CN114077929A - 基于is-arima-lstm预测模型的风电功率预测方法及系统 - Google Patents

基于is-arima-lstm预测模型的风电功率预测方法及系统 Download PDF

Info

Publication number
CN114077929A
CN114077929A CN202111404646.2A CN202111404646A CN114077929A CN 114077929 A CN114077929 A CN 114077929A CN 202111404646 A CN202111404646 A CN 202111404646A CN 114077929 A CN114077929 A CN 114077929A
Authority
CN
China
Prior art keywords
wind speed
wind power
historical
speed data
data
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
Application number
CN202111404646.2A
Other languages
English (en)
Inventor
张黎
刘星斗
孙优良
劳焕景
邹亮
张慧
王亚莉
王冠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202111404646.2A priority Critical patent/CN114077929A/zh
Publication of CN114077929A publication Critical patent/CN114077929A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/08—Learning methods
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Power Engineering (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Wind Motors (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于IS‑ARIMA‑LSTM预测模型的风电功率预测方法及系统，包括：基于历史风速数据与当日的数值天气预报进行风速预测，得到预测风速数据；采用孤立森林算法剔除所述历史风速数据和历史风电功率数据中的离群点，使用差分自回归移动平均算法进行填补修正，得到修正后的历史风速数据和历史风电功率数据；将修正后的历史风速数据、修正后的历史风电功率和预测风速数据作为输入特征量，利用加入LSTM层的深度神经网络模型进行风电功率预测，得到风电功率预测结果。本发明利用孤立森林算法对历史风速数据和历史风电功率数据进行修正，使用差分自回归移动平均算法修正离群点空缺，可以明显提升预测准确率。

