基于ARIMA-BP-LSTM多特征融合的超短期风功率预测方法及设备

本发明涉及机器学习，尤其涉及一种基于arima-bp-lstm多特征融合的超短期风功率预测方法、装置、设备、存储介质。

背景技术：

1、近些年，风力发电机组装机容量在总发电装机容量中的占比不断增加，风力发电已成为新能源行业的重要支柱。风的随机性、波动性与不稳定性给电网的计划发电和调度带来巨大的挑战。此外，随着风电并网容量的不断增加，电网对超短期风功率预测提出了更高的要求，考核惩罚更加严厉。超短期风功率的精准预测不仅可以避免风电场考核付出的经济代价，而且风功率的精准预测可以更大程度的提升电网接纳风力发电。然而，风功率序列数据具有明显的非线性、非平稳性特点，使得准确预测风电场超短期风功率数值变得较为困难。

技术实现思路

1、本发明提供一种基于arima-bp-lstm多特征融合的超短期风功率预测方法、装置、设备、存储介质，结合统计方法与机器学习方法优点，将数据的时间特性、短期线性特性、长期非线性特性包含在内，实现对厂级风电机组的超短期风功率的准确预测。

2、为此，本发明的第一个目的是提出一种基于arima-bp-lstm多特征融合的超短期风功率预测方法，包括：

3、获取风电场历史运行数据并进行预处理，将预处理后的历史运行数据作为超短期风功率预测的模型训练集；

4、分别采用arima、bp、lstm方法构建超短期风功率预测模型，并通过模型训练集进行模型训练；

5、基于训练完成的arima超短期风功率预测模型、bp超短期风功率预测模型和lstm超短期风功率预测模型，通过加权平均确定组合预测模型；

6、将当前时刻采集的风电场运行数据输入组合预测模型中，输出结果即为对下一时刻超短期风功率的预测结果。

7、其中，获取风电场历史运行数据并进行预处理，将预处理后的历史运行数据作为超短期风功率预测的模型训练集的步骤中，风电场历史运行数据为从风电场sscada系统中获取的风功率历史数据对应时刻的气象数据；其中，

8、对风功率历史数据进行预处理的步骤包括：

9、对风功率历史数据进行滤波和异常值去除，得到初始风功率历史数据；

10、基于初始风功率历史数据，构造风功率变化量与风功率变化率两个特征数据集；

11、对构造的风功率变化量与风功率变化率两个特征数据集进行归一化处理，得到模型训练集。

12、其中，在分别采用arima、bp、lstm方法构建超短期风功率预测模型的步骤中，包括：

13、建立arima超短期风功率预测模型并进行模型训练；其中，

14、arima超短期风功率预测模型表示为arima(p，d，q)；

15、其中，ar表示自回归，p为自回归项，ma表示移动平均，q为移动平均项，d为时间序列的差分次数；模型结构为：

16、

17、式中，yt为t时刻时序数据，c为常数项，et为白噪声序列；p、q为模型阶次，θq为自回归、移动平均系数；

18、进一步整理可得：

19、

20、式中，θ(b)＝1-θ1b-θ2b2-…-θqbq，ε(k)表示均值为0、方差为的正太白噪声，b为延迟算子，d为差分算子，为ar模型待估参数，θq为ma模型待估参数。

21、其中，在分别采用arima、bp、lstm方法构建超短期风功率预测模型的步骤中，包括：

22、建立bp超短期风功率预测模型并进行模型训练；其中，

23、bp超短期风功率预测模型采用单隐含层的3层网络结构，隐含层神经元个数由式计算，a、b分别代表输入层、输出层神经元的个数，c为经验值，其取值范围为1～10；

24、模型训练之前，对bp超短期风功率预测模型的最小目标误差、最大迭代次数、学习率分别进行设置；通过输入训练集不断调整模型训练参数，直到训练完成。

25、其中，在分别采用arima、bp、lstm方法构建超短期风功率预测模型的步骤中，包括：

26、建立lstm超短期风功率预测模型并进行模型训练；其中，

27、lstm超短期风功率预测模型采用单层设计，为了避免梯度下降出现局部最优的问题，使用小批量梯度下降算法，并利用adam算法对梯度进行反向更新；同时引入dropout神经元损失概率参数，解决模型训练过程中出现的过拟合问题；

28、lstm超短期风功率预测模型训练之前，设置模型的隐含层神经元个数、初始学习率、梯度阈值、最大迭代次数、小批量大小及神经元损失概率；通过输入训练集不断调整模型训练参数，直到训练完成。

29、其中，基于训练完成的arima超短期风功率预测模型、bp超短期风功率预测模型和lstm超短期风功率预测模型，通过加权平均确定组合预测模型的步骤中，在各单一预测模型基础上，利用加权平均的方法，得到组合预测模型结果，表达式如下：

30、p＝k1p1+k2p2+…+knpn

31、其中，p表示组合预测模型风功率预测值；pi表示第i个预测模型风功率预测值；ki表示第i个预测模型的权重系数，满足n表示单一预测模型的个数；

32、单个数据模型的权重系数采用方差倒数法确定；通过分别计算各单个模型的预测误差平方和，再通过整体误差平方和最小原则确定各单个模型的权重系数。权重系数计算表达式如下：

33、

34、其中，wj表示第j个模型的权重系数；ej表示第j个模型的误差平方和。

35、其中，arima超短期风功率预测模型的建模过程包括：

36、采用adf单位根检验精确判断模型输入数据的平稳性；若数据不平稳进行差分运算，差分的累积次数即为d值；

37、过程对模型的阶次进行确定，基于aic准则，采用遍历法取最小值为模型的p，q阶数；

38、模型检验包括模型参数估计的显著性检验与残差序列随机性检验，显著性检验选择t检验方法，残差序列的随机性通过自相关函数检验，证明残差之间是相互独立的。

39、本发明的第二个目的是提出一种基于arima-bp-lstm多特征融合的超短期风功率预测装置，包括：

40、数据获取模块，用于获取风电场历史运行数据并进行预处理，将预处理后的历史运行数据作为超短期风功率预测的模型训练集；

41、模型构建模块，分别采用arima、bp、lstm方法构建超短期风功率预测模型，并通过模型训练集进行模型训练；

42、模型组合模块，基于训练完成的arima超短期风功率预测模型、bp超短期风功率预测模型和lstm超短期风功率预测模型，通过加权平均确定组合预测模型；

43、预测模块，用于将当前时刻采集的风电场运行数据输入组合预测模型中，输出结果即为对下一时刻超短期风功率的预测结果。

44、本发明的第三个目的在于提出一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行前述技术方案的方法中的各步骤。

45、本发明的第四个目的在于提出存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行根据前述技术方案的方法中的各步骤。

46、区别于现有技术，本发明提供的基于arima-bp-lstm多特征融合的超短期风功率预测方法，获取丰富的数据特征量，包括风功率数据、还有温度、湿度、压力的天气数据，依据风功率构建了风功率变化量、风功率变化率两个新的特征数据；采用更多维的特征数据，保障预测模型有更好的预测效果；采用组合预测方法，arima方法的线性预测精度高，bp方法适用于非线性系统建模，建模相对简单,适用于具有非线性变化特征的风速信息；lstm方法考虑了数据的时序特性，更加符合真实的数据特征。结合三者模型建立组合预测模型可以得到更精确的预测效果，更适配真实的超短期风功率准确预测需求。通过本发明，能够充分结合统计方法与机器学习方法优点，将数据的时间特性、短期线性特性、长期非线性特性包含在内，实现对厂级风电机组的超短期风功率的准确预测。