一种基于GRA-LSTM-ICE模型的短期风功率预测方法

一种基于gra
‑
lstm
‑
ice模型的短期风功率预测方法
技术领域
1.本发明涉及风力发电技术领域中的风功率预测技术，特别涉及一种基于gra
‑
lstm
‑
ice模型的短期风功率预测方法。


背景技术：

2.随着风力发电普及率的提高，为了确保及时和可靠的电力供应，准确预测电力系统中未来的风电并网量变得至关重要。由于预测不准确，电力系统中的不平衡可能会急剧增加，甚至可能导致频率稳定性等问题。因此，提高风功率的短期预测精度对现代电力系统的稳定运行具有重要的意义。
3.近年来，风功率预测常用的方法有物理模型法和统计模型法。物理模型使用例如风速和风向、温度和压力等大气参数、例如地形坚固性指数和风电场布局等物理特性和数值天气预报作为复杂气象模型的输入，以预测未来参数。统计模型是纯粹的数学模型，主要使用过去的观测数据，有时辅以数值天气预报信息。对于统计模型，机器学习方法被广泛使用，其中人工神经网络(ann)是短期预测最常用的技术之一。但目前常用的方法无法有效的分析多维气象变量与风功率变量之间的非线性相关性，以及无法有效根据气象预报及时的对整个范围进行高精度的风功率短期预测。


