播时梯度传递方式，有效减缓梯度消失或梯度爆炸的情况，解决了因RNN存在长期依赖问题而无法建立时间跨度的预测模型问题；

LSTM模型网络拓扑结构中引入了门控单元控制本时刻信息对前信息的影响，模型具有时间的记忆性，适用于长时间非线性序列预测问题，LSTM网络结构由输入门、输出门和遗忘门所构成，相较于RNN不同的是：其内部有多个隐藏层，隐藏层的神经元被替换为具有门控机制的记忆单元；

得出LSTM记忆网络结构图，记忆细胞单元是LSTM网络的核心组件，模型的输入包含t时刻序列输入x_t，t-1时刻隐藏层细胞状态h_t-1和记忆单元c_t-1；输出包含记忆单元状态c_t与隐藏层状态h_t，其中c_t与h_t各自包含了模型的长期、短期记忆信息，通过控制输入门、遗忘门和输出门来实现记忆细胞单元的读取和修改，进行网络之间的信息流动，tanh表示tanh的激活函数，输入门利用sigmoid激活函数对参数进行录入，将变量控制在[0，1]之间，实现x_t对c_t的控制；遗忘门的是将上一时刻的神经元状态选择性遗忘，具体表现形式是利用记忆单元c_t-1对c_t的控制；输出门用来输出和控制参数变量，即利用c_t对h_t的影响程度，计算公式分别如下：

i_t＝σ(W_ixx_t+W_ihh_t-1+b_i) (7)

f_t＝σ(W_fxx_t+W_fhh_t-1+b_f) (8)

o_t＝σ(W_oxx_t+W_ohh_t-1+b_o) (9)

式中：i_t、f_t、o_t分别表示输入门、遗忘门与输出门的状态计算结果；W_ih、W_fh、W_ox与b_i、b_f、b_o分别表示相应门的权重矩阵与偏置项；σ代表sigmoid激活函数；W_ih表示输入门的权重矩阵；W_fh表示遗忘门的权重矩阵；W_ox表示输出门的权重矩阵；

LSTM模型中在t时刻记忆模块的输出结果由输出门与单元状态共同决定，具体公式如下：

c′_t＝tanh(W_c·h_t-1+W_f·x_t+b_c) (10)

c_t＝f_t⊙c_t-1+i_t⊙c_t′ (11)

h_t＝o_t⊙tanh(c_t) (12)

式中：c_t’表示时刻_t的单元状态输入；tanh为双曲正切激活函数；W_c、b_c分别代表输入层的状态权重矩阵与偏置项；W_f表示遗忘层的状态权重矩阵；⊙表示各元素按位置相乘；

通过滚动LSTM记忆网络，实现时间序列数据的预测；

步骤S22)验证滚动LSTM神经网络模型的预测性能：

为准确验证本文所提的LSTM网络模型的预测性能，选取平均绝对百分比误差y_MAPE、根均方误差y_RMSE和预测精度y_FA作为评价指标对模型预测效果进行分析，其中y_MAPE与y_RMSE数值越小，表示拟合优度越大，模型预测结果越准确，具体定义公式如下：

式中：n表示测试集的样本容量；X_act(i)和X_pred(i)i＝1,2,…n分别为第i时刻海上风电功率的真实值和预测值。

所述的步骤S3)中，算例分析验证，将实际数据套入步骤S1)和步骤S2)中进行推导，其结果为：

相较于RNN与ARIMA预测模型，LSTM预测模型的y_MAPE最低，同时y_RMSE指标最低，y_FA分别最高，说明LSTM预测模型在秒级时间序列风速变化的海上风电功率预测问题上有着更好的预测效果。

本发明与现有技术相比具有以下有益效果：

(1)采用LSTM滚动预测模型，对于秒级海上风速与风电功率进行分析，完成了未来4小时内的每秒海上风电功率的预测；

(2)利用LSTM网络适用于时序性的特点，相较RNN与ARIMA预测模型，本发明构建的LSTM滚动预测模型预测精度方面有着较大的提升；

(3)计算机技术的快速发展结合大数据平台的综合运用，将模型运用到其他预测领域，可能挖掘出更多的有效信息，进而提高预测精度，可为后续长期海上风电功率精准预测提供理论指导。