Description

基于IS-ARIMA-LSTM预测模型的风电功率预测方法及系统
技术领域
本发明涉及风电功率预测技术领域，尤其涉及一种基于IS-ARIMA-LSTM预测模型的风电功率预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
准确可靠的风电功率预测对于保障电力系统的可靠稳定运行以及提升电网运行的经济性具有重要的作用。
现有技术中对于风电功率的预测，往往采用统计方法；统计方法以学习算法为基础，通过一种或多种算法建立数值天气预报数据、历史数据和实时数据与实测历史数据的功率输出关系，在理论上具有较高的准确性。
但是，在实际的风功率预测中，往往存在如下技术问题：
(1)对历史风速数据进行处理时，往往忽略了异常数据对于预测模型的影响，导致预测准确率下降。
(2)没有对历史记录风速数据进行合理的特征挖掘。由于测风塔数目较少，并且采集的风速波动性较大，甚至会记录到波动性极大的极高点，或者是因为采集系统故障造成记录缺失，难以代表整个风场的风速变化。
发明内容
为了解决上述问题，本发明提出了基于IS-ARIMA-LSTM预测模型的风电功率预测方法及系统，对历史记录数据进行IS(孤立随机森林算法)异常点检测，同时剔除异常数据，再利用ARIMA(差分自回归移动平均模型)填补异常数据空位，使得风速曲线更加平滑；选取加入LSTM层的深度神经网络作为算法模型，进一步提升模型预测的准确率。
为了实现上述目的，在一些实施方式中，采用如下技术方案：
一种基于IS-ARIMA-LSTM预测模型的风电功率预测方法，其特征在于，包括：
获取历史风速数据和历史风电功率，基于所述历史风速数据与当日的数值天气预报进行风速预测，得到预测风速数据；
采用孤立森林算法剔除所述历史风速数据和历史风电功率数据中的离群点，然后使用差分自回归移动平均算法进行填补修正，得到修正后的历史风速数据和历史风电功率数据；
将修正后的历史风速数据、修正后的历史风电功率和预测风速数据作为输入特征量，利用加入LSTM层的深度神经网络模型进行风电功率预测，得到风电功率预测结果。
进一步地，基于所述历史风速数据进行风速预测，得到预测风速数据，具体包括：
使用WRF模式获取预测风速，将获取的预测风速与真实记录风速根据绝对值误差与均方根误差对比，多次修正物理参数组合，直至获取最佳参数组合；
确定最佳参数组合后，每日运行WRF模式，为目标风场提供未来设定时间内的数值天气预报。
进一步地，采用孤立森林算法剔除所述历史风速数据和历史风电功率数据中的离群点，具体包括：
基于搭建的离群点检测与修正模型，识别所述历史风速数据和历史风电功率数据中的离群点；其中，所述离群点检测与修正模型基于python库中的孤立随机森林模块进行搭建。
进一步地，所述历史风速数据与历史风电功率均通过风场的数据采集与监视系统获得。
进一步地，对于加入LSTM层的深度神经网络模型的训练过程具体为：
将修正后的历史风速数据、修正后的历史风电功率和预测风速数据按照时间序列组成训练与预测数据集；
将训练数据集输入至所述深度神经网络模型，每轮训练与测试后统计绝对值误差和均方根误差，利用网格调参法，对学习率与最大层数进行调参；
利用预测数据集对训练好的深度神经网络模型进行预测，验证所述深度神经网络模型的预测准确性。
在另一些实施方式中，采用如下技术方案：
一种基于IS-ARIMA-LSTM预测模型的风电功率预测系统，包括：
数据获取模块，用于获取历史风速数据和历史风电功率，基于所述历史风速数据与当日的数值天气预报进行风速预测，得到预测风速数据；
历史数据修正模块，用于采用孤立森林算法剔除所述历史风速数据和历史风电功率数据中的离群点，然后使用差分自回归移动平均算法进行填补修正，得到修正后的历史风速数据和历史风电功率数据；
风电功率预测模块，用于将修正后的历史风速数据、修正后的历史风电功率和预测风速数据作为输入特征量，利用加入LSTM层的深度神经网络模型进行风电功率预测，得到风电功率预测结果。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的一种基于IS-ARIMA-LSTM预测模型的风电功率预测方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的一种基于IS-ARIMA-LSTM预测模型的风电功率预测方法。
与现有技术相比，本发明的有益效果是：
(1)本发明利用孤立森林算法对历史风速数据和历史风电功率数据进行修正，实现对历史数据的异常检测，剔除并使用差分自回归移动平均算法修正历史风速数据与历史风电功率数据的离群点空缺，可以明显提升预测准确率。
(2)本发明选取历史风速数据、历史风电功率数据以及预测风速数据等与预测风电功率强相关的输入变量，充分考虑影响预测风电功率的数据参量，且未引入其他对于预测结果影响不明显的参量，在提高预测准确性的同时，减少了模型的计算量，提高预测效率。
(3)本发明采用加入LSTM层的深度神经网络模型作为风电功率预测模型，对于时间连续的功率预测，LSTM具有记忆单元，相比其他算法，对于风速与功率的连续变化特征学习效果更优，可以大大提高功率预测的准确度。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
图1是本发明实施例中基于IS-ARIMA-LSTM预测模型的风电功率预测方法流程图；
图2(a)-(d)分别给出了利用孤立随机森林算法去除不同比例的离群点，并用差分自回归移动平均算法修正后得到的历史风速序列；
图3是本发明实施例中加入LSTM层的深度神经网络预测过程示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中，公开了一种基于IS-ARIMA-LSTM预测模型的风电功率预测方法，参照图1，具体包括如下过程：
(1)获取历史风速数据和历史风电功率，基于所述历史风速数据进行风速预测，得到预测风速数据；
