本发明涉及风力发电,尤其涉及基于lstm的短期风电功率预测方法和系统。
背景技术:
1、新能源的发展对于保障能源安全、减缓气候变化、促进经济增长和实现可持续发展具有重要意义。作为清洁能源之一,风电可以与其他可再生能源(如太阳能、水能等)相互补充,形成更为灵活和可持续的能源供应体系,降低对传统能源的依赖,提高能源的安全性和可持续性。
2、由于风力发电出力具有波动性,风电功率预测则尤为重要。它是一种利用气象数据和历史风电发电数据来预测未来一段时间内的风电功率输出的技术,具有重要的应用价值,可帮助电网运营商、风电场主和风电设备制造商等进行计划调度、运营优化和风电设备设计等工作。
3、常见的风力预测方法主要包括以下几种:
4、一是基于统计方法的预测。该方法基于历史数据和统计模型,使用统计学方法进行分析和预测。例如,利用历史风速资料进行时间序列分析、自回归移动平均模型(arma)等。优点是计算简单、成本低,但对于风速变化较大或者存在非线性关系的情况,导致预测精度会受影响。
5、二是数值天气预报模型。利用数值模式和大气物理方程进行风力预测。该方法需要输入大气、地理和地形等多种参数,并使用数值模型进行数值模拟和预测。优点是能够更精确地模拟大气动力学过程,对于复杂的地形和气象环境有较好的适应性。缺点是计算较为复杂,相对需要大量的计算资源和数据输入,并且对于预测时间段较短的情况,预测精度可能较低。
6、此外,还有基于传感器数据的实时监测预测,通过通过监测设备连接的传感器,如超声波风速仪、风向仪等,进行实时预测,但成本高,且受限于监测设备的准确性和可靠性,整体经济性低,推广应用的前景有限。
7、综上所述,当前现有技术在对短期风力发电预测方面均存在一定的瓶颈,主要体现为预测精度低、经济性较差等方面,难以为风力发电的发展提供更为有力的支撑。
技术实现思路
1、有鉴于此,本发明实施例提出基于lstm的短期风电功率预测方法和系统,突破了短期风力发电预测瓶颈,预测精度高、经济性好,有效支撑风力发电的可靠并网。
2、本发明实施例提出基于lstm的短期风电功率预测方法,包括:
3、获取预测地域的历史风功率全体数据集;
4、根据短期风电功率预测需求确定预测时间尺度,并从所述全体数据集中抽取相应时间尺度的数据得到预测数据集,其中,所述预测数据集包括第一数据集和第二数据集;
5、利用所述第一数据集构建多个大小相同的数据子集,并构建多个长短期记忆人工神经网络lstm训练模型,利用所述数据子集对所述lstm训练模型进行训练得到多个不同的lstm预测模型;
6、将所述第二数据集分别输入至所述多个不同的lstm预测模型,分别得到多个不同时间尺度的预测结果,并采用加权赋值法将不同时间尺度的预测结果进行整合得到短期风电功率预测结果。
7、示例性地,所述历史风功率全体数据集包括发电功率、风速、风向和温度信息,采样频率为1h,全天共24个数据点。
8、示例性地,所述第一数据集用于进行模型训练,所述第二数据集进行功率预测,多个数据子集的样本组成时间尺度不同。
9、示例性地,所述利用所述第一数据集构建多个大小相同的数据子集,并构建多个长短期记忆人工神经网络lstm训练模型包括:
10、设定数据集输入序列的长度和时间步长,所述数据集输入序列的长度为时间窗口大小,所述时间步长为样本之间的时间间隔;
11、构建所述lstm训练模型,所述lstm训练模型包括输入层、lstm层和输出层,所述输入层用于接收所述第一数据集,所述lstm层用于求解数据集中的长期依赖关系,所述输出层用于预测短期风电功率;
12、设定模型参数,所述模型参数包括所述lstm层的神经元数量和优化器。
13、示例性地,所述利用所述数据子集对所述lstm训练模型进行训练得到多个不同的lstm预测模型包括:
