CN114648147A - 一种基于ipso-lstm的风电功率预测方法 - Google Patents

一种基于ipso-lstm的风电功率预测方法 Download PDF

Info

Publication number
CN114648147A
CN114648147A CN202011501946.8A CN202011501946A CN114648147A CN 114648147 A CN114648147 A CN 114648147A CN 202011501946 A CN202011501946 A CN 202011501946A CN 114648147 A CN114648147 A CN 114648147A
Authority
CN
China
Prior art keywords
lstm
wind power
data
ipso
gate
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
CN202011501946.8A
Other languages
English (en)
Inventor
李喜旺
张发才
司志坚
王群
王威
蔡明�
丁超
王宝瑞
迟峰
董旭
李娜
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.)
Shenyang Institute of Computing Technology of CAS
Original Assignee
Shenyang Institute of Computing Technology of CAS
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 Shenyang Institute of Computing Technology of CAS filed Critical Shenyang Institute of Computing Technology of CAS
Priority to CN202011501946.8A priority Critical patent/CN114648147A/zh
Publication of CN114648147A publication Critical patent/CN114648147A/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
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

Landscapes

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

Abstract

本发明涉及一种基于IPSO‑LSTM的风电功率预测方法。该方法首先对风电功率数据进行清洗以及归一化处理，然后确定LSTM初始网络结构，根据IPSO算法优化更新LSTM的参数，最后确定最佳LSTM网络结构，最后使用训练好的模型进行风电功率短期预测，最后将模型预测结果进行反归一化并输出。该方法充分融合了LSTM强大的预测功能以及IPSO的优化能力，提高了模型的准确率。本发明通过具体实验验证了方法的有效性。