本实施例中，历史风速数据和历史风电功率基于实际风场的数据采集与监视控制系统(SCADA)以间隔15分钟进行数据的采样记录，其中包括了测风塔检测的风速记录。
使用WRF模式获取预测风速，将获取的预测风速与真实记录风速根据绝对值误差与均方根误差对比，多次修正物理参数组合，直至获取最佳参数组合。
确定最佳参数组合后，每日运行WRF模式，为目标风场提供未来7日包括风速在内的数值天气预报，其中预测风速作为特征量进入模型进行风电功率的预测。
其中，WRF(Weather Research and Forecast)模式是由美国大气研究中心共同研究的中尺度预报模式和同化系统；该模式采用高度模块化、并行化和分层设计技术，在预报各种天气中都具有较好的性能，能够同时实现在线完全嵌套大气化学模式，不仅具有较好的天气预报水平，而且具有预报空气质量的能力，具有广阔的应用前景。
WRF模式主要由以下四个部分组成：WRF的标准初始化模块(WRF SI)、同化系统、动力内核以及后处理模块。其中，动力内核部分可分为ARW(用于科学研究)和NMM(用于业务预报)两种模块。后处理模块主要对模式的输出结果进行分析并处理，将模式面物理量转换到标准等压面、诊断分析物理场和图形数据转换等。
(2)采用孤立森林算法，剔除所述历史风速数据和历史风电功率数据中的离群点，使用差分自回归移动平均算法修正历史风速数据与历史风电功率数据的离群点空缺，得到修正后的历史风速数据和历史风电功率数据；
具体过程如下：
1)从风场的数据采集与监视系统中读取当前时间之前一定长度的功率与风速序列。
2)使用python搭建离群点检测与修正模型，python库包括numpy、pandas及sklearn.ensemble中的孤立随机森林模块，设置评估器数量与离群点期望比例等参数并进行模型训练。
其中，numpy、pandas属于数组计算与处理的包，sklearn.ensemble是集成的机器学习包，孤立随机森林属于机器学习的一种。
3)孤立随机森林模型的参数权重需要提前训练，进行历史功率与风速序列离群点检测时直接读取模型，将离群点识别并记录下来。
4)对于序列中因剔除离群点产生的空缺，使用差分自回归移动平均算法进行填补修正，最终获取修正后的历史风速数据和历史风电功率序列。
本实施例中，检测到空缺点后，依靠设定长度的历史序列，使用差分自回归移动平均算法根据历史序列趋势，估计出该空缺点合理的修正值。
图2(a)-(d)分别给出了利用孤立随机森林算法去除不同比例(10％，20％，30％，40％)的离群点，并用差分自回归移动平均算法修正后得到的历史风速序列。
(3)将修正后的历史风速数据、修正后的历史风电功率和预测风速数据作为输入特征量，利用加入LSTM层的深度神经网络模型进行风电功率预测，得到风电功率预测结果。
本实施例中，选取加入LSTM层的深度神经网络作为算法模型，选取历史风速V_history、预测风速V_predict和历史功率P_history作为模型输入特征量，进行4小时的风功率预测，得到最终的风电功率预测结果。
整个模型的训练流程与框架结构如图3，具体包括依次设置的两个LSTM层、隐含层和输出层；t为当前时间，间隔T为15分钟。
对于深度神经网络模型的训练过程具体如下：
将将修正后的历史风速数据、修正后的历史风电功率和预测风速数据按照时间序列组成训练与预测数据集；
将训练数据集输入至所述深度神经网络模型，每轮训练与测试后统计绝对值误差和均方根误差，利用网格调参法，对学习率与最大层数进行调参；
利用预测数据集对训练好的深度神经网络模型进行预测，验证所述深度神经网络模型的预测准确性。
具体地，将重构后的历史风速数据、预测风速数据和历史风电功率按照时间序列组成训练与预测数据集，每组数据输入为16*3矩阵，输出为16*1矩阵。
每轮训练与测试后统计绝对值误差和均方根误差，利用网格调参法，对学习率与最大层数进行调参，学习率为0.01-0.2，步长为0.01，最大层数从3到10，最终确立的最佳学习率与最大层数为0.1与7。
本实施例选取加入LSTM层的深度神经网络作为算法模型，对于时间连续的功率预测，LSTM具有记忆单元，相比其他算法，对于风速与功率的连续变化特征学习效果更优，可以大大提高功率预测的准确度。
实施例二
在一个或多个实施方式中，公开了一种基于IS-ARIMA-LSTM预测模型的风电功率预测系统，包括：
数据获取模块，用于获取历史风速数据和历史风电功率，基于所述历史风速数据与当日的数值天气预报进行风速预测，得到预测风速数据；
历史数据修正模块，用于采用孤立森林算法剔除所述历史风速数据和历史风电功率数据中的离群点，然后使用差分自回归移动平均算法进行填补修正，得到修正后的历史风速数据和历史风电功率数据；
风电功率预测模块，用于将修正后的历史风速数据、修正后的历史风电功率和预测风速数据作为输入特征量，利用加入LSTM层的深度神经网络模型进行风电功率预测，得到风电功率预测结果。
需要说明的是，上述各模块的具体实现方式已经在实施例一中进行了详细的说明，此处不再详述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的基于IS-ARIMA-LSTM预测模型的风电功率预测方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列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。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例四
在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的基于IS-ARIMA-LSTM预测模型的风电功率预测方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (8)

