一种基于DWT和LSTM的短期风力发电功率预测方法及系统与流程

本发明涉及分布式可再生能源的技术领域，更具体地，涉及一种基于dwt和lstm的短期风力发电功率预测方法及系统。

背景技术：

全球可再生能源一直呈现高速增长之态，其中风力发电呈指数级增长，重要性日益凸显。环境污染和能源危机的日趋严重使世界各国不断加大对风力发电的重视程度，展开了大量相关的研究工作。风电大规模并网可以缓解供电紧张的问题，然而，由于风能具有一定程度的随机不确定性、非平稳性、波动性和易变性，其并网功率越大，对电网造成的冲击越大，会影响到电力系统的稳定和安全。

近期，有相关规定出台，要求并网的风电场建立独立的风力发电功率预测系统，根据预测功率数据进行调度和规划来确保电网稳定运行，并对预测误差过大的风电场采取相应的惩罚措施。随着风力发电所占比重及其并网规模的逐渐增大，风能的不确定性、非稳定性、波动性和易变性无法为电网的调度和规划提供可靠的数据参考，也无法确保电网的安全稳定运行。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种基于离散小波变换(dwt)和长短期记忆网络(lstm)的短期风力发电功率预测方法及系统，充分考虑风力发电功率数据的非平稳性、波动性、随机性、易变性和时序性，能充分地挖掘风力发电数据中近似信号包含的主要信息和细节信号包含的次要信息，并有效地学习数据中包含的时序性关系，提高风力发电功率的预测精度。

为解决上述技术问题，本发明采用的技术方案是：

提供一种基于dwt和lstm的短期风力发电功率预测方法，包括以下步骤：

s10.采集风力发电功率原始数据，并采用dwt将风力发电功率原始数据分解成低频信号和高频信号；

s20.采用z-score标准化方法对步骤s10中的低频信号和高频信号进行标准化处理，并使得标准化后的数据服从正态分布；

s30.将步骤s20中标准化后的低频信号和高频信号按照时间排序分为训练集、验证集以及测试集；

s40.采用独立的lstm对每个信号的训练集和验证集进行训练，并对每个信号的测试集进行预测得到各分量预测值，对各分量预测值求和得到预测结果。

本发明的基于dwt和lstm的短期风力发电功率预测方法，采用离散小波变换的应用使得后续的训练过程能够更加充分地挖掘数据中近似信号包含的主要信息和细节信息包含的次要信息，能够较好地提升风力发电功率的预测精度；由于风力发电功率预测时典型的时间序列预测问题，lstm是循环神经网络的改良变体之一，能够有效地避免梯度消失和梯度爆炸的问题，对时间序列进行动态建模，从而更好地对数据进行学习，更有效地利用历史数据对未来数据的影响以提高预测精度。

优选地，步骤s20中，标准化后的数据z(t)服从正态分布：

式中，x′(t)表示风力发电功率原始数据x(t)分解后的信号(an,d1…dn)，x′mean和x′std分别为x′(t)的均值和标准差。

经过离散小波变换后得出的近似信号和细节信号数值变化范围较大，不利于lstm的训练。对其进行z-score标准化处理后，利于提高lstm训练的准确性。

优选地，步骤s30中，将经过z-score标准化后的所有近似信号和细节信号按照时间顺序，前70％作为训练集，接着的20％作为验证集，最后的10％作为测试集。风力发电功率预测是一个典型的时间序列预测问题，而lstm是循环神经网络的改良变体之一，能够有效地避免梯度消失和梯度爆炸的问题，对时间序列进行动态建模，从而更好地对数据进行学习，更有效地利用历史数据对未来数据的影响以提高预测精度。

优选地，步骤s43中包括以下步骤：

s41.采用独立的lstm对每个信号的训练集和验证集进行训练；

s42.lstm训练结束后，对每个信号的测试集进行预测得到预测值；

s43.对步骤s42中所述预测值进行反z-score标准化，得出每个信号测试集的实际预测值；

s44.将步骤s43中每个信号测试集经过反z-score标准化的实际预测值叠加，得出测试集的实际预测结果。

本发明还提供了一种基于dwt和lstm的短期风力发电功率预测系统，包括用于采集风力发电功率原始数据的数据采集模块、用于对原始数据进行预处理的预处理模块、用于存储处理后数据的数据存储模块以及用于对原始数据进行训练和预测的训练预测模块，所述数据采集模块、预处理模块、数据存储模块以及训练预测模块顺次连接。

本发明的基于dwt和lstm的短期风力发电功率预测系统，通过数据采集模块采集风力发电功率原始数据，并对采集的数据进行预处理并存储在数据存储模块中，经预处理后的数据进入训练模块进行训练和预测，并输出风力发电功率预测值。

进一步地，所述预处理模块包括信号连接的离散小波变换模块以及z-score标准化模块。先通过离散小波变化模块将采集得到的原始数据分解得到近似信号和细节信号，近似信号、细节信号经z-score标准化模块标准化处理后得到呈正态分布的数据。

