CN116937538A - 基于arima-bp-lstm多特征融合的超短期风功率预测方法及设备 - Google Patents
基于arima-bp-lstm多特征融合的超短期风功率预测方法及设备 Download PDFInfo
- Publication number
- CN116937538A CN116937538A CN202310572097.2A CN202310572097A CN116937538A CN 116937538 A CN116937538 A CN 116937538A CN 202310572097 A CN202310572097 A CN 202310572097A CN 116937538 A CN116937538 A CN 116937538A
- Authority
- CN
- China
- Prior art keywords
- wind power
- model
- short
- ultra
- term wind
- 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 87
- 230000004927 fusion Effects 0.000 title claims abstract description 22
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims description 69
- 239000010410 layer Substances 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000004770 neurodegeneration Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000012353 t test Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000005311 autocorrelation function Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000001583 randomness test Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 238000001744 unit root test Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 4
- 230000007774 longterm Effects 0.000 abstract description 3
- 238000007619 statistical method Methods 0.000 abstract description 3
- 238000005094 computer simulation Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000000692 Student's t-test Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Power Engineering (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于ARIMA‑BP‑LSTM多特征融合的超短期风功率预测方法及设备,该方法通过获取丰富的数据特征量,构建风功率变化量、风功率变化率两个新的特征数据;采用更多维的特征数据,保障预测模型有更好的预测效果;采用组合预测方法,ARIMA方法的线性预测精度高,BP方法适用于非线性系统建模和具有非线性变化特征的风速信息;LSTM方法考虑了数据的时序特性,更加符合真实的数据特征。结合三者模型建立组合预测模型可以得到更精确的预测效果,更适配真实的超短期风功率准确预测需求。通过本发明,能够充分结合统计方法与机器学习方法优点,将数据的时间特性、短期线性特性、长期非线性特性包含在内,实现对厂级风电机组的超短期风功率的准确预测。
Description
技术领域
本发明涉及机器学习技术领域,尤其涉及一种基于ARIMA-BP-LSTM多特征融合的超短期风功率预测方法、装置、设备、存储介质。
背景技术
近些年,风力发电机组装机容量在总发电装机容量中的占比不断增加,风力发电已成为新能源行业的重要支柱。风的随机性、波动性与不稳定性给电网的计划发电和调度带来巨大的挑战。此外,随着风电并网容量的不断增加,电网对超短期风功率预测提出了更高的要求,考核惩罚更加严厉。超短期风功率的精准预测不仅可以避免风电场考核付出的经济代价,而且风功率的精准预测可以更大程度的提升电网接纳风力发电。然而,风功率序列数据具有明显的非线性、非平稳性特点,使得准确预测风电场超短期风功率数值变得较为困难。
