[发明专利]风电场超短期风速预测方法、装置

说明书

本申请提供一种风电场超短期风速预测方法、装置，所述方法包括：构建用于风电场超短期风速预测的LSTM模型，所述LSTM模型中包括隐藏层和Dropout层，所述LSTM模型的输入为历史风速数据和历史风速影响因素数据，所述LSTM模型的输出为未来目标时刻的风速数据，所述LSTM模型的寻优参数包括隐藏层的神经元个数以及Dropout层的丢弃率采用遗传算法对所述LSTM模型进行训练以完成LSTM模型的参数寻优，输出最佳的LSTM模型；采用所述最佳的LSTM模型进行风电场超短期风速预测。本申请进行风电场超短期风速预测的精确度高、自适应性强。

技术领域

本申请属于风电技术领域，涉及一种风电场超短期风速预测方法、装置。

背景技术

风电的间歇性、随机性和不可控制性会导致风电机组出力不稳定，进而对电网的稳定运行带来安全隐患。精准稳定的超短期风速预测是解决上述问题的有效途径，它可以帮助风电场掌握风速未来一段时间内的变化趋势，这对于风电机组的调度与控制、维持电力系统的稳定运行和提高风力发电市场竞争力具有重要意义。

当前的超短期风速预测方法，主要可分为物理模型法与统计模型法。物理模型法通过温度、湿度、大气压力等气象数据建立风速预测的物理模型。该方法对大气的物理特性及风电场的特性数据的准确性有严格要求，此外，模型所涉及物理方程的求解过程也非常困难，所需条件复杂，计算量大，计算时间长。统计模型法利用统计学的思想对连续时间上大量的历史风速数据进行分析，通过挖掘其内在规律对未来风速趋势进行预测。它通常涉及人工神经网络，机器学习和时间序列分析法。神经网络模型方法现已广泛应用于超短期风速预测的研究中，但存在着易过拟合、自适应性差的缺点。

发明内容

本申请的目的在于提供一种风电场超短期风速预测方法、装置，用于解决现有技术中存在的问题。

第一方面，本申请提供一种风电场超短期风速预测方法，所述方法包括：构建用于风电场超短期风速预测的LSTM模型，所述LSTM模型中包括隐藏层和Dropout层，所述LSTM模型的输入为历史风速数据和历史风速影响因素数据，所述LSTM模型的输出为未来目标时刻的风速数据，所述LSTM模型的寻优参数包括隐藏层的神经元个数以及Dropout层的丢弃率；采用遗传算法对所述LSTM模型进行训练以完成LSTM模型的参数寻优，输出最佳的LSTM模型；采用所述最佳的LSTM模型进行风电场超短期风速预测。

本申请中，将遗传算法(GA)和LSTM模型相结合，提出的风速预测方法为基于GA-LSTM混合模型的风电场超短期风速预测方法，使用遗传算法实现对LSTM模型的自动寻优，以提高模型对于数据集的自适应性，同时在LSTM模型搭建过程中引入Dropout层，使用遗传算法对各Dropout层的丢弃率进行寻优，防止模型发生过拟合现象，由此提高了模型的精确度和自适应性，能够实现风电场超短期风速的精准预测。

在第一方面的一种实现方式中，采用采用遗传算法对所述LSTM模型进行训练包括：S11、对历史风速数据和历史风速影响因素数据进行预处理；S12、配置模型训练参数与种群进化参数，根据风速预测目标构造训练集与测试集并进行标准化处理；S13、初始化原始种群并依次训练种群中各个体对应的LSTM模型；S14、在测试集上计算当前种群中各个体的适应度值，依次进行选择、交叉与变异运算构成新种群；S15、重复S14并训练新种群中各个个体对应的LSTM模型，直至达到最大进化代数得到最终种群，从所述最终种群中获取最佳的LSTM模型；S16、使用测试集计算所述最佳的LSTM模型的预测精度。

在第一方面的一种实现方式中，步骤S11中预处理包括异常值剔除、缺失值修补和数据滤波。