風(fēng)力發(fā)電-長短期記憶網(wǎng)絡(luò)的風(fēng)電功率預(yù)測技術(shù)

[全]風(fēng)力發(fā)電-長短期記憶網(wǎng)絡(luò)的風(fēng)電功率預(yù)測技術(shù)由于風(fēng)能資源充足和清潔環(huán)保，使得風(fēng)力發(fā)電在可再生能源發(fā)電形式中處于主導(dǎo)地位。截至2017年底，我國風(fēng)電新裝機(jī)容量為19.5GW，累計(jì)總裝機(jī)容量達(dá)到170.9GW，連續(xù)7年新增裝機(jī)和累計(jì)裝機(jī)兩項(xiàng)數(shù)據(jù)均居世界第一，預(yù)計(jì)到2050年，中國風(fēng)電裝機(jī)達(dá)到15億kW到20億kW。如今高比例可再生能源并網(wǎng)逐漸成為中國電力系統(tǒng)的發(fā)展趨勢和未來電網(wǎng)的重要特征，但是可再生能源——風(fēng)電的隨機(jī)性和模糊性特點(diǎn)即風(fēng)電功率的不確定性，使得大規(guī)模風(fēng)電并網(wǎng)的電力系統(tǒng)面臨增加備用負(fù)擔(dān)、風(fēng)電調(diào)度困難、棄風(fēng)現(xiàn)象嚴(yán)重等問題。風(fēng)電功率預(yù)測技術(shù)是減輕風(fēng)電場并網(wǎng)對電力系統(tǒng)造成不利影響、提高風(fēng)電并網(wǎng)比例的有效途徑之一，為電力系統(tǒng)及風(fēng)電場的安全、穩(wěn)定、經(jīng)濟(jì)運(yùn)行提供了技術(shù)支持。任何預(yù)測都具有不確定性，由于風(fēng)電功率曲線是非線性的且具有一定偏度，風(fēng)電功率預(yù)測誤差分布中存在有偏、重尾、多峰等現(xiàn)象，以上任何一種現(xiàn)象都會影響預(yù)測誤差的正態(tài)性，而且風(fēng)電功率置信區(qū)間并不是關(guān)于預(yù)測點(diǎn)對稱的，如今更多的研究集中在確定性數(shù)值預(yù)測方法上，但對于風(fēng)電場內(nèi)發(fā)電調(diào)度決策人員而言，預(yù)測誤差的評估和分析能提供更為充分的決策信息。如今規(guī)?；笮惋L(fēng)電場并入電網(wǎng)，導(dǎo)致風(fēng)電預(yù)測功率的絕對誤差會是一個巨大的不確定量，必然會對電為系統(tǒng)運(yùn)行調(diào)度帶來問題；隨著預(yù)測尺度加大，預(yù)測誤差隨之增加，要從技術(shù)和經(jīng)濟(jì)性上提高預(yù)測精度有難度，但我們可以利用現(xiàn)有技術(shù)，研究風(fēng)電功率的誤差規(guī)律，修正風(fēng)電功率預(yù)測數(shù)據(jù)，是使之更具有科學(xué)和實(shí)用價(jià)值。按照預(yù)測模型劃分，風(fēng)電功率確定性預(yù)測可分為物理方法、統(tǒng)計(jì)方法、學(xué)習(xí)方法。物理方法以風(fēng)速預(yù)測為基礎(chǔ)，利用風(fēng)電機(jī)組的功率曲線轉(zhuǎn)化為風(fēng)電功率預(yù)測值，適用于中期和長期的風(fēng)電功率預(yù)測，但是精確的物理模型計(jì)算復(fù)雜并且計(jì)算時(shí)長較長；統(tǒng)計(jì)方法則是以適當(dāng)長度的歷史風(fēng)電功率數(shù)據(jù)為建模數(shù)據(jù)，構(gòu)建相對應(yīng)的函數(shù)估計(jì)形式，預(yù)測未來風(fēng)電功率，適用于超短期和短期的風(fēng)電功率預(yù)測，缺點(diǎn)是預(yù)測精度受限；學(xué)習(xí)方法采用人工智能方法提取輸入量與輸出量之間的關(guān)系，應(yīng)用范圍較廣，特別是近年來人工智能的飛速發(fā)展，出現(xiàn)了眾多的深度學(xué)習(xí)算法。確定性預(yù)測誤差的區(qū)間數(shù)和誤差的概率分布統(tǒng)稱為概率性預(yù)測方法。