附图说明

下面结合附图对本发明做进一步详细的说明；

图1为本发明的方法流程示意图；

图2为本发明中风速与风电功率的理想关系；

图3为本发明中的循环神经网络结构；

图4为本发明中的LSTM记忆网络结构；

图5为本发明中的滚动LSTM记忆网络；

图6为本发明中算例分析实施例中的秒级风速与海上风电功率；

图7为本发明中算例分析实施例中的秒级风速与海上风电功率异常处理与拟合；

图8为本发明中算例分析实施例中的实际功率曲线与其他模型预测功率曲线；

图9为本发明中算例分析实施例中的部分时间下实际功率曲线与其他模型预测功率曲线；

图10为本发明中算例分析实施例中的部分时间下预测点样本秒级功率误差。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明中的实施例，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明考虑秒级时间序列风速变化的海上风电功率滚动预测方法，包括以下步骤：

步骤S1)风速与风电功率数据的预处理；

步骤S2)建立风速与风电功率预测模型；

步骤S3)算例分析验证。

所述的步骤S1)中，对风速与风电功率数据的预处理过程为：

步骤S11)异常数据处理与归一化：

(1)实验数据

海上风电场通过各种传感器采集测风数据，并通过数据传输装置实现现场数据的快速转换和传输，对原始测风数据进行分析、检验和修正，得到更为精确的历史数据；

(2)Max-Min归一化

预测模型训练前，由于模型中的GRU神经单元采用Sigmoid和tanh函数作为激活函数，并且也为了提高风电功率预测的精度和数据在训练过程中的收敛速度，采用Max-Min归一化方法对原始风电功率数据进行归一化处理，将其转换为[0,1]区间的数据，数据归一化的公式为：

式中，y为归一化后的风电功率值；x_max为原始风电功率数据中的最大值；x_min为原始风电功率数据中的最小值；x_i为实际的风电功率值；

在一般情况下，认为风场的功率出力为每个风力发电机的叠加，风机的输出功率可用下式表达：

式中，C_p为风机对风能的利用系数；ρ为空气密度；r为风机叶片半径；v为风速；其中风能利用系数表示风电功率与风能的比值，也就是风机对风能的转化效率，根据贝兹极限，在不考虑尾流影响的条件下，水平风机的风能利用系数最大为0.593；

步骤S12)风速与风电功率拟合关系分析

由于风速变化，小风速与过大风速不利于风力发电，小风速无法带动叶片转动，过大风速会引起海上风电机组故障，在设计时，海上风电机组需安装限速装置，保证风机在大风时能安全运行，风机设计时有以下规定：切入风速v_in，切出风速v_out，额定风速v_r，因此海上风电功率公式也可以表示：

式中，f(v)作为在风速在切入风速与额定风速之间下的海上风电功率与风速的关系方程；Pr表示切出风速与额定风速之间的海上风电功率；

但现实中无法准确求解风速与风电功率的关系，无法求解风速与风电功率的实际方程，故采用Sigmoidal模型、采用boltzmann方程进行非线性拟合风速与风电功率的实际方程，如下所示：

式(4)为boltzmann方程，A1,A2,x0,B是boltzmann方程的参数。

所述的步骤S2)中，建立风速与风电功率预测模型的过程为：

步骤S21)建立秒级时间尺度下风电功率预测模型：

时间序列具有动态时间特性，即当前时刻的序列值与前若干个时刻的序列值具有相关性，相关性随时间间隔减小而增加，而海上风电具有众多不确定因素，如风向、气压、温度，根据其海上风力波动规律与时间序列，判断未来短期风速变化，以此预测风电功率大小，秒级时间尺度下单一风速变化预测模型表示为：

P(t)＝f₁(P(t-θ),P(t-2θ),…)+E(t) (5)

式中：θ为数据采集的时间间隔；f₁为海上风电功率序列的时间相关性函数；E(t)为t时刻预测误差；

由于天气系统的复杂性，海上风电功率序列具有不平稳性，通过差分平滑功率序列，可降低f₁复杂度，减小预测误差，即：

ΔP(t)＝f₂(ΔP(t-θ),ΔP(t-2θ),…)+e(t) (6)

式中：ΔP(t)为t时刻与t-θ时刻海上风电功率的变化值；f₂为海上风电功率差分序列的时间相关性函数；e(t)为t时刻的最小预测误差；P为(t-2θ)时刻下的海上风电功率；

步骤S22)建立滚动LSTM神经网络模型：

循环神经网络是人工神经网络的一种，循环神经网络善于处理时间序列数据，可以在时间轴上描述数据前后关系，LSTM是由Hochreiter和Schmidhuber作为循环神经网络的衍生而提出，LSTM在循环神经网络隐藏层中添加多个特殊的计算节点，改善反向传播时梯度传递方式，有效减缓梯度消失或梯度爆炸的情况，解决了因RNN存在长期依赖问题而无法建立时间跨度的预测模型问题；