Description

一种基于IPSO-LSTM的风电功率预测方法
技术领域
本发明属于电力系统时序数据预测技术领域，具体地说是一种基于IPSO-LSTM的风电功率预测方法。
背景技术
随着能源与环境问题的日益突出，风能作为清洁能源中最重要的可生能源之一，已受到世界各国的高度重视。国内风力发电水平也保持着稳步增长，2018年风力发电水平达到了3660亿kW·h，占全部发电量的5.2％。大规模的风电接入给电力系统的稳定运行和调度带来影响，若能对风电功率进行可靠和准确的预测，则有利于电网的稳定运行。
针对风电功率的预测方法，风电功率的预测模型主要包括时间序列模型和基于数值天气预报的预测模型，后者又包括物理模型和统计模型。在统计模型中，有基于LSTM网络的短期风力功率预测模型。还有一些作者提出基于主成分分析和遗传算法来优化BP神经网络，进行风电场短期功率的预测。还有采用CNN和GRU相结合的网络进行超短期风电预测。同时，还有一些采用人工智能算法和深度学习神经网络相结合的方法。例如，采用一种基于改进的萤火虫算法的短期风电功率预测和采用一种使用遗传算法改进LSTM的短期风电功率预测方法。
针对粒子群算法的应用，主要用于对单目标或多目标的优化，可以利用粒子群算法对深度学习网络进行参数优化。LSTM作为一种改进的时间递归神经网络(RNN)，可以学习时间序列长短期信息，可以用来处理和预测时间序列中的间隔和延迟事件。同时，也存在一些缺点，例如神经网络隐藏层数目、时间步长、批处理大小难以确定。在实际应用中，这些参数都是依靠经验来确定，具有很大的随机性。可以使用IPSO来优化LSTM的参数，进而来更好地进行风电功率预测。
发明内容
针对现有风电功率预测方法中存在的不足，本发明解决的技术问题是根据风电功率历史数据来预测未来一段时间内的风电功率。采用改进粒子群算法优化的LSTM模型来进行风电功率预测，提高了模型的准确率和鲁棒性。
本发明为实现上述目的所采用的技术方案是：一种基于IPSO-LSTM的风电功率预测方法，包括以下步骤：
1)从电力系统监测站采集风电相关数据；
2)对于采集的风电功率数据进行数据清洗，并将数据划分为训练集和测试集；
3)分别对训练集和测试集数据进行归一化处理；
4)用训练集数据输入IPSO-LSTM模型用于优化网络参数，用测试集数据进行测试，从而获取优化后的IPSO-LSTM模型；
5)采集实际现场一段时间内的风电功率相关数据序列，并输入优化后的IPSO-LSTM模型，获取风电功率数据的预测结果；
6)对风电功率数据的预测结果再进行反归一化处理，结合时间点、风速得到预测的未来设定时间内风电功率的数据。
所述风电相关数据为时间点、风速、风电功率的数据。
所述数据清洗具体为：使用孤立森林算法进行异常值检测，对于异常值的处理，采用附近的正常值进行修正，对于数据集中的缺失值，采用均值的方法进行填充。
所述数据归一化处理具体为：采用最小-最大标准化对样本数据进行线性变换，将结果值映射到[0,1]之间；
其中，样本数据为风电功率数据，转换表达式为：
x'＝(x-xmin)/(xmax-xmin)
上式中，x、x'分别为样本数据的实际值和归一化后的值，xmin、xmax分别为样本数据集中的最小值和最大值。
所述网络参数需要预先设置其范围，包括设置粒子群粒子个数，最大迭代次数，神经网络隐藏层单元个数取值范围[a,b]，时间步长取值范围[1,p],批处理大小取值范围[1,d]；其中，a,b,d,p均为自然数。
是通过改进的粒子群算法IPSO不断的迭代更新上述参数，最终确定出LSTM网络隐藏层单元个数，时间步长，批处理大小的最优值，从而获取优化后的IPSO-LSTM模型。
所述改进的粒子群算法为：从惯性权重和加速因子两个方面解决粒子容易陷入局部最优解和收敛速度慢的问题，惯性权重表达式和自调整加速因子表达式分别表示为：
Figure BDA0002843864790000031
Figure BDA0002843864790000032
其中，ωmax，ωmin分别是惯性权重的最大值、最小值，c1s和c2s分别为c1和c2的初值，c1c和c2c分别是c1和c2的终值，t为当前迭代的次数，T为总迭代的次数。
所述LSTM网络结构包括：遗忘门、输入门、输出门；LSTM网络在t时刻保持单元状态的记忆，通过遗忘门ft和输入门it进行调节；遗忘门的作用是让细胞记住或忘记之前的状态Ct-1，输入门的作用是允许或阻止传入信号更新单元状态；输出门的作用是控制单元状态C输出和传输到下一个单元；将归一化后的训练集样本数据依次经过遗忘门、输入门、输出门处理后输出当前数据的预测数据。
所述LSTM网络模型是由多个单元结构组成，该结构能通过更新内部状态来长时间存储信息，函数如下：
ft＝σ(wf·[ht-1,xt]+bf)
it＝σ(wi·[ht-1,xt]+bi)
Figure BDA0002843864790000033
Figure BDA0002843864790000034
ot＝σ(wo·[ht-1,xt]+bo)
ht＝ot·tanh(Ct)
式中，x为LSTM单元的输入向量；h为LSTM单元的输出向量，f、i、o分别表示遗忘门、输入门和输出门；C表示单元状态；下标t表示时刻；σ、tanh分别为sigmoid、tanh激活函数；w和b分别表示权重和偏差矩阵。
本发明具有以下有益效果及优点：
1)本发明为风电功率预测提供一种切实有效的方法，能够较为准确的预测出未来四天内风电功率的变化趋势，为电力系统的调度，维护提供有效的数据支持。
2)本发明以风电功率的历史数据作为模型的输入，充分发挥LSTM对时间序列数据预测的高效性，并采用粒子群算法对参数进行优化，提高了模型的准确度。
附图说明
图1为本发明一种基于IPSO-LSTM风电功率预测方法结构图；
图2为LSTM单元结构；
图3为不同模型预测结果图；
