[发明专利]一种基于编码解码长短期记忆网络的短期风电功率预测方法

权利要求书

1.一种基于编码解码长短期记忆网络的短期风电功率预测方法，其特征是，包括以下步骤：

S1、使用基于编码解码的长短期记忆网络对风电功率进行自编码处理，提取训练后的网络中间状态；

S2、将提取的网络中间状态与预测期的天气数据进行合并形成新长短期记忆预测模型输入值，输出预测期风电功率；

所述步骤S1中使用基于编码解码的长短期记忆网络对风电功率进行自编码处理，提取训练后的网络中间状态，具体包括：

S11、将输入风电功率数据序列输入长短期记忆网络，编码器学习后输出中间状态，解码器将中间状态解码成输出风电功率，所述输出风电功率数据序列与输入风电功率数据序列顺序相反；

S12、将步骤S11在训练初期维持高学习率进行训练，训练至500轮以后采用指数下降法实现学习率衰减，总体训练1500轮；

S13、提取步骤S12训练完毕的长短期记忆网络中间状态；

所述步骤S2中将提取的网络中间状态与预测期的天气数据进行合并形成新长短期记忆预测模型输入值，输出预测期风电功率，具体包括：

S21、将历史天气数据输入到自编码处理提取的中间状态后得到嵌入层，将该嵌入层与预测期的天气数据进行合并形成新长短期记忆网络输入值，输出值为预测期风电功率；

S22、将输入值和输出值输入到新长短期记忆网络进行训练，在训练初期维持高学习率进行训练，训练至500轮以后采用指数下降法实现学习率衰减，总体训练1500轮；

S23、将标准化处理后的历史风电功率数据输入到步骤S22中训练完成后的编码器中得到中间状态，将中间状态与标准化处理后的预测期天气数据进行合并，形成预测模型的输入值；

S24、将步骤S23形成的输入值输入到训练完成的新长短期记忆预测模型中，输出预测期风电功率。

2.如权利要求1所述的一种基于编码解码长短期记忆网络的短期风电功率预测方法，其特征是，所述将提取的网络中间状态与预测期的天气数据进行合并形成新长短期记忆预测模型输入值步骤之前，还包括输入数据标准化步骤：

将风电功率及天气数据中的风速、气温、气压、轮毂高度处空气密度数值标准化为区间[-0.8,0.8]，公式如下：

x_max为输入数据的最大值；x_min为输入数据的最小值；x_scaled为输出数据；

将轮毂高度处风向变量标准化公式如下：

x^wd为轮毂高度处风向变量取值；为轮毂高度处风向变量取值标准化后的输出值。

3.如权利要求2所述的一种基于编码解码长短期记忆网络的短期风电功率预测方法，其特征是，所述编码器涉及到的超参数定义如下：

输入层时间步数设置为480，即按照15min一个数据点来计算的前5天历史风电功率数据；输入变量为风电功率，输入维数为1；隐藏层数目为1层长短期记忆网络；隐藏层维度为32；输出变量为风电功率，输出维数为1。

4.如权利要求2所述的一种基于编码解码长短期记忆网络的短期风电功率预测方法，其特征是，步骤S24的输出预测期风电功率之后，还包括：

将输出的预测期风电功率按照下式进行反归一化处理，

5.如权利要求4所述的一种基于编码解码长短期记忆网络的短期风电功率预测方法，其特征是，所述新长短期记忆网络涉及到的超参数如下：

输入层的时间步数设置为480，即按照15min一个数据点来计算的前5天历史数据；输入变量为自编码器中提取的中间状态和预测期5维气象变量的37维向量，包括嵌入层的32维以及风速、气温、气压、轮毂高度处空气密度和轮毂高度处风向；隐藏层数目为3层长短期记忆网络；隐藏层维度为128维、64维、32维；输出变量为预测期风电功率，输出维数为1。