发明内容
本发明提供一种基于ARIMA-BP-LSTM多特征融合的超短期风功率预测方法、装置、设备、存储介质,结合统计方法与机器学习方法优点,将数据的时间特性、短期线性特性、长期非线性特性包含在内,实现对厂级风电机组的超短期风功率的准确预测。
为此,本发明的第一个目的是提出一种基于ARIMA-BP-LSTM多特征融合的超短期风功率预测方法,包括:
获取风电场历史运行数据并进行预处理,将预处理后的历史运行数据作为超短期风功率预测的模型训练集;
分别采用ARIMA、BP、LSTM方法构建超短期风功率预测模型,并通过模型训练集进行模型训练;
基于训练完成的ARIMA超短期风功率预测模型、BP超短期风功率预测模型和LSTM超短期风功率预测模型,通过加权平均确定组合预测模型;
将当前时刻采集的风电场运行数据输入组合预测模型中,输出结果即为对下一时刻超短期风功率的预测结果。
其中,获取风电场历史运行数据并进行预处理,将预处理后的历史运行数据作为超短期风功率预测的模型训练集的步骤中,风电场历史运行数据为从风电场SSCADA系统中获取的风功率历史数据对应时刻的气象数据;其中,
对风功率历史数据进行预处理的步骤包括:
对风功率历史数据进行滤波和异常值去除,得到初始风功率历史数据;
基于初始风功率历史数据,构造风功率变化量与风功率变化率两个特征数据集;
对构造的风功率变化量与风功率变化率两个特征数据集进行归一化处理,得到模型训练集。
其中,在分别采用ARIMA、BP、LSTM方法构建超短期风功率预测模型的步骤中,包括:
建立ARIMA超短期风功率预测模型并进行模型训练;其中,
ARIMA超短期风功率预测模型表示为ARIMA(p,d,q);
其中,AR表示自回归,p为自回归项,MA表示移动平均,q为移动平均项,d为时间序列的差分次数;模型结构为:
式中,yt为t时刻时序数据,c为常数项,et为白噪声序列;p、q为模型阶次,θq为自回归、移动平均系数;
进一步整理可得:
式中,θ(B)=1-θ1B-θ2B2-…-θqBq,ε(K)表示均值为0、方差为/>的正太白噪声,B为延迟算子,d为差分算子,/>为AR模型待估参数,θq为MA模型待估参数。
其中,在分别采用ARIMA、BP、LSTM方法构建超短期风功率预测模型的步骤中,包括:
建立BP超短期风功率预测模型并进行模型训练;其中,
BP超短期风功率预测模型采用单隐含层的3层网络结构,隐含层神经元个数由式计算,a、b分别代表输入层、输出层神经元的个数,c为经验值,其取值范围为1~10;
模型训练之前,对BP超短期风功率预测模型的最小目标误差、最大迭代次数、学习率分别进行设置;通过输入训练集不断调整模型训练参数,直到训练完成。
其中,在分别采用ARIMA、BP、LSTM方法构建超短期风功率预测模型的步骤中,包括:
建立LSTM超短期风功率预测模型并进行模型训练;其中,
LSTM超短期风功率预测模型采用单层设计,为了避免梯度下降出现局部最优的问题,使用小批量梯度下降算法,并利用Adam算法对梯度进行反向更新;同时引入Dropout神经元损失概率参数,解决模型训练过程中出现的过拟合问题;
LSTM超短期风功率预测模型训练之前,设置模型的隐含层神经元个数、初始学习率、梯度阈值、最大迭代次数、小批量大小及神经元损失概率;通过输入训练集不断调整模型训练参数,直到训练完成。
其中,基于训练完成的ARIMA超短期风功率预测模型、BP超短期风功率预测模型和LSTM超短期风功率预测模型,通过加权平均确定组合预测模型的步骤中,在各单一预测模型基础上,利用加权平均的方法,得到组合预测模型结果,表达式如下:
P=k1P1+k2P2+…+knPn
其中,P表示组合预测模型风功率预测值;Pi表示第i个预测模型风功率预测值;ki表示第i个预测模型的权重系数,满足n表示单一预测模型的个数;
单个数据模型的权重系数采用方差倒数法确定;通过分别计算各单个模型的预测误差平方和,再通过整体误差平方和最小原则确定各单个模型的权重系数。权重系数计算表达式如下:
其中,wj表示第j个模型的权重系数;ej表示第j个模型的误差平方和。
其中,ARIMA超短期风功率预测模型的建模过程包括:
采用ADF单位根检验精确判断模型输入数据的平稳性;若数据不平稳进行差分运算,差分的累积次数即为d值;
过程对模型的阶次进行确定,基于AIC准则,采用遍历法取最小值为模型的p,q阶数;
模型检验包括模型参数估计的显著性检验与残差序列随机性检验,显著性检验选择t检验方法,残差序列的随机性通过自相关函数检验,证明残差之间是相互独立的。
本发明的第二个目的是提出一种基于ARIMA-BP-LSTM多特征融合的超短期风功率预测装置,包括:
数据获取模块,用于获取风电场历史运行数据并进行预处理,将预处理后的历史运行数据作为超短期风功率预测的模型训练集;
模型构建模块,分别采用ARIMA、BP、LSTM方法构建超短期风功率预测模型,并通过模型训练集进行模型训练;