14、将所述第二数据集输入至所述lstm训练模型;
15、利用反向传播算法和梯度下降法对所述模型参数进行优化,以最小化预测值与实际值之间的损失函数。
16、示例性地,所述将所述第二数据集分别输入至所述多个不同的lstm预测模型,分别得到多个不同时间尺度的预测结果,并采用加权赋值法将不同时间尺度的预测结果进行整合得到短期风电功率预测结果包括:
17、将所述第二数据集分别输入至所述多个不同的lstm预测模型,所述lstm预测模型的预测时间尺度分别为1h、2h、5h和10h,并得到基于不同时间尺度的预测结果;
18、采用加权平均法对不同时间尺度的预测结果进行集成整合,得到最终的预测结果。
19、示例性地,还包括:
20、利用均方根误差和平均绝对误差评估预测性能。
21、本发明的另一实施例提出基于lstm的短期风电功率预测系统,包括:
22、数据获取单元,用于获取预测地域的历史风功率全体数据集;
23、数据集构建单元,用于根据短期风电功率预测需求确定预测时间尺度,并从所述全体数据集中抽取相应时间尺度的数据得到预测数据集,其中,所述预测数据集包括第一数据集和第二数据集;
24、模型训练单元,用于利用所述第一数据集构建多个大小相同的数据子集,并构建多个长短期记忆人工神经网络lstm训练模型,利用所述数据子集对所述lstm训练模型进行训练得到多个不同的lstm预测模型;
25、预测单元,用于将所述第二数据集分别输入至所述多个不同的lstm预测模型,分别得到多个不同时间尺度的预测结果,并采用加权赋值法将不同时间尺度的预测结果进行整合得到短期风电功率预测结果。
26、本发明提供了基于lstm的短期风电功率预测方法和系统,包括获取预测地域的历史风功率全体数据集;根据预测需求确定预测时间尺度,并从全体数据集中抽取相应时间尺度的数据得到预测数据集,其中,预测数据集包括第一数据集和第二数据集;利用第一数据集构建多个大小相同的数据子集,并构建多个长短期记忆人工神经网络lstm训练模型,利用数据子集对lstm训练模型进行训练得到多个不同的lstm预测模型;将第二数据集分别输入至lstm预测模型,并采用加权赋值法将不同时间尺度的预测结果进行整合得到短期风电功率预测结果。本发明的技术方案突破了短期风力发电预测瓶颈,预测精度高、经济性好,有效支撑风力发电的可靠并网。
1.一种基于lstm的短期风电功率预测方法,其特征在于,包括:
2.根据权利要求1所述的基于lstm的短期风电功率预测方法,其特征在于,所述历史风功率全体数据集包括发电功率、风速、风向和温度信息,采样频率为1h,全天共24个数据点。
3.根据权利要求2所述的基于lstm的短期风电功率预测方法,其特征在于,所述第一数据集用于进行模型训练,所述第二数据集进行功率预测,多个数据子集的样本组成时间尺度不同。
4.根据权利要求3所述的基于lstm的短期风电功率预测方法,其特征在于,所述利用所述第一数据集构建多个大小相同的数据子集,并构建多个长短期记忆人工神经网络lstm训练模型包括:
5.根据权利要求4所述的基于lstm的短期风电功率预测方法,其特征在于,所述利用所述数据子集对所述lstm训练模型进行训练得到多个不同的lstm预测模型包括:
6.根据权利要求5所述的基于lstm的短期风电功率预测方法,其特征在于,所述将所述第二数据集分别输入至所述多个不同的lstm预测模型,分别得到多个不同时间尺度的预测结果,并采用加权赋值法将不同时间尺度的预测结果进行整合得到短期风电功率预测结果包括:
7.根据权利要求6所述的基于lstm的短期风电功率预测方法,其特征在于,还包括:
8.一种基于lstm的短期风电功率预测系统,其特征在于,包括: