风力发电-长短期记忆网络的风电功率预测技术

[全]风力发电-长短期记忆网络的风电功率预测技术由于风能资源充足和清洁环保，使得风力发电在可再生能源发电形式中处于主导地位。截至2017年底，我国风电新装机容量为19.5GW，累计总装机容量达到170.9GW，连续7年新增装机和累计装机两项数据均居世界第一，预计到2050年，中国风电装机达到15亿kW到20亿kW。如今高比例可再生能源并网逐渐成为中国电力系统的发展趋势和未来电网的重要特征，但是可再生能源——风电的随机性和模糊性特点即风电功率的不确定性，使得大规模风电并网的电力系统面临增加备用负担、风电调度困难、弃风现象严重等问题。风电功率预测技术是减轻风电场并网对电力系统造成不利影响、提高风电并网比例的有效途径之一，为电力系统及风电场的安全、稳定、经济运行提供了技术支持。任何预测都具有不确定性，由于风电功率曲线是非线性的且具有一定偏度，风电功率预测误差分布中存在有偏、重尾、多峰等现象，以上任何一种现象都会影响预测误差的正态性，而且风电功率置信区间并不是关于预测点对称的，如今更多的研究集中在确定性数值预测方法上，但对于风电场内发电调度决策人员而言，预测误差的评估和分析能提供更为充分的决策信息。如今规模化大型风电场并入电网，导致风电预测功率的绝对误差会是一个巨大的不确定量，必然会对电为系统运行调度带来问题；随着预测尺度加大，预测误差随之增加，要从技术和经济性上提高预测精度有难度，但我们可以利用现有技术，研究风电功率的误差规律，修正风电功率预测数据，是使之更具有科学和实用价值。按照预测模型划分，风电功率确定性预测可分为物理方法、统计方法、学习方法。物理方法以风速预测为基础，利用风电机组的功率曲线转化为风电功率预测值，适用于中期和长期的风电功率预测，但是精确的物理模型计算复杂并且计算时长较长；统计方法则是以适当长度的历史风电功率数据为建模数据，构建相对应的函数估计形式，预测未来风电功率，适用于超短期和短期的风电功率预测，缺点是预测精度受限；学习方法采用人工智能方法提取输入量与输出量之间的关系，应用范围较广，特别是近年来人工智能的飞速发展，出现了众多的深度学习算法。确定性预测误差的区间数和误差的概率分布统称为概率性预测方法。概率性预测方法主要有两种，一种是通过对确定性预测模型的输出结果分析得到各条件分为数，从而对估计值的概率分布进行估计，常用的方法有QR回归(quartileregression)等。另一种是获得预测值误差分布的概率密度函数，并通过计算分布函数得到预测风电功率区间，常用的方法有核密度估计法，Gauss分布，Beta分布等。问题拆分长短期记忆神经网络训练算法、短期风电预测误差分布算法和风电机组发电功率短期预测模型设计。本发明从深度学习网络出发，建立基于长短期记忆网络算法(LSTM)风电功率预测模型，以高斯混合模型(GMM)分析短期风电功率预测的误差分布特点。本发明通过GMM模型可以得到二台机组不同的置信区间。证明了LSTM方法具有更高的精确度和更快的收敛速度，GMM方法对于风电调度具有实际应用价值。问题解决1.一种基于长短期记忆网络的风电功率短期预测方法，包括长短期记忆神经网络训练算法、短期风电预测误差分布算法和风电机组发电功率短期预测模型设计，其特征在于，第一步，长短期记忆神经网络训练算法：设离散时间步长t＝1，2……，输入门激活yin和输出门激活yout计算如下：通过将压缩的门控制输入添加到上一个时间步骤sc(t-1)的状态来计算存储单元sc(t)的内部状态，t>0：当时，通过输出压缩函数h压缩内部状态sc，然后乘以输出门激活yout来计算单元输出yc：h是一个集中型函数，其范围为[-1，1]；netin和netout是输入和输出门的输入，j指针记忆块，是大于1的自然数；v索引块j中的存储单元，使得表示第j个存储块的第v个单元；wjm是从单元m到单元l的连接的权重；索引m范围在所有源单元上，如网络拓扑所指定；对于门部分，f是逻辑函数其范围为[0，1]；网络输入被g压缩，中心的逻辑S形函数的范围为[-2，2]；最后，假设具有标准输入层的分层网络拓扑，由存储器块组成的隐藏层和标准输出层，输出单元k的等式为：其中m为单元数，m范围在馈送输出单元的所有单元上；作为挤压函数fk，再次使用其范围为[0，1]的逻辑型S函数；除等式(3)之外的所有方程对于具有遗忘门的扩展LSTM将仍然有效；第二步，短期风电预测误差分布算法：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：每个GMM由k个Gaussian分布组成，每个Gaussian称为一个Component，这些Component线性加成在一起就组成了GMM的概率密度函数：其中k为Gaussian的个数，πk为第k个高斯的权重，p(x|k)则为第k个高斯的概率密度函数,xi|uk为uk中的一个均值,均值为预测值与真实值的误差均值，Σk为方差；将目标改写成：即为最大化对数似函数；(2)EM期望最大化算法分为两步：第一步是假设知道各个高斯模型的参数，去估计每个高斯模型的权值；第二步是基于估计的权值，回过头再去确定高斯模型的参数；重复这两个步骤；步骤如下：步骤1算法初始化：由k均值聚类算法对样本进行聚类，利用各类的均值作为uk，并计算Σk，πk取各类样本占样本总数的比例；步骤2估计步骤，计算后验概率：步骤3最大化步骤：设样本容量为N，属于K个分类的样本数量分别是N1，N2，...