模型组合模块,基于训练完成的ARIMA超短期风功率预测模型、BP超短期风功率预测模型和LSTM超短期风功率预测模型,通过加权平均确定组合预测模型;
预测模块,用于将当前时刻采集的风电场运行数据输入组合预测模型中,输出结果即为对下一时刻超短期风功率的预测结果。
本发明的第三个目的在于提出一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行前述技术方案的方法中的各步骤。
本发明的第四个目的在于提出存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行根据前述技术方案的方法中的各步骤。
区别于现有技术,本发明提供的基于ARIMA-BP-LSTM多特征融合的超短期风功率预测方法,获取丰富的数据特征量,包括风功率数据、还有温度、湿度、压力的天气数据,依据风功率构建了风功率变化量、风功率变化率两个新的特征数据;采用更多维的特征数据,保障预测模型有更好的预测效果;采用组合预测方法,ARIMA方法的线性预测精度高,BP方法适用于非线性系统建模,建模相对简单,适用于具有非线性变化特征的风速信息;LSTM方法考虑了数据的时序特性,更加符合真实的数据特征。结合三者模型建立组合预测模型可以得到更精确的预测效果,更适配真实的超短期风功率准确预测需求。通过本发明,能够充分结合统计方法与机器学习方法优点,将数据的时间特性、短期线性特性、长期非线性特性包含在内,实现对厂级风电机组的超短期风功率的准确预测。
附图说明
本发明的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明提供的一种基于ARIMA-BP-LSTM多特征融合的超短期风功率预测方法的流程示意图。
图2是本发明提供的一种基于ARIMA-BP-LSTM多特征融合的超短期风功率预测方法的逻辑示意图。
图3是本发明提供的一种基于ARIMA-BP-LSTM多特征融合的超短期风功率预测方法中模型训练的逻辑示意图。
图4是本发明提供的一种基于ARIMA-BP-LSTM多特征融合的超短期风功率预测装置的结构示意图。
图5是本发明提供的一种存储有计算机指令的非瞬时计算机可读存储介质的结构示意图。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
如图1所示,为本发明实施例所提供的一种基于ARIMA-BP-LSTM多特征融合的超短期风功率预测方法,处理逻辑如图2所示。该方法的步骤包括:
S110:获取风电场历史运行数据并进行预处理,将预处理后的历史运行数据作为超短期风功率预测的模型训练集。
获取风电场历史运行数据并进行预处理,将预处理后的历史运行数据作为超短期风功率预测的模型训练集的步骤中,风电场历史运行数据为从风电场SSCADA系统中获取的风功率历史数据对应时刻的气象数据;其中,
对风功率历史数据进行预处理的步骤包括:
对风功率历史数据进行滤波和异常值去除,得到初始风功率历史数据;
基于初始风功率历史数据,构造风功率变化量与风功率变化率两个特征数据集;
对构造的风功率变化量与风功率变化率两个特征数据集进行归一化处理,得到模型训练集。
具体的,风功率历史数据包括从风电场的SCADA系统中获取风功率历史数据与对应时刻的温度、湿度、气压等气象数据,采样周期为15min。
本发明中,设置的预测策略为24个点预测未来4个时刻风功率数据。
S120:分别采用ARIMA、BP、LSTM方法构建超短期风功率预测模型,并通过模型训练集进行模型训练。
建立ARIMA超短期风功率预测模型并进行模型训练;其中,
ARIMA超短期风功率预测模型表示为ARIMA(p,d,q);
其中,AR表示自回归,p为自回归项,MA表示移动平均,q为移动平均项,d为时间序列的差分次数;模型结构为:
式中,yt为t时刻时序数据,c为常数项,et为白噪声序列;p、q为模型阶次,θq为自回归、移动平均系数;
进一步整理可得:
式中,θ(B)=1-θ1B-θ2B2-…-θqBq,ε(K)表示均值为0、方差为/>的正太白噪声,B为延迟算子,d为差分算子,/>为AR模型待估参数,θq为MA模型待估参数。
ARIMA建模过程如下:
平稳性检验。采用ADF单位根检验来精确判断输入数据的平稳性;若数据不平稳进行差分运算,差分的累积次数即为d值;
ARIMA模型识别。过程对模型的阶次进行确定,基于AIC准则,采用遍历法取最小值为模型的p,q阶数;
AIC准则是根据参数个数和数据的拟合程度判断模型好坏:
AIC=2k-2ln(L)
式中,k表示参数的数量,L表示似然函数,在最佳选择过程中,选用了AIC最小值的模型。
模型检验。模型检验包括模型参数估计的显著性检验与残差序列随机性检验,显著性检验选择t检验方法。t检验方法的具体流程为:
提出假设H0:μ=μ0;H1:μ≠μ0;根据样本观测值,计算t统计量值:当假设成立时,t~t(n-1);比较判断,给定显著性水平α,查t分布表,得到临界值tα/2,若t≥tα/2,则原假设H0不成立,H1成立,反之则相反。