技术实现要素：

4.由于在目前风功率短期预测方法中，无法有效的分析多维气象变量与风功率变量之间的非线性相关性，以及无法有效根据气象预报准确、及时的对风机出力进行预测。因此，本发明的研究目标为：准确表达多维气象变量与风功率变量之间的非线性相关性，并且得到高精度的短期风功率预测值。
5.本发明为解决公知技术中存在的技术问题所采取的技术方案是：一种基于gra
‑
lstm
‑
ice模型的短期风功率预测方法，该方法包括以下步骤：
6.步骤1：基于灰色关联分析(gra)方法，分别计算风功率变量与风速、风向、温度、相对湿度、气压、降雨量、降雪量、云层厚度变量的相关性，将关联度系数大于0.5的气象变量，作为预测模型的输入变量；
7.步骤2：根据关联度系数的计算结果，将关联度系数大于0.5的气象变量作为预测模型的输入变量，风功率变量作为模型的输出变量，基于长短期记忆(lstm)神经网络建立预测模型，对风机出力进行初步预测；
8.步骤3：根据初步的短期风功率预测值，基于信息可信评估(ice)技术建立风功率预测修正模型，修正初步预测值，得到大范围高精度的风功率短期预测结果，进一步提高风功率的短期预测精度。
9.步骤4：根据平均绝对误差(mae)和均方根误差(rmse)来评价预测结果。
10.进一步地，步骤1中所述基于gra方法，分别计算风速、风向、温度、相对湿度、气压、降雨量、降雪量、云层厚度变量与风功率变量的相关性，包括以下步骤：
11.步骤1.1：将数值天气预报提供的气象变量和风电场采集的风功率变量归一化，消除不同变量之间的物理量纲；
12.步骤1.2：将多维气象变量设为x
i
，风功率变量设为y；
13.步骤1.3：计算y与x
i
的灰色关联系数ξ
i
；
14.步骤1.4：计算y与x
i
的灰色关联度系数r
i
。
15.进一步地，步骤2中所述基于lstm神经网络建立预测模型，对风机出力进行初步预测，包括以下步骤：
16.步骤2.1：计算lstm网络隐含层层数，以及隐含层神经元的个数；
17.步骤2.2：计算lstm网络的初始权重和偏置项；
18.步骤2.3：训练网络，更新权重和偏置项；
19.步骤2.4：建立风功率预测模型，计算满足精度要求的风功率预测值p
t
。
20.进一步地，步骤3中所述基于ice技术建立风功率预测修正模型，修正短期风功率初步预测值，得到大范围高精度的风功率短期预测结果，包括以下步骤：
21.步骤3.1：计算t时刻气象数据的可信评估值a
t
、单机风功率预测的可信评估值b
t
；
22.步骤3.2：计算t时刻单机风功率预测的可信值c
t
；
23.步骤3.3：计算单机短期风功率预测的可信值p
c
；
24.步骤3.4：计算大范围短期风功率的高精度预测值p
n
。
25.进一步地，步骤1.4中所述灰色关联度系数r
i
表达式为：
[0026][0027]
式中：r
i
是第i个气象变量的灰色关联度系数；y
t
是风功率变量在t时刻的值；x
it
是第i个气象变量在t时刻的值；y
m
是风功率变量的平均值；x
im
是第i个气象变量的平均值。
[0028]
进一步地，步骤2.1中所述lstm神经网络包含有1个输入层、3个隐含层、1个输出层和1个连接层。
[0029]
进一步地，步骤3.1中所述可信评估值a
t
和b
t
的表达式为：
[0030][0031]
式中：a
t
是t时刻气象数据的可信评估值；b
t
是单机风功率预测的可信评估值；t
t
是t时刻的实际值；p
t
是t时刻的预测值。
[0032]
进一步地，步骤3.2中所述单机风功率预测的可信值c
t
的表达式为：
[0033]
c
t
＝a
t
+b
t
[0034]
式中：c
t
是t时刻单机风功率预测的可信值。
[0035]
进一步地，步骤3.3中所述单机短期风功率预测的可信值p
c
的表达式为：
[0036][0037]
式中：p
c
是单机短期风功率预测的可信值；m是整个短期预测区间。
[0038]
进一步地，步骤3.4中所述大范围短期风功率的高精度预测值p
n
的表达式为：
[0039][0040]
式中：p
n
是大范围短期风功率的高精度预测值；n是整个范围的风机总数。
[0041]
进一步地，步骤4中所述mae和rmse的表达式为：
[0042][0043][0044]
式中：p
ni
是风功率的预测值；t
ni
是风功率的实际值。
[0045]
本发明的优点及有益效果是：步骤1基于gra的方法，得到了风功率变量与气象变量的相关系数，避免了相关性较低的因素对建模的影响，提高了风功率的预测精度；步骤2基于lstm神经网络的方法，建立了考虑多维气象因素的风功率预测模型，改善了现有模型精度较低的问题，提高了风功率的短期预测精度；步骤3基于ice的方法，建立了风功率预测修正模型，提高了大范围风功率的短期预测精度。
[0046]
本发明针对目前风功率短期预测精度较低的问题，基于lstm神经网络建立风功率预测模型，提升风功率短期预测精度；针对所得到的风功率预测结果，基于ice技术建立风功率预测修正模型，进一步提升风功率短期预测精度，通过本发明的实施，能够大幅度提高短期风功率的预测精度，实现含高比例风电电网的经济和稳定运行；本发明提出的一种基于gra
‑
lstm
‑
ice模型的短期风功率预测方法降低了预测误差，提高了整体的预测精度，并且有效的验证了所提出的方法有效性、准确性和可应用性。
附图说明
[0047]
图1为本发明一种基于gra
‑
lstm
‑
ice模型的短期风功率预测方法的技术路线图。
[0048]
图2为本发明一种基于gra
‑
lstm
‑
ice模型的短期风功率预测方法中的预测模型结构图。
[0049]
图3为本发明一种基于gra
‑
lstm
‑
ice模型的短期风功率预测方法中的网络隐含层神经元结构图。
[0050]
图4为本发明一种基于gra
‑
lstm
‑
ice模型的大范围风功率短期预测对比图。
具体实施方式
[0051]
为更进一步阐述本发明所采取的技术方法，以下结合附图及实施例，对依据本发明提出的提高风功率短期预测方法进行详细说明。
[0052]
在本实施例中提供了一种基于gra
‑
lstm
‑
ice模型，提高短期风功率预测精度的方法，如图1所示，提高风功率预测精度的方法包括以下步骤：
[0053]
步骤1：基于gra方法，分别计算风功率变量与风速、风向、温度、相对湿度、气压、降雨量、降雪量、云层厚度变量的相关性，将关联度系数大于0.5的气象变量，作为预测模型的输入变量；
[0054]
步骤1.1：将数值天气预报提供的气象变量和风电场采集的风功率变量归一化，消除不同变量之间的物理量纲；
[0055]
步骤1.2：将多维气象变量设为x
i
，风功率变量设为y；
[0056]
步骤1.3：计算y与x
i
的灰色关联系数ξ
i
；
[0057]
步骤1.4：计算y与x
i
的灰色关联度系数r
i
。
[0058]
步骤2：根据关联度系数的计算结果，将关联度系数大于0.5的气象变量作为预测模型的输入变量，风功率变量作为模型的输出变量，基于lstm神经网络建立预测模型，如图2所示，对风机出力进行初步预测；
[0059]
步骤2.1：计算lstm网络隐含层层数，以及隐含层神经元的个数，其中隐含层神经元结构，如图3所示；
[0060]
步骤2.2：计算lstm网络的初始权重和偏置项；
[0061]
步骤2.3：训练网络，更新权重和偏置项；
[0062]
步骤2.4：建立风功率预测模型，计算满足精度要求的风功率预测值p
t
。
[0063]
步骤3：根据初步的短期风功率预测值，基于ice技术建立风功率预测修正模型，修正初步预测值，得到大范围高精度的风功率短期预测结果，进一步提高风功率的短期预测精度。
[0064]
步骤3.1：计算t时刻气象数据的可信评估值a
t
、单机风功率预测的可信评估值b
t
；
[0065]
步骤3.2：计算t时刻单机风功率预测的可信值c
t
；
[0066]
步骤3.3：计算单机短期风功率预测的可信值p
c
；
[0067]
步骤3.4：计算大范围短期风功率的高精度预测值p
n
。
[0068]
步骤4：采用平均绝对误差(mae)和均方根误差(rmse)来评价预测结果。
[0069]
实施例
[0070]
为验证本发明所提出风功率短期预测方法的有效性、准确性和可应用性，将该方法应用到华电大林台风电场中，对风电场大范围区域的风功率进行日前预测研究，并选取svm、lstm算法进行对比分析。其中，选取2019年9月的多维气象变量和风功率变量作为模型的训练和测试数据，时间分辨率为15分钟，所选取的范围内一共包括20台风机。
[0071]
根据步骤1所得到的多维气象变量与风功率变量之间的灰色关联度系数r
i
如表1所示：
[0072]
表1：多维气象变量与风功率变量的灰色关联度系数
[0073]
[0074]
根据灰色关联度系数r
i
的计算结果，选取风速、风向、温度和湿度变量为预测模型的输入变量。根据步骤2、3所得到的基于gra
‑
lstm
‑
ice模型的大范围风功率短期预测对比结果如图4所示，对比评价指标如表2所示。
[0075]
表2：基于gra
‑
lstm
‑
ice模型的大范围风功率短期预测对比评价指标
[0076][0077]
根据上述图表可以看出，基于gra
‑
lstm
‑
ice模型的大范围风功率短期预测方法的mae、rmse评价指标比svm模型分别减少了10％、14.72％，比lstm模型分别减少了2.55％、3.2％。说明了本发明提出的一种基于gra
‑
lstm
‑
ice模型的短期风功率预测方法降低了预测误差，提高了整体的预测精度，并且有效的验证了所提出的方法有效性、准确性和可应用性。