CN114676814A - 一种基于satcn-lstm的风功率超短期预测方法 - Google Patents
一种基于satcn-lstm的风功率超短期预测方法 Download PDFInfo
- Publication number
- CN114676814A CN114676814A CN202210112685.3A CN202210112685A CN114676814A CN 114676814 A CN114676814 A CN 114676814A CN 202210112685 A CN202210112685 A CN 202210112685A CN 114676814 A CN114676814 A CN 114676814A
- Authority
- CN
- China
- Prior art keywords
- wind power
- data
- lstm
- satcn
- ultra
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 238000000844 transformation Methods 0.000 claims description 5
- 230000001364 causal effect Effects 0.000 claims description 4
- 238000010248 power generation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000010339 dilation Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/044—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于SATCN‑LSTM的风功率超短期预测方法,包括以下步骤:a.数据预处理:①将气象数据按照季度划分为四个数据集,每个数据集包括气象数据和风电功率数据;②将气象数据和风电功率数据进行归一化处理;③将每个数据集中的数据划分为训练集、验证集和测试集;b.搭建SATCN‑LSTM风电功率超短期预测模型;c.风电功率超短期预测模型的训练;d.风电功率的预测。本发明采用自注意力时间卷积网络与长短时记忆网络相结合的方法来预测超短期风电功率,能够有效提取气象因素中时间特征及气象变量之间相关特征,建立气象因素与风电功率之间的复杂非线性关系,从而可准确地预测超短期风电功率,保证电力系统的安全稳定运行。
Description
技术领域
本发明涉及一种风电功率超短期预测方法,属于风力发电技术领域。
背景技术
环保“双碳”目标的提出促使能源结构的转变,绿色可再生能源成为关注焦点。相关数据显示,以我国为例,截至2020年底,清洁能源发电装机规模增至10.83亿千瓦,占总装机比重接近50%。风力发电作为现阶段发展最快的可再生清洁能源之一,在全球电力生产结构中正在逐年上升,拥有广阔的发展前景。然而,风力发电的间歇性和波动性限制了风力发电机组大规模并入电力系统,进而影响电能质量和电力系统的安全稳定运行。因此,准确进行风电功率预测对风电的充分利用具有重要意义。
为降低风电功率不确定性对电力系统运行的不利影响,众多学者对风电功率预测模型进行研究以提高其预测精度。传统的机器学习算法易于实现但难于表达输入输出间复杂非线性关系,限制了其预测精度。近年来,深度学习算法迅速发展,如何应用深度学习算法来准确预测风电功率就成为有关技术人员面临的课题。
发明内容
本发明的目的在于针对现有技术之弊端,提供一种基于SATCN-LSTM的风功率超短期预测方法,以提高风电功率的预测精度,保证电力系统安全稳定运行。
本发明所述问题是以下述技术方案解决的:
一种基于SATCN-LSTM的风功率超短期预测方法,所述方法包括以下步骤:
a.数据预处理:
①将预测风电功率所需至少一年的气象数据按照季度划分为四个数据集,每个数据集中的数据包括气象数据和对应的风电功率数据;
②将气象数据和风电功率数据进行归一化处理;
③分别将每个数据集中的数据划分为训练集、验证集和测试集;
b.风电功率预测模型的搭建:
利用SATCN对气象数据进行特征提取,利用LSTM建立所提取特征与输出风电功率之间的联系,搭建SATCN-LSTM风电功率超短期预测模型;
c.风电功率超短期预测模型的训练:
将训练集数据输入到SATCN-LSTM风电功率超短期预测模型,对模型进行训练,训练过程中利用验证集对SATCN和LSTM的网络参数进行调整;
d.风电功率的预测:
将实时采集的气象数据进行归一化处理后输入到训练好的SATCN-LSTM风电功率超短期预测模型,实现下一时刻风电功率的预测。
上述基于SATCN-LSTM的风功率超短期预测方法,所述气象数据包括风速、风向、温度、空气密度和空气压强。
上述基于SATCN-LSTM的风功率超短期预测方法,将气象数据和风电功率数据进行归一化处理的具体方法如下:
用x1表示功率数据,x1'表示归一化后的功率数据,则