残差序列的随机性通过自相关函数检验。证明残差之间是相互独立的。
式中,k表示滞后数。
建立BP超短期风功率预测模型并进行模型训练;其中,
BP超短期风功率预测模型采用单隐含层的3层网络结构,隐含层神经元个数由式计算,a、b分别代表输入层、输出层神经元的个数,c为经验值,其取值范围为1~10;
模型训练之前,对BP超短期风功率预测模型的最小目标误差、最大迭代次数、学习率分别进行设置;通过输入训练集不断调整模型训练参数,直到训练完成。
建立LSTM超短期风功率预测模型并进行模型训练;其中,
LSTM超短期风功率预测模型采用单层设计,为了避免梯度下降出现局部最优的问题,使用小批量梯度下降算法,并利用Adam算法对梯度进行反向更新;同时引入Dropout神经元损失概率参数,解决模型训练过程中出现的过拟合问题;
LSTM超短期风功率预测模型训练之前,设置模型的隐含层神经元个数、初始学习率、梯度阈值、最大迭代次数、小批量大小及神经元损失概率;通过输入训练集不断调整模型训练参数,直到训练完成。模型训练过程如图3所示。
S130:基于训练完成的ARIMA超短期风功率预测模型、BP超短期风功率预测模型和LSTM超短期风功率预测模型,通过加权平均确定组合预测模型。
在各单一预测模型基础上,利用加权平均的方法,得到组合预测模型结果,表达式如下:
P=k1P1+k2P2+…+knPn
其中,P表示组合预测模型风功率预测值;Pi表示第i个预测模型风功率预测值;ki表示第i个预测模型的权重系数,满足n表示单一预测模型的个数;
单个数据模型的权重系数采用方差倒数法确定;通过分别计算各单个模型的预测误差平方和,再通过整体误差平方和最小原则确定各单个模型的权重系数。权重系数计算表达式如下:
其中,wj表示第j个模型的权重系数;ej表示第j个模型的误差平方和。
S140:将当前时刻采集的风电场运行数据输入组合预测模型中,输出结果即为对下一时刻超短期风功率的预测结果。
将待预测的采集的风功率数据与天气数据进行数据预处理与新特征数据构造,归一化后输入训练好的组合预测模型,模型输出作为超短期风功率预测结果。
如图4所示,本发明提供了一种基于ARIMA-BP-LSTM多特征融合的超短期风功率预测装置300,包括:
数据获取模块310,用于获取风电场历史运行数据并进行预处理,将预处理后的历史运行数据作为超短期风功率预测的模型训练集;
模型构建模块320,分别采用ARIMA、BP、LSTM方法构建超短期风功率预测模型,并通过模型训练集进行模型训练;
模型组合模块330,基于训练完成的ARIMA超短期风功率预测模型、BP超短期风功率预测模型和LSTM超短期风功率预测模型,通过加权平均确定组合预测模型;
预测模块340,用于将当前时刻采集的风电场运行数据输入组合预测模型中,输出结果即为对下一时刻超短期风功率的预测结果。
为了实现实施例,本发明还提出一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行前述技术方案的超短期风功率预测方法中的各步骤。
如图5所示,非临时性计算机可读存储介质800包括指令的存储器810,接口830,指令可由根据超短期风功率预测处理器820执行以完成方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
为了实现实施例,本发明还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如本发明实施例的超短期风功率预测。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对所述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在所述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现所述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。所述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
所述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,所述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对所述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于ARIMA-BP-LSTM多特征融合的超短期风功率预测方法,其特征在于,包括:
获取风电场历史运行数据并进行预处理,将预处理后的历史运行数据作为超短期风功率预测的模型训练集;
分别采用ARIMA、BP、LSTM方法构建超短期风功率预测模型,并通过所述模型训练集进行模型训练;
