本发明涉及短期海上风电功率预测,尤其涉及一种短期海上风电功率组合预测方法。
背景技术:
1、目前全球面临能源资源约束日益加剧以及生态环境问题突出和气候变化等一系列严峻挑战,风能作为一种可再生清洁能源,开发前景广阔,尤其海上风电开发潜力巨大。但受恶劣气候和极端天气影响,海上风速表现出强随机性和间歇性特征,给海上风机设计带来挑战,同时会使得海上风电机组功率剧烈波动,严重时导致风机停机,影响系统安全稳定运行。因此,研究海上风电功率预测方法,提高短期内海上风电功率预测的准确性,对确定海上风电场典型工况、提高海上风电场效率、保障海上风电系统安全稳定运行具有重要意义。
2、当前对于海上风电功率的预测,主要可采用两种方法:一种是基于数学统计模型的算法,另一种则是基于机器学习的算法。数学统计模型算法以其简洁清晰的模型结构、高效的计算能力以及快速的预测速度等显著优势脱颖而出,但对复杂的非线性风电功率数据,由于统计学算法的鲁棒性不足,因此使用统计模型难以获得精确的预测结果,从而导致误差显著增加。针对非线性风电功率数据,机器学习算法可以对其进行更为准确的预测,但风电功率数据量庞大且情况更为复杂,传统机器学习算法模型可设置参数较少,无法对隐藏在数据中的信息进行有效的表达,无法获得精确的预测结果。
技术实现思路
1、本发明的目的在于提供一种短期海上风电功率组合预测方法,以能够克服现有技术的不足,最终实现海上风电场短期风电功率的精确预测。
2、为实现上述目的,本发明提供了一种短期海上风电功率组合预测方法,包括:
3、获取海上风电功率数据,将所述海上风电功率数据输入lstm-lssvm组合预测模型中,获得短期海上风电功率的预测结果;
4、其中,所述lstm-lssvm组合预测模型通过训练数据集训练获得,所述lstm-lssvm组合预测模型包括基于改进型海鸥算法的lstm预测模型和基于改进型鲸鱼算法的lssvm预测模型,所述lstm预测模型和所述lssvm预测模型进行组合时分配相应的权值,所述训练数据集包括历史海上风电功率数据。
5、优选地,训练所述lstm-lssvm组合预测模型,包括:
6、将所述训练数据集输入所述基于改进型海鸥算法的lstm预测模型中,输出短期海上风电功率预测结果一;
7、将所述训练数据集输入所述基于改进型鲸鱼算法的lssvm预测模型中,输出短期海上风电功率预测结果二;
8、基于所述短期海上风电功率预测结果一、所述短期海上风电功率预测结果二,通过最优组合预测法计算所述lstm-lssvm组合预测模型的权值;
9、根据所述权值获得所述lstm-lssvm组合预测模型的权重,并使用傅里叶级数残差对所述lstm-lssvm组合预测模型进行修正。
10、优选地,所述基于改进型海鸥算法的lstm预测模型为使用改进型海鸥算法对长短期记忆网络lstm模型进行参数优化。
11、优选地,输出所述短期海上风电功率预测结果一,包括:
12、初始化所述lstm模型参数和改进型海鸥hsoa算法的参数;
13、将所述lstm模型训练得到的均方误差作为适应度值,并实时对所述适应度值进行更新;
14、在迭代范围内,计算海鸥位置,根据所述适应度值更新所述海鸥位置;
15、根据最优参数组合,通过所述lstm模型进行预测,输出所述短期海上风电功率预测结果一。
16、优选地,所述基于改进型鲸鱼算法的lssvm预测模型为使用鲸鱼算法bwoa对最小二乘支持向量机lssvm进行参数优化。
17、优选地,输出所述短期海上风电功率预测结果二,包括:
18、收集海上风电功率数据并进行预处理,将数据划分为训练集和测试集;
19、初始化鲸鱼算法bwoa参数进行参数寻优,获得最优预测模型;