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方法做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
除非另有定义，本文所使用的所有技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
本发明提出一种基于IPSO-LSTM的风电功率预测模型，LSTM模型具有很强的预测能力，能针对时间序列数据，具有很好的效果。粒子群方法易于实现，收敛速度快，使用IPSO来优化LSTM神经网络参数的选择，从而提高模型的预测精度。
如图1所示，基于IPSO-LSTM的风电功率预测方法，包括以下步骤：
步骤1：电力系统监测站有风电功率监控装置，从监测站采集风电功率数据以及相应的时间点，风速，等相关数据；
步骤2：对采集到的风电功率数据进行数据清洗，包括对缺失值和异常值处理；
步骤3：将数据划分为训练集和测试集，然后将归一化后的数据作为LSTM模型的输入。
步骤4：根据IPSO算法不断迭代更新出LSTM的最优参数。
步骤5：对训练好的模型进行测试和预测，并将模型预测结果进行反归一化处理并输出，得到在未来一段时间的风电功率预测值。
所述数据清洗具体为：使用孤立森林算法进行异常值检测，对于异常值的处理，采用附近的正常值进行修正。对于数据集中的缺失值，采用均值的方法进行填充。
所述数据归一化处理具体为：采用最小-最大标准化对样本数据进行线性变换，将结果值映射到[0,1]之间，样本数据为风电功率数据，转换表达式为：
x'＝(x-xmin)/(xmax-xmin)
上式中，x、x'分别为按照步骤2处理后的样本数据实际值和归一化后的值，xmin、xmax分别为数据集中的最小值和最大值。
传统粒子群算法描述：在一个n维的搜索空间中，由m个粒子构成种群X，X＝{x1,...,xi,...,xm}，其中第i个粒子的位置可描述为xi＝(xi1,xi2,...,xin)T，第i个粒子的速度可描述为vi＝(vi1,vi2,...,vin)T。粒子的局部最优解为pi＝(pi1,pi2,...pin)T，种群的全局最优解为pg＝(pg1,pg2,...,pgn)T。在迭代寻优的过程中，每个粒子以其经历过的最优适应值处的解作为局部最优解，以所有粒子经历过最优适应值处的解作为全局最优解，并根据这两个最优解来更新粒子位置
Figure BDA0002843864790000061
和速度
Figure BDA0002843864790000062
其表达式分别为：
Figure BDA0002843864790000063
Figure BDA0002843864790000064
式中，d＝1,2,...n；i＝1,2,...m；m为种群规模；t为当前的进化代数；r1和r2为0到1之间的随机数，c1和c2为加速因子，一般取值为c1＝c2＝2，ω为惯性权重。
所述改进的粒子群算法(IPSO)：由于传统粒子群算法存在寻优时间长、容易陷入局部最优的问题，该方法主要从惯性权重和加速因子两个方面，解决粒子容易陷入局部最优解和收敛速度慢的问题。惯性权重表达式和自调整加速因子表达式分别表示为：
Figure BDA0002843864790000065
Figure BDA0002843864790000066
其中，ωmax，ωmin分别是惯性权重的最大值、最小值，c1s和c2s分别为c1和c2的初值，c1c和c2c分别是c1和c2的终值，t为当前迭代的次数，T为总迭代的次数。
所述LSTM网络：
ft＝σ(wf·[ht-1,xt]+bf)
it＝σ(wi·[ht-1,xt]+bi)
Figure BDA0002843864790000067
Figure BDA0002843864790000068
ot＝σ(wo·[ht-1,xt]+bo)
ht＝ot·tanh(Ct)
如图2所示，LSTM是由多个单元结构组成，该结构能通过更新内部状态来长时间存储信息，式中，x为LSTM单元的输入向量；h为LSTM单元的输出向量，f、i、o分别表示遗忘门、输入门和输出门；C表示单元状态；下标t表示时刻；σ、tanh分别为sigmoid、tanh激活函数；w和b分别表示权重和偏差矩阵。
LSTM的关键是单元状态C,它在t时刻保持单元状态的记忆，通过遗忘门ft和输入门it进行调节。遗忘门的作用是让细胞记住或忘记之前的状态Ct-1，输入门的作用是允许或阻止传入信号更新单元状态。输出门的作用是控制单元状态C输出和传输到下一个单元。
IPSO-LSTM模型初始化：设置粒子群粒子个数为40，最大迭代次数为600，神经网络隐藏层单元个数取值范围[10,50]，时间步长取值范围[1,40],批处理大小取值范围[1,50]。
通过不断的迭代更新，最终确定出LSTM网络隐藏层单元个数为30，时间步长为5，批处理大小为10。
实例分析1：
步骤1数据采集：采集某地区的电力系统监测点的风电功率数据，每一小时进行一次数据的采集，共采集12天数据，即从2019年3月1日至3月12日，共计288小时。
步骤2数据清洗：使用孤立森林算法进行异常值检测，对于异常值的处理，采用附近的正常值进行修正。对于数据集中的缺失值，采用均值的方法进行填充。同时进行归一化处理，并将处理后的数据划分为训练集和测试集。以2019年3月1日至2019年3月8日的数据作为模型的训练集，2019年3月9日至2019年3月12日的数据作为测试集。
步骤3IPSO-LSTM模型初始化：设置粒子群粒子个数为40，最大迭代次数为600，神经网络隐藏层单元个数取值范围[10,50]，时间步长取值范围[1,40],批处理大小取值范围[1,50]。
步骤4通过不断的迭代更新，最终确定出LSTM网络隐藏层单元个数为30，时间步长为5，批处理大小为10。