基于训练完成的ARIMA超短期风功率预测模型、BP超短期风功率预测模型和LSTM超短期风功率预测模型,通过加权平均确定组合预测模型;
将当前时刻采集的风电场运行数据输入所述组合预测模型中,输出结果即为对下一时刻超短期风功率的预测结果。
2.根据权利要求1所述的基于ARIMA-BP-LSTM多特征融合的超短期风功率预测方法,其特征在于,获取风电场历史运行数据并进行预处理,将预处理后的历史运行数据作为超短期风功率预测的模型训练集的步骤中,所述风电场历史运行数据为从风电场SSCADA系统中获取的风功率历史数据对应时刻的气象数据;其中,
对风功率历史数据进行预处理的步骤包括:
对所述风功率历史数据进行滤波和异常值去除,得到初始风功率历史数据;
基于所述初始风功率历史数据,构造风功率变化量与风功率变化率两个特征数据集;
对构造的风功率变化量与风功率变化率两个特征数据集进行归一化处理,得到所述模型训练集。
3.根据权利要求1所述的基于ARIMA-BP-LSTM多特征融合的超短期风功率预测方法,其特征在于,在分别采用ARIMA、BP、LSTM方法构建超短期风功率预测模型的步骤中,包括:
建立ARIMA超短期风功率预测模型并进行模型训练;其中,
所述ARIMA超短期风功率预测模型表示为ARIMA(p,d,q);
其中,AR表示自回归,p为自回归项,MA表示移动平均,q为移动平均项,d为时间序列的差分次数;模型结构为:
式中,yt为t时刻时序数据,c为常数项,et为白噪声序列;p、q为模型阶次,θq为自回归、移动平均系数;
进一步整理可得:
式中,ε(K)表示均值为0、方差为/>的正太白噪声,B为延迟算子,d为差分算子,/>为AR模型待估参数,θq为MA模型待估参数。
4.根据权利要求1所述的基于ARIMA-BP-LSTM多特征融合的超短期风功率预测方法,其特征在于,在分别采用ARIMA、BP、LSTM方法构建超短期风功率预测模型的步骤中,包括:
建立BP超短期风功率预测模型并进行模型训练;其中,
BP超短期风功率预测模型采用单隐含层的3层网络结构,隐含层神经元个数由式计算,a、b分别代表输入层、输出层神经元的个数,c为经验值,其取值范围为1~10;
模型训练之前,对所述BP超短期风功率预测模型的最小目标误差、最大迭代次数、学习率分别进行设置;通过输入所述训练集不断调整模型训练参数,直到训练完成。
5.根据权利要求1所述的基于ARIMA-BP-LSTM多特征融合的超短期风功率预测方法,其特征在于,在分别采用ARIMA、BP、LSTM方法构建超短期风功率预测模型的步骤中,包括:
建立LSTM超短期风功率预测模型并进行模型训练;其中,
LSTM超短期风功率预测模型采用单层设计,为了避免梯度下降出现局部最优的问题,使用小批量梯度下降算法,并利用Adam算法对梯度进行反向更新;同时引入Dropout神经元损失概率参数,解决模型训练过程中出现的过拟合问题;
LSTM超短期风功率预测模型训练之前,设置模型的隐含层神经元个数、初始学习率、梯度阈值、最大迭代次数、小批量大小及神经元损失概率;通过输入所述训练集不断调整模型训练参数,直到训练完成。
6.根据权利要求1所述的基于ARIMA-BP-LSTM多特征融合的超短期风功率预测方法,其特征在于,基于训练完成的ARIMA超短期风功率预测模型、BP超短期风功率预测模型和LSTM超短期风功率预测模型,通过加权平均确定组合预测模型的步骤中,在各单一预测模型基础上,利用加权平均的方法,得到组合预测模型结果,表达式如下:
P=k1P1+k2P2+…+knPn
其中,P表示组合预测模型风功率预测值;Pi表示第i个预测模型风功率预测值;ki表示第i个预测模型的权重系数,满足n表示单一预测模型的个数;
单个数据模型的权重系数采用方差倒数法确定;通过分别计算各单个模型的预测误差平方和,再通过整体误差平方和最小原则确定各单个模型的权重系数。权重系数计算表达式如下:
其中,wj表示第j个模型的权重系数;ej表示第j个模型的误差平方和。
7.根据权利要求3所述的基于ARIMA-BP-LSTM多特征融合的超短期风功率预测方法,其特征在于,所述ARIMA超短期风功率预测模型的建模过程包括:
采用ADF单位根检验精确判断模型输入数据的平稳性;若数据不平稳进行差分运算,差分的累积次数即为d值;
过程对模型的阶次进行确定,基于AIC准则,采用遍历法取最小值为模型的p,q阶数;
模型检验包括模型参数估计的显著性检验与残差序列随机性检验,显著性检验选择t检验方法,残差序列的随机性通过自相关函数检验,证明残差之间是相互独立的。
8.一种基于ARIMA-BP-LSTM多特征融合的超短期风功率预测装置,其特征在于,包括:
数据获取模块,用于获取风电场历史运行数据并进行预处理,将预处理后的历史运行数据作为超短期风功率预测的模型训练集;
模型构建模块,分别采用ARIMA、BP、LSTM方法构建超短期风功率预测模型,并通过所述模型训练集进行模型训练;
模型组合模块,基于训练完成的ARIMA超短期风功率预测模型、BP超短期风功率预测模型和LSTM超短期风功率预测模型,通过加权平均确定组合预测模型;