式中Cwt为风电场装机容量;
用x2表示风速、温度、空气压强或空气密度数据,x2'表示归一化后的风速、温度、空气压强或空气密度数据,则
式中x2max和x2min分别为风速、温度、空气压强或空气密度数据的最大值和最小值;
用x3表示风向数据,x3'表示归一化后风向数据,则
x3'=sin(x3)。
上述基于SATCN-LSTM的风功率超短期预测方法,所述的SATCN部分的时域卷积网络TCN的基本结构为一维全卷积和因果卷积,同时TCN采用膨胀卷积,对于一维序列x和滤波器f,膨胀卷积运算F在时刻t的定义为:
其中,k为滤波器大小,*为卷积运算,d为膨胀因子,t-d·i解释了过去的方向。
上述基于SATCN-LSTM的风功率超短期预测方法,所述SATCN部分的时域卷积网络TCN引入跳跃连接,输出表示为输入和输入的一个非线性变换的线性叠加,定义为:
o=Activation(X+F(X))
其中,o为输出,F(X)是卷积后结果,Activation(·)为激活函数。
上述基于SATCN-LSTM的风功率超短期预测方法,利用SATCN对气象数据进行特征提取是将自注意力机制SA引入到时域卷积网络TCN中,自注意力部分计算过程如下:
其中,Q、K、V为输入数据经不同线性变换得到的向量分别组成的矩阵, softmax(·)为进行归一化的激活函数,dk为K的维度。
上述基于SATCN-LSTM的风功率超短期预测方法,所述LSTM包括输入门、遗忘门和输出门,LSTM单元内计算过程如下:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot*tanh(Ct)
其中,ft,it,Ct,ot分别表示t时刻的遗忘门、输入门、细胞状态和输出门;Wf,Wi,WC,Wo,bf,bi,bC,bo分别表示对应的权重系数矩阵和偏置项;σ为sigmoid函数;ht为t时刻的隐藏层输出;xt为t时刻的输入;表示记忆单元的输入状态;tanh为双曲正切函数。
上述基于SATCN-LSTM的风功率超短期预测方法,所述SATCN-LSTM风电功率超短期预测模型包括三个残差块,一个LSTM层和一个全连接层,每个残差块有16个卷积核,卷积核大小为3,膨胀因子分别为1,2,4;LSTM层的时间步数为16,批次大小为128。
本发明采用自注意力时间卷积网络与长短时记忆网络相结合的方法来预测超短期风电功率,能够有效提取气象因素中时间特征及气象变量之间相关特征,建立气象因素与风电功率之间的复杂非线性关系,从而可准确地预测超短期风电功率,保证电力系统的安全稳定运行。
附图说明
下面结合附图对本发明作进一步详述。
图1为本发明的流程图及预测模型结构图,其中图1(a)为本发明的流程图;图1(b)为预测模型结构图;
图2为膨胀因子d=1,2,4,滤波器大小k=3的膨胀卷积;
图3为SATCN残差块结构图;
图4为LSTM单元结构图;
图5为本发明在不同季度随机节选的风电功率预测结果图。
文中所用符号为:SATCN为自注意力时间卷积网络,LSTM为长短时记忆网络,SA为自注意力机制,TCN为时域卷积网络,x1表示功率数据,x1'表示归一化后的功率数据,Cwt为风电场装机容量,x2表示风速、温度、空气压强或空气密度数据,x2'表示归一化后的风速、温度、空气压强或空气密度数据,x2max和 x2min分别为风速、温度、空气压强或空气密度数据的最大值和最小值,x3表示风向数据,x3'表示归一化后风向数据,表示f滤波器,F表示膨胀卷积运算,k 为滤波器大小,*为卷积运算,d为膨胀因子,xt-d·i表示,o为输出,F(X)是卷积后结果,Activation(·)为激活函数,Q、K、V为输入数据经不同线性变换得到的向量分别组成的矩阵,softmax(·)为进行归一化的激活函数,dk为K的维度,ft, it,Ct,ot分别表示t时刻的遗忘门、输入门、细胞状态和输出门,Wf,Wi,WC, Wo,bf,bi,bC,bo分别表示对应的权重系数矩阵和偏置项,σ为sigmoid函数, ht为t时刻的隐藏层输出,xt为t时刻的输入,表示记忆单元的输入状态,tanh 为双曲正切函数。
具体实施方式
本发明针对现有风电功率预测的局限性,提供了一种基于自注意力时间卷积网络(self-attention temporal convolutional network,SATCN)和长短时记忆网络(long-short term memory,LSTM)、即SATCN-LSTM的风电功率超短期预测方法,该方法能够有效地提取气象因素特征,进而实现风电功率的准确预测。
本发明的预测流程图如图1(a)所示,包括以下步骤:
a.数据预处理:
①将预测风电功率所需至少一整年的气象数据按照季度划分为四个数据集,每个数据集中的数据包括气象数据和对应的风电功率数据;
②将气象数据和风电功率数据进行归一化处理以确保模型运行速度更快,收敛性更好;
③分别将每个数据集中的数据按照80%、10%、10%的比例划分为训练集、验证集和测试集;
b.风电功率预测模型的搭建:
利用SATCN对气象数据进行特征提取,同时将自注意力机制(SA)关注于贡献更大的特征,利用LSTM建立所提取特征与输出风电功率之间的联系,搭建SATCN-LSTM风电功率超短期预测模型;