20、将所述测试集带入所述最优预测模型进行海上风电功率预测,输出所述短期海上风电功率预测结果二。
21、优选地,计算所述lstm-lssvm组合预测模型的权值的方法为:
22、基于误差平方和最小准则构建目标函数:
23、
24、其中,p为目标函数,e为组合预测误差的误差矩阵,r为元素均为1的n维列向量,t为转置符号。
25、优选地,对所述lstm-lssvm组合预测模型进行修正,包括:
26、设海上风电功率实际值为lj,海上风电功率预测值为定义误差序列ej为:
27、
28、基于傅里叶级数将所述误差序列展开可:
29、
30、其中,a0、ai和bi(i=1,2,3,…)为傅里叶级数系数,ka为傅里叶多项式的级数,ta为周期函数e(j)的周期,i为1到ka的序数,j为2到n的序数;
31、将式(3)整理为矩阵形式:
32、qama=ea (4)
33、式中,
34、
35、ma=[a0,a1,b1,a2,b2,…,aka,bka]t (6)
36、ea={e(2),e(3),…,e(n)} (7)
37、式中,ta=n-1,n为预测值与实际值序列的序列元素个数,ma为残差傅里叶系数向量,aka和bka为第ka个级数的傅里叶级数系数,qa为傅里叶多项式矩阵,ma为傅里叶级数系数向量,ea为残差序列;
38、由最小二乘法求得:
39、
40、式中,为qa的转置;
41、将所求的值a0,a1,b1,a2,b2,…,aka,bka代入,令j=n+1,j=n+2,…,获得组合模型对实际值的预测误差值,从而获取残差修正后的预测值。
42、优选地,所述残差修正后的预测值为:
43、
44、
45、式中,为残差修正前模型的预测值,为残差修正后的预测值,ea(j)为第j个残差值,为残差修正后第一个预测值,为残差修正前第一个预测值。
46、与现有技术相比,本发明具有如下优点和技术效果:
47、本发明通过误差平方和最小准则计算参数优化后的lstm和lssvm两种预测模型各自所占权重,得到最优的组合权重,并将各自模型的预测结果加权计算为组合预测结果,与单一预测模型预测结果相比,组合预测的精确性更高。之后考虑到功率序列具有一定的周期性,采用傅里叶级数残差对组合预测结果进行修正,进一步提升了海上风电功率的预测准确性,在提高海上风电场效率、保障海上风电系统安全稳定运行方面具有重要意义。
1.一种短期海上风电功率组合预测方法,其特征在于,包括:
2.根据权利要求1所述的短期海上风电功率组合预测方法,其特征在于,训练所述lstm-lssvm组合预测模型,包括:
3.根据权利要求2所述的短期海上风电功率组合预测方法,其特征在于,所述基于改进型海鸥算法的lstm预测模型为使用改进型海鸥算法对长短期记忆网络lstm模型进行参数优化。
4.根据权利要求3所述的短期海上风电功率组合预测方法,其特征在于,输出所述短期海上风电功率预测结果一,包括:
5.根据权利要求2所述的短期海上风电功率组合预测方法,其特征在于,所述基于改进型鲸鱼算法的lssvm预测模型为使用鲸鱼算法bwoa对最小二乘支持向量机lssvm进行参数优化。
6.根据权利要求5所述的短期海上风电功率组合预测方法,其特征在于,输出所述短期海上风电功率预测结果二,包括:
7.根据权利要求2所述的短期海上风电功率组合预测方法,其特征在于,计算所述lstm-lssvm组合预测模型的权值的方法为:
8.根据权利要求7所述的短期海上风电功率组合预测方法,其特征在于,对所述lstm-lssvm组合预测模型进行修正,包括:
9.根据权利要求8所述的短期海上风电功率组合预测方法,其特征在于,所述残差修正后的预测值为: