一种基于长短时记忆神经网络的混合风功率预测方法与流程

本发明涉及风电场风力发电过程中风电机组的有功功率预测领域，特别涉及一种基于长短时记忆神经网络的混合风功率预测方法。

背景技术：

我国风电装机容量正在逐年增加，风电在电力行业中所占比重不断扩大。风电的波动性、间歇性和混沌性对电网的安全和稳定运行带来了严峻挑战，同时也要求风电场保有很高的旋转备用容量来稳定电网电压，导致严重经济损失。为了减少经济损失，电力系统要求对超短期(15min～4h)以及短期(5h～48h)风电场风功率进行预测，并且预测误差一般不应超过20％。

传统的统计学方法和机器学习方法虽然能够对风电场风功率进行预测，但是，上述两类方法依旧存在以下不足：

1)传统机器学习算法不考虑样本信息中的时间依赖信息，计算成本较高，影响算法学习效率。

2)传统的统计学方法难以挖掘数据中的深层特征信息，预测性能仍有较大提升空间。

技术实现要素：

针对上述现有技术存在的不足，本发明提供一种基于长短时记忆神经网络的混合风功率预测方法，该方法步骤简洁且计算成本较低，预测精度较高，适合实际预测应用。

本发明所采用的技术方案如下：

一种基于长短时记忆神经网络的混合风功率预测方法，包括如下步骤：

步骤1：从风电场获取风机系统的历史数据集表示备选输入变量，n表示备选输入变量的个数，n∈n*,y表示当前时刻风功率序列，利用决策树算法对备选输入变量相对于当前时刻风功率序列的重要性进行排序，剔除重要程度较低的输入特征，达到风机系统数据特征选取的目的；

步骤1-1：计算每个输入变量对输入变量全集v相对于决策属性集d的重要度，公式为：

其中，u为决策树决策变量的非空有限集合，称为论域；v为输入变量全集；d为决策属性集；d的v正域记为posv(d)；d的正域记为sig()表示重要度(significance)，n为风机系统的输入特征总数；

步骤1-2，设置重要度阈值，选取大于阈值的重要度的数据集作为预测模型的输入参数，对选出的输入特征数据集重新排序，为

步骤2：对选取的数据进行降噪和归一化处理，将处理后的数据集按照比例划分成训练集和测试集两个集合；

步骤2-1：采用小波阈值降噪方法便捷、快速的从混杂着较强噪声的信号中获取原始信号，利用daubiche4小波对含噪信号进行8层小波分解、去噪处理：

1)将1层、7层细节系数及8层的近似系数置0；

2)3层至6层利用软阈值函数进行处理；

3)对处理后的8层信号进行重构，得到去噪后的数据向量x′。

步骤2-2：采用min-max方法对去噪后的数据进行归一化，消除不同数据之间量纲的差异，min-max方法计算公式为：

其中，x′min为单列数据中的最小值，x′max为单列数据中的最大值，x为归一化后的数据；

步骤2-3：将归一化处理后的数据选取数据段建立数据集，将数据集按比例分为训练集和测试集。

步骤3：建立基于长短时记忆lstm神经网络的混合风功率预测模型，并根据步骤2得到的训练集建立混合风功率预测模型；

步骤3-1：lstm网络结构搭建；

lstm网络包括1个输入层、5个隐含层以及1个输出层。输出层采用identity函数作为回归函数；所述lstm网络的运作原理如公式(3)至公式(7)所示：

ft＝sigmoid(wfxxt+whfht-1+bf)(3)

kt＝sigmoid(wkxxt+wkhht-1+bk)(4)

gt＝tanh(wgxxt+wghht-1+bg)(5)

ot＝sigmoid(woxxt+wohht-1+bo)(6)

ht＝tanh(gt⊙kt+st-1⊙ft)⊙ot(7)

其中，⊙表示元素乘，t作为下标时表示采样时刻，xt为采样时刻为t时刻的数据，ft,kt,gt,ot与ht分别为t时刻遗忘门、输入门、输入节点、输出门及状态单元的状态，st为更新后的t时刻记忆单元状态，st-1为t-1时刻记忆单元状态，wfx,whf,wkx,wkh,wgx,wgh,wox与woh分别为对应门与输入xt和状态单元中间输出ht-1乘积的权重矩阵，所述权重矩阵均是对角阵；bf,bk,bg,bo分别为对应门的偏移量；tanh表示激活函数；

最终，得到lstm模型输出公式：

g＝f(xt,whf,wkh,woh,b)(8)