步骤5模型预测：使用训练好的模型根据历史数据并进行未来四天的风电功率。
如图3所示，为充分表明模型预测精度的提高，本实验分别采用LSTM模型，PSO-LSTM模型，GA-LSTM模型以及IPSO-LSTM模型进行训练和预测，并计算模型预测的均方根误差(RMSE)，平均绝对误差(MAE)，平均绝对百分比误差(MAPE)。
表1不同模型的误差对比
Figure BDA0002843864790000081
由表1可知，本发明方法IPSO-LSTM模型比其他三种模型的精度都要高。以平均绝对百分比误差为例，IPSO-LSTM模型比LSTM模型提高了1.79％，比PSO-LSTM模型提高了1.51％，比GA-LSTM模型提高了0.79％。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于IPSO-LSTM的风电功率预测方法，其特征在于，包括以下步骤：
S1、从电力系统监测站采集风电相关数据；
S2、对于采集的风电功率数据进行数据清洗，并将数据划分为训练集和测试集；
S3、分别对训练集和测试集数据进行归一化处理；
S4、用训练集数据输入IPSO-LSTM模型用于优化网络参数，用测试集数据进行测试，从而获取优化后的IPSO-LSTM模型；
S5、采集实际现场一段时间内的风电功率相关数据序列，并输入优化后的IPSO-LSTM模型，获取风电功率数据的预测结果；
S6、对风电功率数据的预测结果再进行反归一化处理，结合时间点、风速得到预测的未来设定时间内风电功率的数据。
2.根据权利要求1所述的一种基于IPSO-LSTM的风电功率预测方法，其特征在于，所述风电相关数据为时间点、风速、风电功率的数据。
3.根据权利要求1所述的一种基于IPSO-LSTM的风电功率预测方法，其特征在于，所述数据清洗具体为：使用孤立森林算法进行异常值检测，对于异常值的处理，采用附近的正常值进行修正，对于数据集中的缺失值，采用均值的方法进行填充。
4.根据权利要求1所述的一种基于IPSO-LSTM的风电功率预测方法，其特征在于，所述数据归一化处理具体为：采用最小-最大标准化对样本数据进行线性变换，将结果值映射到[0,1]之间；
其中，样本数据为风电功率数据，转换表达式为：
x'＝(x-xmin)/(xmax-xmin)
上式中，x、x'分别为样本数据的实际值和归一化后的值，xmin、xmax分别为样本数据集中的最小值和最大值。
5.根据权利要求1所述的一种基于IPSO-LSTM的风电功率预测方法，其特征在于，所述网络参数需要预先设置其范围，包括设置粒子群粒子个数，最大迭代次数，神经网络隐藏层单元个数取值范围[a,b]，时间步长取值范围[1,p],批处理大小取值范围[1,d]；其中，a,b,d,p均为自然数。
6.根据权利要求5所述的一种基于IPSO-LSTM的风电功率预测方法，其特征在于，是通过改进的粒子群算法IPSO不断的迭代更新上述参数，最终确定出LSTM网络隐藏层单元个数，时间步长，批处理大小的最优值，从而获取优化后的IPSO-LSTM模型。
7.根据权利要求6所述的一种基于IPSO-LSTM的风电功率预测方法，其特征在于，所述改进的粒子群算法为：从惯性权重和加速因子两个方面解决粒子容易陷入局部最优解和收敛速度慢的问题，惯性权重表达式和自调整加速因子表达式分别表示为：
Figure FDA0002843864780000021
Figure FDA0002843864780000022
其中，ωmax，ωmin分别是惯性权重的最大值、最小值，c1s和c2s分别为c1和c2的初值，c1c和c2c分别是c1和c2的终值，t为当前迭代的次数，T为总迭代的次数。
8.根据权利要求1所述的一种基于IPSO-LSTM的风电功率预测方法，其特征在于，所述LSTM网络结构包括：遗忘门、输入门、输出门；LSTM网络在t时刻保持单元状态的记忆，通过遗忘门ft和输入门it进行调节；遗忘门的作用是让细胞记住或忘记之前的状态Ct-1，输入门的作用是允许或阻止传入信号更新单元状态；输出门的作用是控制单元状态C输出和传输到下一个单元；将归一化后的训练集样本数据依次经过遗忘门、输入门、输出门处理后输出当前数据的预测数据。
9.根据权利要求8所述的一种基于IPSO-LSTM的风电功率预测方法，其特征在于，所述LSTM网络模型是由多个单元结构组成，该结构能通过更新内部状态来长时间存储信息，函数如下：
ft＝σ(wf·[ht-1,xt]+bf)
it＝σ(wi·[ht-1,xt]+bi)
Figure FDA0002843864780000031
Figure FDA0002843864780000032
ot＝σ(wo·[ht-1,xt]+bo)
ht＝ot·tanh(Ct)
式中，x为LSTM单元的输入向量；h为LSTM单元的输出向量，f、i、o分别表示遗忘门、输入门和输出门；C表示单元状态；下标t表示时刻；σ、tanh分别为sigmoid、tanh激活函数；w和b分别表示权重和偏差矩阵。
CN202011501946.8A 2020-12-18 2020-12-18 一种基于ipso-lstm的风电功率预测方法 Pending CN114648147A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011501946.8A CN114648147A (zh) 2020-12-18 2020-12-18 一种基于ipso-lstm的风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011501946.8A CN114648147A (zh) 2020-12-18 2020-12-18 一种基于ipso-lstm的风电功率预测方法