LSTM模型网络拓扑结构中引入了门控单元控制本时刻信息对前信息的影响，模型具有时间的记忆性，适用于长时间非线性序列预测问题，LSTM网络结构由输入门、输出门和遗忘门所构成，相较于RNN不同的是：其内部有多个隐藏层，隐藏层的神经元被替换为具有门控机制的记忆单元；

得出LSTM记忆网络结构图，记忆细胞单元是LSTM网络的核心组件，模型的输入包含t时刻序列输入x_t，t-1时刻隐藏层细胞状态h_t-1和记忆单元c_t-1；输出包含记忆单元状态c_t与隐藏层状态h_t，其中c_t与h_t各自包含了模型的长期、短期记忆信息，通过控制输入门、遗忘门和输出门来实现记忆细胞单元的读取和修改，进行网络之间的信息流动，tanh表示tanh的激活函数，输入门利用sigmoid激活函数对参数进行录入，将变量控制在[0，1]之间，实现x_t对c_t的控制；遗忘门的是将上一时刻的神经元状态选择性遗忘，具体表现形式是利用记忆单元c_t-1对c_t的控制；输出门用来输出和控制参数变量，即利用c_t对h_t的影响程度，计算公式分别如下：

i_t＝σ(W_ixx_t+W_ihh_t-1+b_i) (7)

f_t＝σ(W_fxx_t+W_fhh_t-1+b_f) (8)

o_t＝σ(W_oxx_t+W_ohh_t-1+b_o) (9)

式中：i_t、f_t、o_t分别表示输入门、遗忘门与输出门的状态计算结果；W_ih、W_fh、W_ox与b_i、b_f、b_o分别表示相应门的权重矩阵与偏置项；σ代表sigmoid激活函数；W_ih表示输入门的权重矩阵；W_fh表示遗忘门的权重矩阵；W_ox表示输出门的权重矩阵；

LSTM模型中在t时刻记忆模块的输出结果由输出门与单元状态共同决定，具体公式如下：

c′_t＝tanh(W_c·h_t-1+W_f·x_t+b_c) (10)

c_t＝f_t⊙c_t-1+i_t⊙c_t′ (11)

h_t＝o_t⊙tanh(c_t) (12)

式中：c_t’表示时刻_t的单元状态输入；tanh为双曲正切激活函数；W_c、b_c分别代表输入层的状态权重矩阵与偏置项；W_f表示遗忘层的状态权重矩阵；⊙表示各元素按位置相乘；

通过滚动LSTM记忆网络，实现时间序列数据的预测；

步骤S22)验证滚动LSTM神经网络模型的预测性能：

为准确验证本文所提的LSTM网络模型的预测性能，选取平均绝对百分比误差y_MAPE、根均方误差y_RMSE和预测精度y_FA作为评价指标对模型预测效果进行分析，其中y_MAPE与y_RMSE数值越小，表示拟合优度越大，模型预测结果越准确，具体定义公式如下：

式中：n表示测试集的样本容量；X_act(i)和X_pred(i)i＝1,2,…n分别为第i时刻海上风电功率的真实值和预测值。

所述的步骤S3)中，以实施例进行算例分析的过程为：

(1)分析实验数据集与实验环境：

本实施例在操作系统为Windows 10、内存为8GB、CPU为IntelI CoreI i3-9100FCPU@3.60GHz、GPU为NVIDIA GeForce GTX 1650的实验环境中实现，使用Python3.8语言开发,实验软件平台为Anacaoda3和Tensorflow1.14.0，编写LSTM记忆网络、循环神经网络与时间序列预测常用的ARIMA。

图2的风速与风电功率的理想关系曲线图还可为异常数据处理做基础，为验证本发明所提出的考虑秒级时间序列风速变化的海上风电功率预测模型的科学性与可靠性，本次算例分析使用江苏省某海上风电一天内秒级风速与秒级海上风电功率的在线监测数据，该风电机组群中共有105个海上风电机组，额定功率为1500kW，某机组风速与海上风电功率如图6所示。

由图6可知，部分数据显示功率小于0，需处理异常数据，且该机组海上风电功率未达到额定功率的一半，故判断该风速与功率关系应处于上升部分，通过boltzmann方程进行非线性拟合秒级风速与海上风电功率如图7所示。

对风电数据采用差分法，只考虑序列中的变化率，排除序列中所具有的趋势问题，并采用滚动LSTM模型对海上风电功率进行时间序列预测。

LSTM网络模型由输入层、1个隐藏层和输出层组成，采用Adam算法训练LSTM内部参数，隐藏层中的激活函数使用tanh函数，网络节点的舍弃率取0.2，为防止过度拟合，迭代次数取300，LSTM模型中学习率设置为0.001、隐藏层神经元个数为4个，同时将一天中前18个小时作为训练集，后4个小时作为测试集。