概率性預(yù)測方法主要有兩種，一種是通過對確定性預(yù)測模型的輸出結(jié)果分析得到各條件分為數(shù)，從而對估計(jì)值的概率分布進(jìn)行估計(jì)，常用的方法有QR回歸(quartileregression)等。另一種是獲得預(yù)測值誤差分布的概率密度函數(shù)，并通過計(jì)算分布函數(shù)得到預(yù)測風(fēng)電功率區(qū)間，常用的方法有核密度估計(jì)法，Gauss分布，Beta分布等。問題拆分長短期記憶神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法、短期風(fēng)電預(yù)測誤差分布算法和風(fēng)電機(jī)組發(fā)電功率短期預(yù)測模型設(shè)計(jì)。本發(fā)明從深度學(xué)習(xí)網(wǎng)絡(luò)出發(fā)，建立基于長短期記憶網(wǎng)絡(luò)算法(LSTM)風(fēng)電功率預(yù)測模型，以高斯混合模型(GMM)分析短期風(fēng)電功率預(yù)測的誤差分布特點(diǎn)。本發(fā)明通過GMM模型可以得到二臺機(jī)組不同的置信區(qū)間。證明了LSTM方法具有更高的精確度和更快的收斂速度，GMM方法對于風(fēng)電調(diào)度具有實(shí)際應(yīng)用價(jià)值。問題解決1.一種基于長短期記憶網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測方法，包括長短期記憶神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法、短期風(fēng)電預(yù)測誤差分布算法和風(fēng)電機(jī)組發(fā)電功率短期預(yù)測模型設(shè)計(jì)，其特征在于，第一步，長短期記憶神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法：設(shè)離散時(shí)間步長t＝1，2……，輸入門激活yin和輸出門激活yout計(jì)算如下：通過將壓縮的門控制輸入添加到上一個時(shí)間步驟sc(t-1)的狀態(tài)來計(jì)算存儲單元sc(t)的內(nèi)部狀態(tài)，t>0：當(dāng)時(shí)，通過輸出壓縮函數(shù)h壓縮內(nèi)部狀態(tài)sc，然后乘以輸出門激活yout來計(jì)算單元輸出yc：h是一個集中型函數(shù)，其范圍為[-1，1]；netin和netout是輸入和輸出門的輸入，j指針記憶塊，是大于1的自然數(shù)；v索引塊j中的存儲單元，使得表示第j個存儲塊的第v個單元；wjm是從單元m到單元l的連接的權(quán)重；索引m范圍在所有源單元上，如網(wǎng)絡(luò)拓?fù)渌付?；對于門部分，f是邏輯函數(shù)其范圍為[0，1]；網(wǎng)絡(luò)輸入被g壓縮，中心的邏輯S形函數(shù)的范圍為[-2，2]；最后，假設(shè)具有標(biāo)準(zhǔn)輸入層的分層網(wǎng)絡(luò)拓?fù)?，由存儲器塊組成的隱藏層和標(biāo)準(zhǔn)輸出層，輸出單元k的等式為：其中m為單元數(shù)，m范圍在饋送輸出單元的所有單元上；作為擠壓函數(shù)fk，再次使用其范圍為[0，1]的邏輯型S函數(shù)；除等式(3)之外的所有方程對于具有遺忘門的擴(kuò)展LSTM將仍然有效；第二步，短期風(fēng)電預(yù)測誤差分布算法：包括建立高斯混合模型和EM期望最大化算法，(1)建立高斯混合模型：每個GMM由k個Gaussian分布組成，每個Gaussian稱為一個Component，這些Component線性加成在一起就組成了GMM的概率密度函數(shù)：其中k為Gaussian的個數(shù)，πk為第k個高斯的權(quán)重，p(x|k)則為第k個高斯的概率密度函數(shù),xi|uk為uk中的一個均值,均值為預(yù)測值與真實(shí)值的誤差均值，Σk為方差；將目標(biāo)改寫成：即為最大化對數(shù)似函數(shù)；(2)EM期望最大化算法分為兩步：第一步是假設(shè)知道各個高斯模型的參數(shù)，去估計(jì)每個高斯模型的權(quán)值；第二步是基于估計(jì)的權(quán)值，回過頭再去確定高斯模型的參數(shù)；重復(fù)這兩個步驟；步驟如下：步驟1算法初始化：由k均值聚類算法對樣本進(jìn)行聚類，利用各類的均值作為uk，并計(jì)算Σk，πk取各類樣本占樣本總數(shù)的比例；步驟2估計(jì)步驟，計(jì)算后驗(yàn)概率：步驟3最大化步驟：設(shè)樣本容量為N，屬于K個分類的樣本數(shù)量分別是N1，N2，...