Publications (1)

Publication Number Publication Date
CN114648147A true CN114648147A (zh) 2022-06-21

Family

ID=81991127

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011501946.8A Pending CN114648147A (zh) 2020-12-18 2020-12-18 一种基于ipso-lstm的风电功率预测方法

Country Status (1)

Country Link
CN (1) CN114648147A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115857061A (zh) * 2023-02-21 2023-03-28 南京信息工程大学 一种基于大数据自适应ga-pso改进lstm预测气温方法
CN115951755A (zh) * 2023-02-06 2023-04-11 广芯微电子（广州）股份有限公司 基于pso-lstm的光伏最大功率点追踪方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115951755A (zh) * 2023-02-06 2023-04-11 广芯微电子（广州）股份有限公司 基于pso-lstm的光伏最大功率点追踪方法及装置
CN115857061A (zh) * 2023-02-21 2023-03-28 南京信息工程大学 一种基于大数据自适应ga-pso改进lstm预测气温方法

Similar Documents

Publication Publication Date Title
CN109902801B (zh) 一种基于变分推理贝叶斯神经网络的洪水集合预报方法
Abuella et al. Solar power forecasting using artificial neural networks
Jin et al. Data normalization to accelerate training for linear neural net to predict tropical cyclone tracks
CN113128793A (zh) 一种基于多源数据融合的光伏功率组合预测方法及系统
CN112733462B (zh) 一种结合气象因素的超短期风电场功率预测方法
CN109978283B (zh) 一种基于分支进化神经网络的光伏发电功率预测方法
He et al. CLeaR: An adaptive continual learning framework for regression tasks
CN114970362B (zh) 一种多能源结构下的电网负荷调度预测方法及系统
CN110942205A (zh) 一种基于himvo-svm的短期光伏发电功率预测方法
Kolhe et al. GA-ANN for short-term wind energy prediction
CN114648147A (zh) 一种基于ipso-lstm的风电功率预测方法
CN111815027A (zh) 一种光伏场站发电功率预测方法及系统
CN113705922B (zh) 一种改进的超短期风电功率预测算法及模型建立方法
CN115271186B (zh) 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法
Hou et al. A wind direction forecasting method based on Z_score normalization and long short_ term memory
CN115965132A (zh) 基于ga-bp神经网络的分布式光伏数字孪生系统功率预测方法
Dong et al. Short-term building cooling load prediction model based on DwdAdam-ILSTM algorithm: A case study of a commercial building
CN113591957B (zh) 基于lstm和马尔科夫链的风电出力短期滚动预测与校正方法
CN112507613B (zh) 一种秒级超短期光伏功率预测方法
CN114154676A (zh) 一种基于pso和双向gru的短期负荷预测模型
Lu Day-ahead photovoltaic power forecasting using hybrid K-Means++ and improved deep neural network
Ibrahim et al. LSTM neural network model for ultra-short-term distribution zone substation peak demand prediction
CN112307672A (zh) 基于布谷鸟算法优化的bp神经网络短期风功率预测方法
Zhang et al. Short-Term Load Forecasting Based on DBO-LSTM Model
Wu et al. Short-Term Electric Load Forecasting Model based on PSO-BP

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