[发明专利]一种风电功率区间预测方法、系统及存储介质

说明书

本发明实施例提供一种风电功率区间预测方法、系统及存储介质，综合利用LUBE边界估值理论的一步式预测区间构造特性和GRU神经网络的时间序列建模能力，基于LUBE边界估值理论，建立基于神经网络的区间预测模型，其输出层包含两个神经元，根据输入张量直接生成预测区间；所述神经网络包含GRU循环神经网络与全连接神经网络，GRU对多变量时间序列进行时间依赖性建模，全连接神经网络用于获取预测区间的上下界；其次，针对预测区间的评估函数不可微分的缺点，改进了预测区间评估函数，克服传统LUBE无法采用梯度下降法的难点，有效将GRU深度学习算法整合进LUBE模型体系，在减少计算步骤的情况下，提升预测精度。

技术领域

本发明实施例涉及风力发电技术领域，尤其涉及一种风电功率区间预测方法、系统及存储介质。

背景技术

近年来，为应对气候变化和传统能源枯竭，可再生能源发电得到了迅速发展。其中，风力发电作为一种清洁无污染的能源形式，日益融入到电力系统中。然而，风速的不确定性及不稳定性给风电系统的安全可靠运行带来一定困难，限制了风力发电的快速推广应用。因此，高质量的风电功率预测对于制定最优电力系统规划、合理布置储能系统具有重要意义。

风电功率预测方法主要分为确定性点预测和概率区间预测两大类。在风电功率预测中，点预测不能完全消除误差，且点预测不揭示任何相关的不确定性；与确定性点预测相比，风力发电的区间预测可以为每个预测目标提供一个预测区间，量化不确定性的程度，为电力系统的规划和运行提供更全面的参考。风电功率区间预测方法可分有两种，一种是基于概率分布的方法，另一种是基于LUBE(Lower Upper Bound Estimation)的边界估计方法。概率分布法基于对数据的先验假设，通常先得到点预测，然后根据特定的误差分布假设得到预测区间，常用的预测模型有Delta、贝叶斯、Bootstrap、均值方差估计等。但是，数据假设通常与现实不一致，所得结果存在一定偏差，此外，上述方法实现困难，计算量大。相比之下，LUBE通过一个神经网络，不需要对原始数据进行任何分布假设就能直接得到预测区间，在时间序列预测领域得到了快速发展，但当前LUBE模型的优化方向仍集中在核心预测器的改进、训练方式的改进等层面。

门控循环单元(Gated Recurrent Unit，GRU)神经网络作为一种新兴的数据驱动深度学习方法，在时间序列预测领域得到了广泛关注；就风电功率区间预测而言，由于现有的针对预测区间的损失函数不适用于梯度下降，深度学习算法无法与LUBE模型进行有效结合。如何改进区间预测模型的损失函数，并整合先进的核心预测器，学习到风力发电多变量时间序列数据的深层次的特征、提高预测精度仍然是一个重大难题。

发明内容

本发明实施例提供一种风电功率区间预测方法、系统及存储介质，克服传统LUBE无法采用梯度下降法的难点，有效将GRU深度学习算法整合进LUBE模型体系，在减少计算步骤的情况下，提升预测精度。

第一方面，本发明实施例提供一种风电功率区间预测方法，包括：

基于LUBE边界估值理论与GRU神经网络构建风电功率区间预测模型；

基于预测区间覆盖概率和平均预测宽度构建风电功率区间预测损失函数；

基于实际风电场的风力发电时间序列数据构建样本集，所述样本集中每个样本张量包括变量数、滞后窗口和批量大小，每个输出张量对应一个输出预测区间的上下边界；

基于所述样本集进行风电功率区间预测模型训练，基于训练后的风电功率区间预测模型进行风电功率区间预测。

作为优选的，所述基于LUBE边界估值理论与GRU神经网络构建风电功率区间预测模型，具体包括：

基于神经网络构建核心预测器，所述神经网络包括GRU循环神经网络和全连接神经网络；