[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

摘要

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。

主权项

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。