预测模块,用于将当前时刻采集的风电场运行数据输入所述组合预测模型中,输出结果即为对下一时刻超短期风功率的预测结果。
9.一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法中的各步骤。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法中的各步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310572097.2A CN116937538A (zh) | 2023-05-19 | 2023-05-19 | 基于arima-bp-lstm多特征融合的超短期风功率预测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310572097.2A CN116937538A (zh) | 2023-05-19 | 2023-05-19 | 基于arima-bp-lstm多特征融合的超短期风功率预测方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116937538A true CN116937538A (zh) | 2023-10-24 |
Family
ID=88388497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310572097.2A Pending CN116937538A (zh) | 2023-05-19 | 2023-05-19 | 基于arima-bp-lstm多特征融合的超短期风功率预测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116937538A (zh) |
-
2023
- 2023-05-19 CN CN202310572097.2A patent/CN116937538A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN111753893A (zh) | 一种基于聚类和深度学习的风电机组功率集群预测方法 | |
CN110969290A (zh) | 一种基于深度学习的径流概率预测方法及系统 | |
CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
CN110365053B (zh) | 基于延迟优化策略的短期风电功率预测方法 | |
CN113657662B (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
CN104036328A (zh) | 自适应风电功率预测系统及预测方法 | |
CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
CN108847679B (zh) | 风力发电机组及用于其的次同步振荡识别方法、装置及系统 | |
CN116306798A (zh) | 一种超短时风速预测方法及系统 | |
CN111931983A (zh) | 一种降水量预测方法及系统 | |
CN112147474A (zh) | Xlpe电力电缆典型缺陷局部放电类型识别系统及方法 | |
CN115271253A (zh) | 一种水风光发电功率预测模型构建方法、装置及存储介质 | |
CN114021830A (zh) | 一种基于cnn-lstm的多时间范围风速预测方法 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN115908051A (zh) | 一种电力系统储能容量确定方法 | |
CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
CN111950752A (zh) | 光伏电站发电量预测方法、装置、系统及其存储介质 | |
CN116485049B (zh) | 一种基于人工智能的电能计量误差预测与优化系统 | |
CN113449920A (zh) | 一种风电功率预测方法、系统及计算机可读介质 | |
CN117454324A (zh) | 风速风向仪故障预警方法、系统、电子设备及存储介质 | |
JP7342369B2 (ja) | 予測システム、予測方法 | |
CN111612648A (zh) | 光伏发电预测模型的训练方法、装置和计算机设备 | |
CN115935811A (zh) | 一种基于数学模型的分布式风电机组功率预测方法 | |
CN116565840A (zh) | 一种用于风电场风功率预测的高精度风速软测量方法 |
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 |