1.一种基于IS-ARIMA-LSTM预测模型的风电功率预测方法，其特征在于，包括：
获取历史风速数据和历史风电功率，基于所述历史风速数据与当日的数值天气预报进行风速预测，得到预测风速数据；
采用孤立森林算法剔除所述历史风速数据和历史风电功率数据中的离群点，然后使用差分自回归移动平均算法进行填补修正，得到修正后的历史风速数据和历史风电功率数据；
将修正后的历史风速数据、修正后的历史风电功率和预测风速数据作为输入特征量，利用加入LSTM层的深度神经网络模型进行风电功率预测，得到风电功率预测结果。
2.如权利要求1所述的一种基于IS-ARIMA-LSTM预测模型的风电功率预测方法，其特征在于，基于所述历史风速数据进行风速预测，得到预测风速数据，具体包括：
使用WRF模式获取预测风速，将获取的预测风速与真实记录风速根据绝对值误差与均方根误差对比，多次修正物理参数组合，直至获取最佳参数组合；
确定最佳参数组合后，每日运行WRF模式，为目标风场提供未来设定时间内的数值天气预报。
3.如权利要求1所述的一种基于IS-ARIMA-LSTM预测模型的风电功率预测方法，其特征在于，采用孤立森林算法剔除所述历史风速数据和历史风电功率数据中的离群点，具体包括：
基于搭建的离群点检测与修正模型，识别所述历史风速数据和历史风电功率数据中的离群点；其中，所述离群点检测与修正模型基于python库中的孤立随机森林模块进行搭建。
4.如权利要求1所述的一种基于IS-ARIMA-LSTM预测模型的风电功率预测方法，其特征在于，所述历史风速数据与历史风电功率均通过风场的数据采集与监视系统获得。
5.如权利要求1所述的一种基于IS-ARIMA-LSTM预测模型的风电功率预测方法，其特征在于，对于加入LSTM层的深度神经网络模型的训练过程具体为：
将修正后的历史风速数据、修正后的历史风电功率和预测风速数据按照时间序列组成训练与预测数据集；
将训练数据集输入至所述深度神经网络模型，每轮训练与测试后统计绝对值误差和均方根误差，利用网格调参法，对学习率与最大层数进行调参；
利用预测数据集对训练好的深度神经网络模型进行预测，验证所述深度神经网络模型的预测准确性。
6.一种基于IS-ARIMA-LSTM预测模型的风电功率预测系统，其特征在于，包括：
数据获取模块，用于获取历史风速数据和历史风电功率，基于所述历史风速数据与当日的数值天气预报进行风速预测，得到预测风速数据；
历史数据修正模块，用于采用孤立森林算法剔除所述历史风速数据和历史风电功率数据中的离群点，然后使用差分自回归移动平均算法进行填补修正，得到修正后的历史风速数据和历史风电功率数据；
风电功率预测模块，用于将修正后的历史风速数据、修正后的历史风电功率和预测风速数据作为输入特征量，利用加入LSTM层的深度神经网络模型进行风电功率预测，得到风电功率预测结果。
7.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-5任一项所述的一种基于IS-ARIMA-LSTM预测模型的风电功率预测方法。
8.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-5任一项所述的一种基于IS-ARIMA-LSTM预测模型的风电功率预测方法。
CN202111404646.2A 2021-11-24 2021-11-24 基于is-arima-lstm预测模型的风电功率预测方法及系统 Pending CN114077929A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111404646.2A CN114077929A (zh) 2021-11-24 2021-11-24 基于is-arima-lstm预测模型的风电功率预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111404646.2A CN114077929A (zh) 2021-11-24 2021-11-24 基于is-arima-lstm预测模型的风电功率预测方法及系统

Publications (1)

Publication Number Publication Date
CN114077929A true CN114077929A (zh) 2022-02-22

Family

ID=80284637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111404646.2A Pending CN114077929A (zh) 2021-11-24 2021-11-24 基于is-arima-lstm预测模型的风电功率预测方法及系统

Country Status (1)

Country Link
CN (1) CN114077929A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116388184A (zh) * 2023-06-05 2023-07-04 南京信息工程大学 一种基于风速日波动特征的超短期风速修订方法、系统
CN116975646A (zh) * 2023-09-22 2023-10-31 长江三峡集团实业发展(北京)有限公司 一种风要素数据修正方法、装置、计算机设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989693A (zh) * 2021-03-02 2021-06-18 上海电机学院 一种基于ssa-gru-msar的风电功率预测方法
CN113361761A (zh) * 2021-06-01 2021-09-07 山东大学 一种基于误差修正的短期风电功率集成预测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989693A (zh) * 2021-03-02 2021-06-18 上海电机学院 一种基于ssa-gru-msar的风电功率预测方法
CN113361761A (zh) * 2021-06-01 2021-09-07 山东大学 一种基于误差修正的短期风电功率集成预测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XINGDOU LIU ET AL: "Ultra Short Term Wind Power Prediction Model Based on WRF Wind Speed Prediction and CatBoost", 《2021INTERNATIONAL CONFERENCE ON NEW ENERGY RESEARCH AND APPLICATIONS》, 10 July 2021 (2021-07-10), pages 1 - 5 *
邓方进等: "ARIMA模型在LMT数据处理中的应用", 《物探化探计算技术》, vol. 39, no. 5, 30 September 2017 (2017-09-30), pages 1 - 3 *
黄福兴等: "基于孤立森林算法的电能量异常数据检测", 《华东师范大学学报（自然科学版）》, 30 September 2019 (2019-09-30), pages 1 - 2 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116388184A (zh) * 2023-06-05 2023-07-04 南京信息工程大学 一种基于风速日波动特征的超短期风速修订方法、系统
CN116388184B (zh) * 2023-06-05 2023-08-15 南京信息工程大学 一种基于风速日波动特征的超短期风速修订方法、系统
CN116975646A (zh) * 2023-09-22 2023-10-31 长江三峡集团实业发展(北京)有限公司 一种风要素数据修正方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN113937763B (zh) 风电功率预测方法、装置、设备及存储介质
CN102184337B (zh) 一种受气象信息影响的新能源发电能力动态组合分析方法
CN111680820B (zh) 分布式光伏电站故障诊断方法和装置
CN114077929A (zh) 基于is-arima-lstm预测模型的风电功率预测方法及系统
CN112529282A (zh) 基于时空图卷积神经网络的风电场集群短期功率预测方法
CN102562469B (zh) 基于校正算法的短期风力发电机输出功率预测方法
CN110594107B (zh) 一种基于快速梯度提升机的风电机组故障检测方法及装置
CN111709569B (zh) 风电场输出功率预测修正方法及装置
CN113869604A (zh) 基于wrf风速预测的风电功率预测方法及系统
CN113822418A (zh) 一种风电场功率预测方法、系统、设备和存储介质
CN115115090A (zh) 一种基于改进lstm-cnn的风功率短期预测方法
CN114692950A (zh) 风电功率预测方法
CN110110339B (zh) 一种日前水文预报误差校正方法及系统
CN115294671A (zh) 一种空压机出口压力预测方法和预测系统
CN114819374A (zh) 区域新能源超短期功率预测方法及系统
CN116073436A (zh) 一种光伏新能源电力系统容量优化控制方法
CN115313930A (zh) 一种大型汽轮发电机励磁电流实时预测方法
CN116523540A (zh) 基于自适应lgbm的超短期电价预测方法
CN116415714A (zh) 风电功率预测方法、装置、电子设备及可读存储介质
CN113468818B (zh) 风力发电机组的绕组运行状态监测方法和装置
CN114154567A (zh) 一种基于机器学习的风电场站运行数据异常识别方法
CN113554203B (zh) 基于高维网格化和LightGBM的风电预测方法及装置
CN113541600B (zh) 光伏电站支路故障判断方法、系统、设备及存储介质
Cui et al. Data-Driven Physics Based Ultra-short-term Wind Power Prediction Model: A VMD-LSTM and WRF Based Approach
CN113469413B (zh) 一种短期负荷预测中气象预报的误差校正方法

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