进一步地，所述数据存储模块中存储的信号包括近似信号和细节信号。所有的近似信号和细节信号按照时间排序，前70％作为训练集，接着20％作为验证集，最后的10％作为测试集，各数据集均存储在数据存储模块中。

进一步地，所述训练预测模块为lstm训练模块，若干lstm训练模块连接有反z-score标准化模块，若干反z-score标准化模块连接有预处理模块。lstm训练模块从数据存储模块中调取训练集和验证集进行学习，学习结束后对测试集进行预测得到预测值，预测值经反z-score标准化模块进行反z-score标准化处理后得到每个测试集的实际预测值，每个实际预测值经预处理模块叠加求和得到预测结果并输出。

与现有技术相比，本发明的有益效果是：

(1)离散小波变换的应用使得后续的训练过程能够更加充分地挖掘数据中近似信号包含的主要信息和细节信号包含的次要信息，能够较好地提升风力发电功率的预测精度；

(2)长短期记忆网络是循环神经网络的改良变体之一，能够有效地避免梯度消失和梯度爆炸的问题，对时间序列进行动态建模，从而更好地对数据进行学习，更有效地利用历史数据对未来数据的影响以提高预测精度；

(3)z-score标准化处理和反z-score标准化处理的应用，避免范围较大的近似信号和细节信号对lstm训练形成的阻碍，能够提高预测精度。

附图说明

图1为基于dwt和lstm的短期风力发电功率预测方法的流程图。

图2为基于dwt和lstm的短期风力发电功率预测系统的结构示意图。

具体实施方式

下面结合具体实施方式对本发明作进一步的说明。

实施例

如图1所示为本发明的基于dwt和lstm的短期风力发电功率预测方法的实施例，包括以下步骤：

s10.采集风力发电功率原始数据，并采用dwt将风力发电功率原始数据分解成低频信号和高频信号；

s20.采用z-score标准化方法对步骤s10中的低频信号和高频信号进行标准化处理，并使得标准化后的数据服从正态分布；

s30.将步骤s20中标准化后的低频信号和高频信号按照时间排序分为训练集、验证集以及测试集；

s40.采用独立的lstm对每个信号的训练集和验证集进行训练，并对每个信号的测试集进行预测得到各分量预测值，对各分量预测值求和得到预测结果。

通过离散小波变换和z-score标准化对原始数据进行预处理，分解得到高频信号和低频信号，再分别进行学习，使得后续的训练模型lstm可以充分地挖掘低频信号中包含的主要信息和高频信号中包含的次要信息，有利于提高预测精度。通过lstm网络对风力发电功率数据进行训练和预测，能够有效地避免梯度消失和梯度爆炸的问题，对时间序列进行动态建模，从而更好地对数据进行学习，更有效地利用历史数据对未来数据的影响以提高预测精度。

经过离散小波变换后得出的近似信号和细节信号数值变化范围较大，不利于lstm的训练。对其进行z-score标准化处理后，标准化后的数据z(t)服从正态分布：

式中，x′(t)表示风力发电功率原始数据x(t)分解后的信号(an,d1…dn)，x′mean和x′std分别为x′(t)的均值和标准差。

步骤s30中，将经过z-score标准化后的所有近似信号和细节信号按照时间顺序，前70％作为训练集，接着的20％作为验证集，最后的10％作为测试集。

步骤s43中包括以下步骤：

s41.采用独立的lstm对每个信号的训练集和验证集进行训练；

s42.lstm训练结束后，对每个信号的测试集进行预测得到预测值；

s43.对步骤s42中预测值进行反z-score标准化，得出每个信号测试集的实际预测值；

s44.将步骤s43中每个信号测试集经过反z-score标准化的实际预测值叠加，得出测试集的实际预测结果。

如图2所示为本发明的基于dwt和lstm的短期风力发电功率预测系统的实施例，包括用于采集风力发电功率原始数据的数据采集模块、用于对原始数据进行预处理的预处理模块、用于存储处理后数据的数据存储模块以及用于对原始数据进行训练和预测的训练预测模块，数据采集模块、预处理模块、数据存储模块以及训练预测模块顺次连接。

其中，预处理模块包括信号连接的离散小波变换模块以及z-score标准化模块；先通过离散小波变化模块将采集得到的原始数据分解得到近似信号和细节信号，近似信号、细节信号经z-score标准化模块标准化处理后得到呈正态分布的数据。

数据存储模块中存储的信号包括近似信号和细节信号；所有的近似信号和细节信号按照时间排序，前70％作为训练集，接着20％作为验证集，最后的10％作为测试集，各数据集均存储在数据存储模块中。

训练预测模块为lstm训练模块，若干lstm训练模块连接有反z-score标准化模块，若干反z-score标准化模块连接有预处理模块。lstm训练模块从数据存储模块中调取训练集和验证集进行学习，学习结束后对测试集进行预测得到预测值，预测值经反z-score标准化模块进行反z-score标准化处理后得到每个测试集的实际预测值，每个实际预测值经预处理模块叠加求和得到预测结果并输出。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。