(2)预测海上风电结果：

本实施例选取滚动LSTM模型来实现秒级海上风电功率的预测，实际功率曲线与其他模型预测功率曲线4小时之内每秒数值如图8所示，预测结果的评价指标如表1所示。

表1预测结果的评价指标

通过截取22:59:30到23:00:30的数据，可见LSTM秒级预测模型更接近真实数据，秒级功率误差更低。截取部分时间下实际功率曲线与其他模型预测功率曲线如图9所示，截取部分时间下预测点样本秒级功率误差如图10所示。

根据上述算例分析实施例，可得出所述的步骤S3)中，算例分析验证的结果为：

相较于RNN与ARIMA预测模型，LSTM预测模型的y_MAPE最低，同时y_RMSE指标最低，y_FA分别最高，说明LSTM预测模型在秒级时间序列风速变化的海上风电功率预测问题上有着更好的预测效果。同理，继续以当日其他104个海上风电机组群的数据为例，采用LSTM预测模型对其风电机组进行海上风电功率预测，预测结果的评价指标如表2。

表2其他风电机组预测结果的评价指标平均值

结果显示，LSTM预测模型的预测误差均低于RNN与时间序列预测常用的ARIMA方法，具有较高的预测稳定性与可靠性。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (2)

1.考虑秒级时间序列风速变化的海上风电功率滚动预测方法，其特征在于：包括以下步骤：

步骤S1)风速与风电功率数据的预处理；

步骤S2)建立风速与风电功率预测模型；

步骤S3)算例分析验证；

所述的步骤S1)中，对风速与风电功率数据的预处理过程为：

步骤S11)异常数据处理与归一化：

(1)实验数据

海上风电场通过各种传感器采集测风数据，并通过数据传输装置实现现场数据的快速转换和传输，对原始测风数据进行分析、检验和修正，得到更为精确的历史数据；

(2)Max-Min归一化

预测模型训练前，由于模型中的GRU神经单元采用Sigmoid和tanh函数作为激活函数，并且也为了提高风电功率预测的精度和数据在训练过程中的收敛速度，采用Max-Min归一化方法对原始风电功率数据进行归一化处理，将其转换为[0,1]区间的数据，数据归一化的公式为：

式中，y为归一化后的风电功率值；x_max为原始风电功率数据中的最大值；x_min为原始风电功率数据中的最小值；x_i为实际的风电功率值；

在一般情况下，认为风场的功率出力为每个风力发电机的叠加，风机的输出功率可用下式表达：

式中，C_p为风机对风能的利用系数；ρ为空气密度；r为风机叶片半径；v为风速；其中风能利用系数表示风电功率与风能的比值，也就是风机对风能的转化效率，根据贝兹极限，在不考虑尾流影响的条件下，水平风机的风能利用系数最大为0.593；

步骤S12)风速与风电功率拟合关系分析

由于风速变化，小风速与过大风速不利于风力发电，小风速无法带动叶片转动，过大风速会引起海上风电机组故障，在设计时，海上风电机组需安装限速装置，保证风机在大风时能安全运行，风机设计时有以下规定：切入风速v_in，切出风速v_out，额定风速v_r，因此海上风电功率公式也可以表示：

式中，f(v)作为在风速在切入风速与额定风速之间下的海上风电功率与风速的关系方程；Pr表示切出风速与额定风速之间的海上风电功率；

但现实中无法准确求解风速与风电功率的关系，无法求解风速与风电功率的实际方程，故采用Sigmoidal模型、采用boltzmann方程进行非线性拟合风速与风电功率的实际方程，如下所示：

式(4)为boltzmann方程；A1,A2,x₀,B是boltzmann方程的参数；

所述的步骤S2)中，建立风速与风电功率预测模型的过程为：

步骤S21)建立秒级时间尺度下风电功率预测模型：

时间序列具有动态时间特性，即当前时刻的序列值与前若干个时刻的序列值具有相关性，相关性随时间间隔减小而增加，而海上风电具有众多不确定因素，如风向、气压、温度，根据其海上风力波动规律与时间序列，判断未来短期风速变化，以此预测风电功率大小，秒级时间尺度下单一风速变化预测模型表示为：

P(t)＝f₁(P(t-θ),P(t-2θ),…)+E(t) (5)

