[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

说明书

本发明公开了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，首先，使用基于E‑D的LSTM网络对功率进行AE处理，提取训练后的网络中间状态作为WP数据中时序关系的抽象表示；其次，合并前步中提取的网络中间状态与预测期的天气数据，将其输入到新的LSTM网络中，完成对风电功率的预测。与没使用AE预处理的多层LSTM网络方法相比，该方法通过利用AE过程中提取的WP时序关系信息降低了模型的错定(model misspecification)风险，提高了泛化能力，同时将时序特征与天气预测信息进行结合进一步提高了预测精度。

技术领域

本发明涉及风电功率预测算法技术领域，尤其是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。

背景技术

风能是清洁、可再生能源中的一种重要资源，但由于风能的间歇性、随机性等特点导致了WP的不确定性和弱可控性。这给电网安全稳定运行带来了隐患和挑战。准确的WPP能够缓解电网调频、调峰压力，对于大规模风电并网和运行管理具有十分重要的意义。

目前，针对风电功率预测的方法按照时间周期进行划分，主要有：以年度为单位的长期预测法；以月、周为单位的中期预测法；以日、小时为单位的短期预测法和以分钟为单位的超短期预测法。针对预测模型的不同，主要有物理预测方法和统计预测方法2大类。其中，物理预测方法主要使用了数值天气预报模型(numerical weather prediction，NWP)提供的风速、风向、气压、气温等气象要素，结合风电场周围的地貌、地形信息，对局部风速进行估计，进而给出风电功率预测。但WPP的误差会受到NWP误差的影响而被放大，同时NWP的预测周期较长，因此物理预测方法无法用于超短期预测。统计预测方法主要有自回归移动平均法(auto-regression moving average，ARMA)、指数平滑法(exponential smoothing，EM)、卡尔曼滤波法(Kalman filter)等时序外推方法，以及以机器学习、神经网络为主要特征的支持向量机(support vector machine，SVM)法、人工神经网络(artificial neuralnetwork，ANN)法等。其中：外推方法对数据的随机分布特征具有比较严格的假设；SVM的核函数选择存在随意性，且样本数据量的增加以及输入数据维度的增大会导致较高的计算复杂度；浅层ANN虽然能够比较好地拟合样本数据，但存在过拟合、泛化能力差的缺点。

发明内容

本发明的目的是提供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，通过利用在自编码过程中提取的数据时序表达从而降低了错定风险提高了泛化能力，同时将时序特征与天气预测信息进行结合进一步提高了预测精度。

为实现上述目的，本发明采用下述技术方案：

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，包括以下步骤：

S1、使用基于E-D的LSTM网络对风电功率进行AE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LSTM预测模型输入值，输出预测期风电功率。

进一步地，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LSTM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：

将轮毂高度处风向变量标准化公式如下：

进一步地，所述步骤S1中基于E-D的LSTM网络对风电功率进行AE处理，具体步骤如下：