，Nk；更新每个Gaussian参数：步骤4不断地迭代步骤和步骤2和步骤3：重复更新上面三个值，直到p(xi)的值收敛为止；第三步，风电机组发电功率短期预测模型设计：(1)模型训练步骤：第一步：模型训练以隐藏层为研究对象；首先在输入层中，定义原始的NWP时间序列为v0＝{v1,v2,…,vn},则划分的NWP时间序列训练集和测试集可以分别表示为vtr＝{v1,v2,…,vm}和vte＝{vm+1,vm+2,…,vn},输出层风电功率时间序列P0＝{P1,P2,…,Pn}，则划分的风电功率时间序列训练集和测试集可以分别表示为Ptr＝{P1,P2,…,Pm}和Pte＝{Pm+1,Pm+2,…,Pn}；其中m<n,m,n∈N；对训练集和测试集的元素按照公式(16)和(17)进行归一化处理；归一化后的训练集可表示为vtr′＝{v1′,v2′,…,vm′}和Ptr′＝{P1′,P2′,…,Pm′}；训练数据里面包括输入数据和输出数据，输入数据是数值天气预报的风速数据，将其一维的时间序列数据构造为维度[采样，时间步长，特征]的三维数据阵列；输出数据是一维的时间序列；第二步：为了适应隐藏层输入的特点，应用数据分割的方法对vtr′进行处理；设定分割窗口长度取值为L，则分割后的模型输入为X＝{X1,X2,…,XL},Xp＝{vp′,vp+1′,…,vm-L+p-1′}，其中1≤p≤L,p,L∈N；对应的理论输出为Y＝{Y1,Y2,…,YL},Yp＝{Pp′,Pp+1′,…,Pm-L+p-1′}；第三步：将X输入隐藏层，隐藏层包括L个按前后时刻连接的同构LSTM神经元细胞，X经过隐藏层的输出为P＝{P1,P2,…,PL},PP＝LSTMforward(XP,ScP-1,ycP-1)；式中ScP-1,ycP-1分别为前一个LSTM神经元细胞的状态和输出；按照式子(1)和(5)计算得到LSTMforward；第四步：反向计算每个LSTM神经元细胞的误差项，包括时间和网络层的2个反向传播方向；第五步：根据相应的误差项，计算每个权重的梯度；选用均方误差作为误差计算公式，训练过程的损失函数为设定损失函数最小为优化目标，给定模型初始化的随机种子数seed，确定学习效率，训练步数epoch，应用基于梯度的优化算法-Adam更新权重；应用训练好的LSTM网络进行预测；预测过程采用迭代的方法；首先，理论输出Y的最后一行数据为Yf＝{Pm-L+1′,Pm-L+2′,…,Pm′}；将Xf＝{vm-L+1′,vm-L+2′,…,vm′}输入LSTM*net，输出结果表示为第六步：下一个预测点的数据为Yf+1＝{Pm-L+2′,Pm-L+3′,…,Pm+1′}，则m+1点的预测值为Pm+1′；以此类推，得到预测的时间序列为P0′＝{Pm+1′,Pm+2′,…,Pn′}，对其进行反归一化，最终得到与测试集Pte＝{Pm+1,Pm+2,…,Pn}对应的预测时间序列P0*＝{Pm+1*,Pm+2*,…,Pn*}；第七步：通过模型计算可得到训练和预测的均方根误差即预测精度；(2)预测评价指标：风电场风电功率预测误差指标是均方根误差和平均绝对误差均方根误差eRMSE分别代表风电场风电功率预测的均方根误差，平均绝对误差——在t时刻风电场或单台机组输出功率实测值；Ptpred——在t时刻风电场或单台机组输出功率预测值；pcap——风电场装机容量；N——样本总数；(3)预测不确定性评价指标：验证预测不确定性分析模型的评价体系包括三个评价指标：可靠性、锐度、技术分数；选择可靠性指标和技术分数作为评估不确定性分析模型的标准；置信水平为τ时，可靠性指标r(τ)和技术分数Sc(τ)定义如下：式中τ——预先设定的置信水平或概率水平，即名义可靠比例；——在t时刻，置信水平为τ时预测区间的限值；Sc(τ)——τ置信水平时的技术分数；(4)数据预处理：1)数据筛选：删除较大或较小的风速数据，去除含有停机状态的点；当实际风速小于风机的启动风速时，风机的发电量为0；将风机本身消耗负值赋为0；2)数据分析：需要根据一定的统计指标，对采集到的大量风速数据进行统计分析；通过对风速自相关性的分析，提取风速的特征；3)数据归一化，将上述数据进行归一化处理：其中max＝1.0，min＝0。2.根据权利要求1所述的基于长短期记忆网络的风电功率短期预测方法，其特征在于，在所述第一步长短期记忆神经网络训练算法过程中，还包括训练LSTM网络：LSTM网络的训练算法是反向误差传播算法，训练网络时将整个时间序列上的误差反向传播；在计算误差反向传播时，每个时刻的误差经由yc(t)和Sc(t+1)迭代计算；LSTM的正向传播和反向传播关系如下：Sc表示遗忘门限，It表示输入门限，前一时刻单元的输出yc(t-1)的误差由当前单元输出yc(t)决定，且要对所有的gatelayer传播回来的梯度求和，前一时刻cell状态Sc(t-1)由cell状态Sc(t)决定，而Sc(t)的误差包含两部分，一部分是yc(t)，另一部分是Sc(t+1)；所以计算Sc(t)反向传播误差时需要传入yc(t)和Sc(t+1)，而yc(t)在更新的时候需要加上yc(t+1)；这样就可以从时刻T向后计算任一时刻的梯度，利用随机