c.风电功率超短期预测模型的训练:
将训练集数据输入到SATCN-LSTM风电功率超短期预测模型,对模型进行训练,训练过程中利用验证集对SATCN和LSTM的网络参数进行调整,验证集误差最小即最优参数模型。
d.风电功率的预测:
将实时采集的气象数据进行归一化处理后输入到训练好的SATCN-LSTM风电功率超短期预测模型,实现下一时刻风电功率的预测。
气象数据包括风速、风向、温度、空气密度和空气压强。
将气象数据和风电功率数据进行归一化处理的具体方法如下:
用x1表示功率数据,x1'表示归一化后的功率数据,则
式中Cwt为风电场装机容量;
用x2表示风速、温度、空气压强或空气密度数据,x2'表示归一化后的风速、温度、空气压强或空气密度数据,则
式中x2max和x2min分别为风速、温度、空气压强或空气密度数据的最大值和最小值;
用x3表示风向数据,x3'表示归一化后风向数据,则
x3'=sin(x3)。
SATCN部分的时域卷积网络TCN的基本结构为一维全卷积和因果卷积,同时TCN采用膨胀卷积,对于一维序列x和滤波器f,膨胀卷积运算F在时刻t的定义为:
其中,k为滤波器大小,*为卷积运算,d为膨胀因子,t-d·i解释了过去的方向。
SATCN部分的时域卷积网络TCN引入跳跃连接,以避免在训练过程中出现梯度爆炸或梯度消失现象。跳跃连接的主要思想为输出表示为输入和输入的一个非线性变换的线性叠加。定义为:
o=Activation(X+F(X))
其中,o为输出,F(X)是卷积后结果,Activation(·)为激活函数。
自注意力机制引入到TCN中即SATCN用于提取气象数据特征。自注意力部分计算过程如下:
其中,Q、K、V为输入数据经不同线性变换得到的向量分别组成的矩阵, softmax(·)为进行归一化的激活函数,dk为K的维度。
LSTM用于建立提取特征与风电功率输出之间的非线性关系,其输入为经 SATCN提取特征后的张量,输出为下一时刻预测风电功率值。LSTM主要包括输入门、遗忘门和输出门,其中输入门控制输入信息送入记忆细胞,输出门控制记忆细胞信息输出,确定下一隐藏状态信息,遗忘门决定哪些信息需要被删除和遗忘。LSTM单元内计算过程如下:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot*tanh(Ct)
其中,ft,it,Ct,ot分别表示t时刻的遗忘门、输入门、细胞状态和输出门;σ为sigmoid函数;Wf,Wi,WC,Wo,bf,bi,bC,bo为遗忘门、输入门、细胞状态和输出门的权重系数矩阵和偏置项;ht为t时刻的隐藏层输出;xt为t时刻的输入;表示记忆单元的输入状态;tanh为双曲正切函数。
将训练集数据输入到SATCN-LSTM模型,SATCN对气象因素进行时间特征和变量之间相关特征提取,同时自注意力机制(SA)关注于贡献更大的特征,后 LSTM建立所提取特征与输出风电功率之间的联系,即将提取到的特征张量处理成一维向量输入到全连接层,全连接层直接输出下一时刻风电功率预测值。预测模型结构如图1(b)所示,主要包括三个SATCN残差块,一个LSTM层及一个全连接层。
预测模型的TCN的基本结构为一维全卷积和因果卷积,同时采用膨胀卷积,相当于在每两个相邻的滤波器之间间隔固定步长,使其能够堆叠更少的层数获得更大的感受域,一维序列膨胀卷积如图2所示。对于一维序列x和滤波器f,膨胀卷积运算F在时刻t的定义为:
其中,k为滤波器大小,*为卷积运算,d为膨胀因子。
TCN引入跳跃连接,其主要思想为输出表示为输入和输入的一个非线性变换的线性叠加。定义为:
o=Activation(X+F(X))
其中,o为输出,F(X)是卷积后结果,Activation(·)为激活函数。
自注意力机制引入到TCN中即SATCN用于提取气象数据特征,SATCN残差块结构如图3所示。自注意力部分计算过程如下:
其中,Q、K、V为输入数据经不同线性变换得到的向量分别组成的矩阵, softmax(·)为进行归一化的激活函数,dk为K的维度。
LSTM用于建立提取特征与风电功率输出之间的非线性关系。如图4所示, LSTM主要包括输入门、遗忘门和输出门,其中输入门控制输入信息送入记忆细胞,输出门控制记忆细胞信息输出,确定下一隐藏状态信息,遗忘门决定哪些信息需要被删除和遗忘。LSTM单元内的计算过程可以表示为:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot*tanh(Ct)
其中,ft,it,Ct,ot表示t时刻的遗忘门、输入门、细胞状态和输出门;σ为sigmoid函数;Wf,Wi,WC,Wo,bf,bi,bC,bo为遗忘门、输入门、细胞状态和输出门的权重系数矩阵和偏置项;ht为t时刻的隐藏层输出;xt为t时刻的输入;表示记忆单元的输入状态;tanh为双曲正切函数。
本发明具有以下优点:
a.本发明利用SATCN来提取气象因素时序特征及变量之间的相关特征,将自注意力机制引入TCN,有利于提高模型的特征提取能力;