式中：θ为数据采集的时间间隔；f₁为海上风电功率序列的时间相关性函数；E(t)为t时刻预测误差；

由于天气系统的复杂性，海上风电功率序列具有不平稳性，通过差分平滑功率序列，可降低f₁复杂度，减小预测误差，即：

ΔP(t)＝f₂(ΔP(t-θ),ΔP(t-2θ),…)+e(t) (6)

式中：ΔP(t)为t时刻与t-θ时刻海上风电功率的变化值；f₂为海上风电功率差分序列的时间相关性函数；e(t)为t时刻的最小预测误差；P为(t-2θ)时刻下的海上风电功率；

步骤S22)建立滚动LSTM神经网络模型：

循环神经网络是人工神经网络的一种，循环神经网络善于处理时间序列数据，可以在时间轴上描述数据前后关系，LSTM是由Hochreiter和Schmidhuber作为循环神经网络的衍生而提出，LSTM在循环神经网络隐藏层中添加多个特殊的计算节点，改善反向传播时梯度传递方式，有效减缓梯度消失或梯度爆炸的情况，解决了因RNN存在长期依赖问题而无法建立时间跨度的预测模型问题；

LSTM模型网络拓扑结构中引入了门控单元控制本时刻信息对前信息的影响，模型具有时间的记忆性，适用于长时间非线性序列预测问题，LSTM网络结构由输入门、输出门和遗忘门所构成，相较于RNN不同的是：其内部有多个隐藏层，隐藏层的神经元被替换为具有门控机制的记忆单元；

得出LSTM记忆网络结构图，记忆细胞单元是LSTM网络的核心组件，模型的输入包含t时刻序列输入x_t，t-1时刻隐藏层细胞状态h_t-1和记忆单元c_t-1；输出包含记忆单元状态c_t与隐藏层状态h_t，其中c_t与h_t各自包含了模型的长期、短期记忆信息，通过控制输入门、遗忘门和输出门来实现记忆细胞单元的读取和修改，进行网络之间的信息流动，tanh表示tanh的激活函数，输入门利用sigmoid激活函数对参数进行录入，将变量控制在[0，1]之间，实现x_t对c_t的控制；遗忘门的是将上一时刻的神经元状态选择性遗忘，具体表现形式是利用记忆单元c_t-1对c_t的控制；输出门用来输出和控制参数变量，即利用c_t对h_t的影响程度，计算公式分别如下：

i_t＝σ(W_ixx_t+W_ihh_t-1+b_i) (7)

f_t＝σ(W_fxx_t+W_fhh_t-1+b_f) (8)

o_t＝σ(W_oxx_t+W_ohh_t-1+b_o) (9)

式中：i_t、f_t、o_t分别表示输入门、遗忘门与输出门的状态计算结果；W_ih表示输入门的权重矩阵；W_fh表示遗忘门的权重矩阵；W_ox表示输出门的权重矩阵；b_i、b_f、b_o分别表示相应门偏置项；σ代表sigmoid激活函数；

LSTM模型中在t时刻记忆模块的输出结果由输出门与单元状态共同决定，具体公式如下：

c′_t＝tanh(W_c·h_t-1+W_f·x_t+b_c) (10)

c_t＝f_t⊙c_t-1+i_t⊙c′_t (11)

h_t＝o_t⊙tanh(c_t) (12)

式中：c_t’表示时刻_t的单元状态输入；tanh为双曲正切激活函数；W_c、b_c分别代表输入层的状态权重矩阵与偏置项；W_f表示遗忘层的状态权重矩阵；⊙表示各元素按位置相乘；

通过滚动LSTM记忆网络，实现时间序列数据的预测；

步骤S22)验证滚动LSTM神经网络模型的预测性能：

为准确验证本文所提的LSTM网络模型的预测性能，选取平均绝对百分比误差y_MAPE、根均方误差y_RMSE和预测精度y_FA作为评价指标对模型预测效果进行分析，其中y_MAPE与y_RMSE数值越小，表示拟合优度越大，模型预测结果越准确，具体定义公式如下：

式中：n表示测试集的样本容量；X_act(i)和X_pred(i)i＝1,2,…n分别为第i时刻海上风电功率的真实值和预测值。

2.根据权利要求1所述的考虑秒级时间序列风速变化的海上风电功率滚动预测方法，其特征在于：所述的步骤S3)中，算例分析验证，将实际数据套入步骤S1)和步骤S2)中进行推导，其结果为：

相较于RNN与ARIMA预测模型，LSTM预测模型的y_MAPE最低，同时y_RMSE指标最低，y_FA分别最高，说明LSTM预测模型在秒级时间序列风速变化的海上风电功率预测问题上有着更好的预测效果。

Images