，Nk；更新每個Gaussian參數(shù)：步驟4不斷地迭代步驟和步驟2和步驟3：重復(fù)更新上面三個值，直到p(xi)的值收斂為止；第三步，風(fēng)電機(jī)組發(fā)電功率短期預(yù)測模型設(shè)計(jì)：(1)模型訓(xùn)練步驟：第一步：模型訓(xùn)練以隱藏層為研究對象；首先在輸入層中，定義原始的NWP時(shí)間序列為v0＝{v1,v2,…,vn},則劃分的NWP時(shí)間序列訓(xùn)練集和測試集可以分別表示為vtr＝{v1,v2,…,vm}和vte＝{vm+1,vm+2,…,vn},輸出層風(fēng)電功率時(shí)間序列P0＝{P1,P2,…,Pn}，則劃分的風(fēng)電功率時(shí)間序列訓(xùn)練集和測試集可以分別表示為Ptr＝{P1,P2,…,Pm}和Pte＝{Pm+1,Pm+2,…,Pn}；其中m<n,m,n∈N；對訓(xùn)練集和測試集的元素按照公式(16)和(17)進(jìn)行歸一化處理；歸一化后的訓(xùn)練集可表示為vtr′＝{v1′,v2′,…,vm′}和Ptr′＝{P1′,P2′,…,Pm′}；訓(xùn)練數(shù)據(jù)里面包括輸入數(shù)據(jù)和輸出數(shù)據(jù)，輸入數(shù)據(jù)是數(shù)值天氣預(yù)報(bào)的風(fēng)速數(shù)據(jù)，將其一維的時(shí)間序列數(shù)據(jù)構(gòu)造為維度[采樣，時(shí)間步長，特征]的三維數(shù)據(jù)陣列；輸出數(shù)據(jù)是一維的時(shí)間序列；第二步：為了適應(yīng)隱藏層輸入的特點(diǎn)，應(yīng)用數(shù)據(jù)分割的方法對vtr′進(jìn)行處理；設(shè)定分割窗口長度取值為L，則分割后的模型輸入為X＝{X1,X2,…,XL},Xp＝{vp′,vp+1′,…,vm-L+p-1′}，其中1≤p≤L,p,L∈N；對應(yīng)的理論輸出為Y＝{Y1,Y2,…,YL},Yp＝{Pp′,Pp+1′,…,Pm-L+p-1′}；第三步：將X輸入隱藏層，隱藏層包括L個按前后時(shí)刻連接的同構(gòu)LSTM神經(jīng)元細(xì)胞，X經(jīng)過隱藏層的輸出為P＝{P1,P2,…,PL},PP＝LSTMforward(XP,ScP-1,ycP-1)；式中ScP-1,ycP-1分別為前一個LSTM神經(jīng)元細(xì)胞的狀態(tài)和輸出；按照式子(1)和(5)計(jì)算得到LSTMforward；第四步：反向計(jì)算每個LSTM神經(jīng)元細(xì)胞的誤差項(xiàng)，包括時(shí)間和網(wǎng)絡(luò)層的2個反向傳播方向；第五步：根據(jù)相應(yīng)的誤差項(xiàng)，計(jì)算每個權(quán)重的梯度；選用均方誤差作為誤差計(jì)算公式，訓(xùn)練過程的損失函數(shù)為設(shè)定損失函數(shù)最小為優(yōu)化目標(biāo)，給定模型初始化的隨機(jī)種子數(shù)seed，確定學(xué)習(xí)效率，訓(xùn)練步數(shù)epoch，應(yīng)用基于梯度的優(yōu)化算法-Adam更新權(quán)重；應(yīng)用訓(xùn)練好的LSTM網(wǎng)絡(luò)進(jìn)行預(yù)測；預(yù)測過程采用迭代的方法；首先，理論輸出Y的最后一行數(shù)據(jù)為Yf＝{Pm-L+1′,Pm-L+2′,…,Pm′}；將Xf＝{vm-L+1′,vm-L+2′,…,vm′}輸入LSTM*net，輸出結(jié)果表示為第六步：下一個預(yù)測點(diǎn)的數(shù)據(jù)為Yf+1＝{Pm-L+2′,Pm-L+3′,…,Pm+1′}，則m+1點(diǎn)的預(yù