其中，g表示长短时记忆神经网络模型输出，whf、wkh、woh分别表示输入门权值向量、遗忘门权值向量和输出门权值向量，b表示偏置；

步骤3-2：采用区间列举法对长短时记忆神经网络的参数优化；

采用区间列举法先对隐含层节点数、批规模两个参数进行初步实验，得到两个参数的预选区间。随后利用隐含层节点数、批规模两个参数不同组合的长短时记忆神经网络进行风功率预测实验，根据预测结果得到最优的隐含层节点数及批规模数；

步骤3-3：将预处理后的数据集带入lstm预测模型进行训练，得到训练集中样本的预测值g，g为输出的预测值的向量表示。

步骤4：将风机系统数据通过模型训练后的结果与实际值比对，得出修正公式，并用公式对基于长短时记忆神经网络的混合风功率预测模型进行修正，提高模型预测的准确率；

步骤4-1：计算风机系统数据集的预测误差；

ei'＝xi'-gi(9)

其中，xi'为预处理后的数据集，gi为lstm模型训练后得到第i个样本的预测值，ei'为lstm模型的预测误差；

步骤4-2：建立预测误差的预估模型；

其中，ei'表示模型预测的误差值，c表示常量，ai表示模型系数，xi'表示训练集输入参数，l为数据向量中数据的个数；

步骤4-3：通过最小二乘法拟合出常量c及模型系数ai，得到模型误差值关于输入参数的关系表达式。

步骤4-4：用步骤4-3得到的关系表达式对模型的预测误差进行预估；

步骤4-5：利用步骤4-4得到的误差预估值对模型的预测值进行修正计算，

gi'＝gi-ei'(11)

其中，gi表示lstm模型训练后得到第i个样本的预测值，gi'表示修正后预测值即修正后lstm模型输出向量。

步骤5：利用修正后的预测模型，对风机系统数据的测试集进行测试，计算得出预测准确率，对本预测模型的预测准确率进行验证。

附图说明

表1为本发明具体实施例中选择的备选输入变量表；

图1为本发明一种基于长短时记忆神经网络的混合风功率预测方法流程图；

图2为本发明具体实施例中采用决策树算法对变量的特征属性进行重要性排序图；

图3为本发明具体实施例中采用小波阈值降噪方法对风功率数据及风速数据去噪前后对比图；

图4为本发明具体实施例中lstm模型修正前后预测精度对比的散点图；

图5为本发明具体实施例中利用修正后的lstm模型对风功率进行预测的曲线图；

图6为本发明具体实施例中修正后的lstm模型与bp、rbf、mlp、lssvm四个模型的预测误差对比图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，本实施例的方法如下所述。

步骤1：从风电场scada监控系统中选择历史风速(瞬时风速、前30秒平均风速、前10分钟平均风速)、有功功率数据(前1时刻至前20时刻)及电网相电压(a相、b相、c相)、发电机转速、风轮转速、齿轮箱油温共计29种特征属性作为备选输入变量如表1所示；

表1风功率相关变量表

步骤1-1：利用决策树算法，计算单个输入变量对输入变量全集v相对于决策变量d的重要度，公式为：

其中，u为决策树决策变量的非空有限集合，称为论域；v为输入变量全集；d为决策属性集；d的v正域记为posv(d)；d的正域记为sig()表示重要度(significance)，n为风机系统的输入特征总数；

得到图2所示的特征属性的重要性排序；

步骤1-2，选取重要度阈值为0.8，选择图2中重要度大于阈值0.80的23个风机系统特征参数作为模型输入，包括：前1至前20时刻有功功率、前1时刻瞬时风速、前1时刻前30秒平均风速及前1时刻前10分钟平均风速，剔除图2中重要性低于0.80的电网相电压(a相、b相、c相)、发电机转速、风轮转速、齿轮箱油温共6种特征变量，对选出的特征数据集重新排序，为至作为预测模型的输入参数；

步骤2：对选取的23个特征数据集进行预处理，对处理后的数据集按照4:1的比例划分成训练集和测试集两个集合；

步骤2-1：采用小波阈值降噪方法便捷、快速的从混杂着较强噪声的信号中获取原始信号，利用daubiche4小波对含噪信号进行8层小波分解、去噪处理：

1)将1层、7层细节系数及8层的近似系数置0；

2)3层至6层利用软阈值算法进行处理；

3)对处理后的8层信号进行重构，得到去噪后的数据向量x′。

如图3所示，为风速数据去噪前后对比图。

步骤2-2：采用min-max方法对去噪后的数据进行归一化，消除不同数据之间量纲的差异，min-max方法计算公式为：

其中，x'为步骤2-2中去噪后的数据集信号，x′min为单列数据中的最小值，x′max为单列数据中的最大值，x为归一化后的数据；

步骤2-3：将处理后数据选取数据段依次建立2000组数据集，按照4:1的比例将前1600组为训练集，后400组为测试集。

步骤3：建立基于长短时记忆神经网络的混合风功率预测模型，并根据步骤2得到的训练集建立混合风功率预测模型；

步骤3-1：lstm网络结构搭建；

lstm网络包括1个输入层、5个隐含层以及1个输出层。输出层采用identity函数作为回归函数；所述lstm网络的运作原理如公式(3)-公式(7)所示：

ft＝sigmoid(wfxxt+whfht-1+bf)(3)

kt＝sigmoid(wkxxt+wkhht-1+bk)(4)

gt＝tanh(wgxxt+wghht-1+bg)(5)

ot＝sigmoid(woxxt+wohht-1+bo)(6)

ht＝tanh(gt⊙kt+st-1⊙ft)⊙ot(7)

其中，⊙表示元素乘，t作为下标时表示采样时刻，xt为采样时刻为t时刻的数据，ft,kt,gt,ot与ht分别为t时刻遗忘门、输入门、输入节点、输出门及状态单元的状态，st为更新后的t时刻记忆单元状态，st-1为t-1时刻记忆单元状态，wfx,whf,wkx,wkh,wgx,wgh,wox与woh分别为对应门与输入xt和状态单元中间输出ht-1乘积的权重矩阵，所述权重矩阵均是对角阵；bf,bk,bg,bo分别为对应门的偏移量；tanh表示激活函数；

最终，得到lstm模型输出公式：

g＝f(xt,whf,wkh,woh,b)(8)

式中，g表示长短时记忆神经网络模型输出，whf、wkh、woh分别表示输入门权值向量、遗忘门权值向量和输出门权值向量，b表示偏置；

步骤3-2：采用区间列举法对长短时记忆神经网络的参数优化；

采用区间列举法先对隐含层节点数、批规模两个参数进行初步实验，得到两个参数的预选区间。在其他参数不变的前提下，改变其中一个参数，观察误差曲线走向，最后确定隐含层节点数在110-160之间时，模型误差在可接受范围内，且参数在范围两端时误差值大小相似，批规模数在1-26范围内模型误差在可接受范围内，随后将两参数在预选区间范围内等距各取6组参数进行组合实验，最终选取隐含层节点数s为130，批规模数j为1；

步骤3-3，将步骤2得到的1600组训练集数据带入lstm预测模型进行训练，得到模型训练后训练集的预测值g，g为输出的预测值的向量表示。

步骤4：将风机系统数据通过模型训练后的结果与实际值比对，得出修正公式，并用公式对基于长短时记忆神经网络的混合风功率预测模型进行修正，提高模型预测的准确率；

步骤4-1：计算风机系统数据集的预测误差；

ei'＝xi'-gi(9)

其中，xi'为预处理后的训练集1600组数据，gi为lstm模型训练后得到的预测值，ei'为lstm模型的预测误差，i＝1,2,…,1600；

步骤4-2：建立预测误差的预估模型；

其中，ei'表示步骤4-1中模型预测的误差值，c表示常量，ai表示输入系数，xi'表示训练集输入参数，l为数据向量中数据的个数1600；

步骤4-3：通过最小二乘法拟合出常量c及输入系数ai，c＝-8.8，ai按照步骤1-2所述的输入顺序排列为：a＝[-400,-273,661,791,-374,-1692,2361,-1737,637,1111,-2129,2309,-3675,4530,-3721,2562,-1278,932,-792,133,-1266,0,1561]，得到模型误差值关于输入参数的关系表达式。

步骤4-4：用步骤4-3得到的关系表达式对模型的预测误差进行预估；

步骤4-5：利用步骤4-4得到的误差预估值对模型的预测值进行修正计算

gi'＝gi-ei'(11)

其中，gi表示修正前模型预测值即修正前lstm模型输出向量，gi'表示修正后预测值即修正后lstm模型输出向量，如图4所示gi'值与gi值的对比，修正后的预测曲线更接近理想预测曲线。

步骤5：利用修正后的预测模型，对风机系统数据的测试集的400组数据进行测试，测试值与真实值的对比如图5所示。

最后，分别利用lstm模型与对比模型(bp、rbf、mlp及lssvm)进行预测实验。图6为5种模型误差对比图。通过实验分析，建模过程各个环节所提出的解决方法都为提高最终建模精度起到正面作用，所构造的基于长短时神经网络的混合风功率预测模型，能够满足风电场对风功率预测的要求。