[发明专利]一种基于随差遗忘长短期记忆的风电功率实时预测方法

权利要求书

1.一种基于随差遗忘长短期记忆的风电功率实时预测方法，其特征在于，具体步骤如下：

(1)采集风电功率历史数据

(2)构建预测模型的输入数据

以斯皮尔曼相关系数法进行风电功率历史数据与各NWP数据特征相关性量化分析、风电功率时间序列自相关性量化分析后，重新构建一个包含历史时刻RWP与预测时刻NWP的输入特征序列，作为预测模型的输入数据；所述输入特征序列计算公式如下：

公式(1)中，n为样本数量，d_i为X_i与Y_i两列第i个样本数列重新按降序排列后的序号差，X为当前的风电功率数据，Y为NWP数据或为历史时刻的风电功率数据；

(3)建立随差遗忘LSTM风电功率实时预测模型

在标准长短期记忆遗忘门上进行改进，得到随差遗忘长短期记忆的风电功率实时预测模型，且随差遗忘长短期记忆的风电功率实时预测模型在任意时刻均拥有三个门，即输入门、输出门和遗忘门，并将t-1时刻预测值与实际值两者的绝对误差作为遗忘门的输入量；

(4)训练随差遗忘LSTM风电功率实时预测模型并进行预测

根据步骤(2)获得的输入特征序列对随差遗忘LSTM风电功率实时预测模型进行训练，最后用已经训练完成的随差遗忘LSTM风电功率实时预测模型完成风电功率实时预测。

2.根据权利要求1所述的一种基于随差遗忘长短期记忆的风电功率实时预测方法，其特征在于，步骤(2)中，同时以构建输入特征序列的时间序列作为每步预测的输入进行实时滚动风电功率预测。

3.根据权利要求1所述的一种基于随差遗忘长短期记忆的风电功率实时预测方法，其特征在于，步骤(3)中，各个门公式如下：

输入门：

i_t＝s(W_i·[h_t-1，x_t]+b_i) (3)

预更新门：

新单元状态：

输出门：

o_t＝s(W_o·[h_t-1，x_t]+b_o) (6)

模型最终输出：

h_t＝o_t·tanh(c_t) (7)

遗忘门：

f_t＝s(W_f·K+b_f) (8)

上述公式中，s为sigmoid激活函数，W_f为遗忘门的权重矩阵；b_f为遗忘门的偏置项，T为tanh激活函数，K＝h′_t-1-h_t-1，h’_t-1为t-1时刻实际值，h_t-1为t-1时刻的预测值，h_t为t时刻的预测值，x_t为输入变量。

4.根据权利要求1所述的一种基于随差遗忘长短期记忆的风电功率实时预测方法，其特征在于，所述随差遗忘LSTM风电功率实时预测模型的源代码、随差遗忘LSTM风电功率实时预测模型的训练及风电功率实时预测均在Python平台上完成。