)測值為Pm+1′；以此類推，得到預(yù)測的時(shí)間序列為P0′＝{Pm+1′,Pm+2′,…,Pn′}，對其進(jìn)行反歸一化，最終得到與測試集Pte＝{Pm+1,Pm+2,…,Pn}對應(yīng)的預(yù)測時(shí)間序列P0*＝{Pm+1*,Pm+2*,…,Pn*}；第七步：通過模型計(jì)算可得到訓(xùn)練和預(yù)測的均方根誤差即預(yù)測精度；(2)預(yù)測評價(jià)指標(biāo)：風(fēng)電場風(fēng)電功率預(yù)測誤差指標(biāo)是均方根誤差和平均絕對誤差均方根誤差eRMSE分別代表風(fēng)電場風(fēng)電功率預(yù)測的均方根誤差，平均絕對誤差——在t時(shí)刻風(fēng)電場或單臺機(jī)組輸出功率實(shí)測值；Ptpred——在t時(shí)刻風(fēng)電場或單臺機(jī)組輸出功率預(yù)測值；pcap——風(fēng)電場裝機(jī)容量；N——樣本總數(shù)；(3)預(yù)測不確定性評價(jià)指標(biāo)：驗(yàn)證預(yù)測不確定性分析模型的評價(jià)體系包括三個評價(jià)指標(biāo)：可靠性、銳度、技術(shù)分?jǐn)?shù)；選擇可靠性指標(biāo)和技術(shù)分?jǐn)?shù)作為評估不確定性分析模型的標(biāo)準(zhǔn)；置信水平為τ時(shí)，可靠性指標(biāo)r(τ)和技術(shù)分?jǐn)?shù)Sc(τ)定義如下：式中τ——預(yù)先設(shè)定的置信水平或概率水平，即名義可靠比例；——在t時(shí)刻，置信水平為τ時(shí)預(yù)測區(qū)間的限值；Sc(τ)——τ置信水平時(shí)的技術(shù)分?jǐn)?shù)；(4)數(shù)據(jù)預(yù)處理：1)數(shù)據(jù)篩選：刪除較大或較小的風(fēng)速數(shù)據(jù)，去除含有停機(jī)狀態(tài)的點(diǎn)；當(dāng)實(shí)際風(fēng)速小于風(fēng)機(jī)的啟動風(fēng)速時(shí)，風(fēng)機(jī)的發(fā)電量為0；將風(fēng)機(jī)本身消耗負(fù)值賦為0；2)數(shù)據(jù)分析：需要根據(jù)一定的統(tǒng)計(jì)指標(biāo)，對采集到的大量風(fēng)速數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析；通過對風(fēng)速自相關(guān)性的分析，提取風(fēng)速的特征；3)數(shù)據(jù)歸一化，將上述數(shù)據(jù)進(jìn)行歸一化處理：其中max＝1.0，min＝0。2.根據(jù)權(quán)利要求1所述的基于長短期記憶網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測方法，其特征在于，在所述第一步長短期記憶神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法過程中，還包括訓(xùn)練LSTM網(wǎng)絡(luò)：LSTM網(wǎng)絡(luò)的訓(xùn)練算法是反向誤差傳播算法，訓(xùn)練網(wǎng)絡(luò)時(shí)將整個時(shí)間序列上的誤差反向傳播；在計(jì)算誤差反向傳播時(shí)，每個時(shí)刻的誤差經(jīng)由yc(t)和Sc(t+1)迭代計(jì)算；LSTM的正向傳播和反向傳播關(guān)系如下：Sc表示遺忘門限，It表示輸入門限，前一時(shí)刻單元的輸出yc(t-1)的誤差由當(dāng)前單元輸出yc(t)決定，且要對所有的gatelayer傳播回來的梯度求和，前一時(shí)刻cell狀態(tài)Sc(t-1)由cell狀態(tài)Sc(t)決定，而Sc(t)的誤差包含兩部分，一部分是yc(t)，另一部分是Sc(t+1)；所以計(jì)算Sc(t)反向傳播誤差時(shí)需要傳入yc(t)和Sc(t+1)，而yc(t)在更新的時(shí)候需要加上yc(t+1)；這樣就可以從時(shí)刻T向后計(jì)算任一時(shí)刻的梯度，利用隨機(jī)