b.本发明利用LSTM对风电功率进行预测,能够很好表征特征与风电功率之间的关系,快速训练深度学习模型,有利于进行准确风电功率预测;
c.采用本发明进行超短期风电功率预测,可以达到较高的预测精度,有效提取出气象因素特征信息,从而全面、准确地对超短期风电功率进行预测。
下面通过对某风场一整年数据分析来验证本发明的有效性。
采用某风场2012年全年气象数据包括风速、风向、温度、空气密度和空气压强及风电功率数据对本发明进行验证。其中,风电功率四个季度数据统计信息如表1。通过表1可以发现,此风电场各个季度风电功率统计特征有所差异。
表1全年风电功率数据统计信息
通过上述步骤对数据进行预处理及模型的搭建和预测,同时使用学习率为 0.001的Adam优化器优化整个神经网络权值,使MSE损失函数损失值最小化。采用LSTM,TCN,TCN-LSTM作为对比模型与本发明的效果进行对比。采用 MAE,RMSE和SMAPE三个评价指标对模型的预测性能进行评估,其计算公式如下:
各个模型在四个季度的评价指标结果如表2所示。由表2可看出,本发明所提出的基于SATCN-LSTM的风功率超短期预测方法较对比模型能够更好地建立气象因素与风电功率之间的复杂非线性关系,有较高的预测精度。以第二季度的功率预测结果为例,本发明所提方法的MAE指标比其他模型下降了16.88%, 11.04%,8.28%,RMSE指标较其他模型改善了10.06%,11.55%,5.51%,同时 SMAPE指标比LSTM,TCN-LSTM分别减少了7.15%,2.56%。本发明在不同季度随机节选的风电功率预测结果如图5所示,可以发现功率预测结果与实际功率曲线较吻合,本发明的方法能够跟踪功率变化趋势,达到较高的预测精度。
表2不同模型预测结果比较
Claims (8)
1.一种基于SATCN-LSTM的风功率超短期预测方法,其特征是,所述方法包括以下步骤:
a.数据预处理:
①将预测风电功率所需至少一整年的气象数据按照季度划分为四个数据集,每个数据集中的数据包括气象数据和对应的风电功率数据;
②将气象数据和风电功率数据进行归一化处理;
③分别将每个数据集中的数据划分为训练集、验证集和测试集;
b.风电功率预测模型的搭建:
利用SATCN对气象数据进行特征提取,利用LSTM建立所提取特征与输出风电功率之间的联系,搭建SATCN-LSTM风电功率超短期预测模型;
c.风电功率预测模型的训练:
将训练集数据输入到SATCN-LSTM风电功率超短期预测模型,对模型进行训练,训练过程中利用验证集对SATCN和LSTM的网络参数进行调整;
d.风电功率的预测:
将实时采集的气象数据进行归一化处理后输入到训练好的SATCN-LSTM风电功率超短期预测模型,实现下一时刻风电功率的预测。
2.根据权利要求1所述的基于SATCN-LSTM的风功率超短期预测方法,其特征是,所述气象数据包括风速、风向、温度、空气密度和空气压强。
5.根据权利要求4所述的基于SATCN-LSTM的风功率超短期预测方法,其特征是,所述的SATCN部分的时域卷积网络TCN引入跳跃连接,输出表示为输入和输入的一个非线性变换的线性叠加,定义为:
o=Activation(X+F(X))
其中,o为输出,F(X)是卷积后结果,Activation(·)为激活函数。
8.根据权利要求7所述的基于SATCN-LSTM的风功率超短期预测方法,其特征是,所述SATCN-LSTM风电功率超短期预测模型包括三个残差块,一个LSTM层和一个全连接层,每个残差块有16个卷积核,卷积核大小为3,膨胀因子分别为1,2,4;LSTM层的时间步数为16,批次大小为128。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210112685.3A CN114676814A (zh) | 2022-01-29 | 2022-01-29 | 一种基于satcn-lstm的风功率超短期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210112685.3A CN114676814A (zh) | 2022-01-29 | 2022-01-29 | 一种基于satcn-lstm的风功率超短期预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114676814A true CN114676814A (zh) | 2022-06-28 |
Family
ID=82072340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210112685.3A Pending CN114676814A (zh) | 2022-01-29 | 2022-01-29 | 一种基于satcn-lstm的风功率超短期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114676814A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115859815A (zh) * | 2022-12-07 | 2023-03-28 | 国网江苏省电力有限公司营销服务中心 | 基于sa-tcn模型的短期可调节负荷预测方法及系统 |
CN116205666A (zh) * | 2022-12-22 | 2023-06-02 | 国网湖北省电力有限公司宜昌供电公司 | 一种基于RACNet的多变量电力负荷预测方法 |
CN117313043A (zh) * | 2023-10-25 | 2023-12-29 | 四川大学 | 一种风力发电功率预测方法 |
-
2022
- 2022-01-29 CN CN202210112685.3A patent/CN114676814A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115859815A (zh) * | 2022-12-07 | 2023-03-28 | 国网江苏省电力有限公司营销服务中心 | 基于sa-tcn模型的短期可调节负荷预测方法及系统 |
CN116205666A (zh) * | 2022-12-22 | 2023-06-02 | 国网湖北省电力有限公司宜昌供电公司 | 一种基于RACNet的多变量电力负荷预测方法 |
CN117313043A (zh) * | 2023-10-25 | 2023-12-29 | 四川大学 | 一种风力发电功率预测方法 |
CN117313043B (zh) * | 2023-10-25 | 2024-04-30 | 四川大学 | 一种风力发电功率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214566B (zh) | 基于长短期记忆网络的风电功率短期预测方法 | |
CN114676814A (zh) | 一种基于satcn-lstm的风功率超短期预测方法 | |
CN106529814B (zh) | 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法 | |
CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
US20210334658A1 (en) | Method for performing clustering on power system operation modes based on sparse autoencoder | |
CN108647839A (zh) | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN110991737A (zh) | 一种基于深度置信网络的超短期风电功率预测方法 | |
CN113743016B (zh) | 基于自编码器和回声状态网络的发动机剩余寿命预测方法 | |
CN114861533A (zh) | 基于时间卷积网络的风功率超短期预测方法 | |
CN112149905A (zh) | 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法 | |
CN114298134A (zh) | 风电功率预测方法及装置、电子设备 | |
CN114298377A (zh) | 一种基于改进极限学习机的光伏发电预测方法 | |
CN116960978A (zh) | 基于风速-功率组合分解重构的海上风电功率预测方法 | |
CN116562114A (zh) | 一种基于图卷积神经网络的电力变压器故障诊断方法 | |
CN116341613A (zh) | 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 | |
CN115511657A (zh) | 一种基于组合预测模型的风电出力与光伏出力评估的方法 | |
CN115409369A (zh) | 基于机理和数据混合驱动的综合能源系统可靠性评估方法 | |
Wibawa et al. | Long Short-Term Memory to Predict Unique Visitors of an Electronic Journal | |
CN116843057A (zh) | 基于LSTM-ViT的风电功率超短期预测方法 | |
CN117151770A (zh) | 一种基于注意力机制的lstm碳价预测方法和系统 | |
CN116307139A (zh) | 一种优化与改进极限学习机的风电功率超短期预测方法 | |
CN115907131A (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN114492964A (zh) | 一种基于小波分解和优化深度置信网络的光伏功率超短期概率预测方法 |
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 |