基于ISSA--LSTM的超短期风电功率预测的开题报告.docx

基于ISSA--LSTM的超短期风电功率预测的开题报告
一、研究背景
随着风力发电在全球范围内的迅速发展，风电场成为了可再生能源领域中的重要部分。风电场发电特点为受到风速和风向的影响，导致风力发电机组的出力具有不确定性和波动性。因此，超短期风电功率预测成为了实现风电场电网并网的一个重要措施，可以提高电网稳定性，减少电力波动等问题，对于保障电网安全运行具有重要意义。
在现有的风电场功率预测算法中，基于深度学习的算法成为了研究热点。其中，基于循环神经网络（RNN）的算法在短期风电功率预测中表现出良好的预测效果。但在超短期风电功率预测中，RNN模型存在预测精度不高、模型训练时间长等缺点。因此，本研究拟基于改进的RNN模型——ISSA-LSTM模型进行超短期风电功率预测研究，以提高预测精度和训练效率，优化风电场的电网调度。
二、研究目的
本研究旨在：
1.构建ISSA-LSTM模型，对风电场超短期功率进行预测。
2.通过改进的ISSA-LSTM模型，提高超短期风电功率预测的精度和准确率。
3.优化ISSA-LSTM模型训练过程，提高模型的训练效率。
三、研究内容
1.数据预处理
选取风电场实时采样的功率数据作为样本数据，对数据进行筛选、归一化处理，并采用滑动窗口的方式进行数据切割和部分数据重叠，使得训练集和测试集数据具有相关性和序列性。
2.改进的ISSA-LSTM模型构建
ISSA-LSTM模型是基于LSTM网络的改进模型，其主要特点是增加了自适应脉冲神经网络（SimplifiedSpikingAdaptiveNeuron，SSAN）进行编码和解码，可有效提高LSTM网络的训练速度和神经元激发准确率。本研究拟深入探究该模型的构建和改进方式，以提高超短期风电功率预测的准确率和精度。
3.模型验证和评价
使用风电场历史功率数据进行模型训练和验证，采取均方误差（MeanSquareError，MSE）、平均绝对误差（MeanAbsoluteError，MAE）等指标对模型进行评价，并与传统RNN模型、LSTM模型等算法进行比较分析，验证ISSA-LSTM模型的有效性和优越性。
四、研究意义
本研究的主要意义在于：
1.提高超短期风电功率预测的精度和准确率，为风电场电网调度提供可靠数据支持。
2.探索基于SSAN进行LSTM模型改进的方案，拓展了深度学习算法在风电场功率预测领域的应用。
3.优化了ISSA-LSTM模型训练过程，有效提高了模型的训练效率和预测精度，具有一定的理论和实际应用价值。
五、研究方法
本研究主要采用以下研究方法：
1.数据处理方法：采用Python语言进行数据筛选、归一化和切割操作，保证数据样本的准确性和相关性。
2.模型构建方法：基于Keras和Tensorflow框架，采用ISSA-LSTM模型进行风电功率预测研究。
3.模型评价方法：采用均方误差（MSE）、平均绝对误差（MAE）等评价指标，对模型的预测结果进行评价，并与传统方法进行比较分析。
六、预期结果
本研究预期可达到以下结果：
1.构建ISSA-LSTM模型，并对超短期风电功率进行预测；
2.比较ISSA-LSTM模型、RNN模型、LSTM模型等算法的预测效果，验证ISSA-LSTM模型的优越性；
3.分析ISSA-LSTM模型训练效率，提出可行的优化措施；
4.为风电场电网调度提供有效的数据支持，推动风电场的可持续发展。
七、研究进度安排
研究阶段分类完成时间
1研究计划制定和文献调研阶段性成果2022.5
2数据预处理阶段性成果2022.6
3ISSA-LSTM模型构建阶段性成果2022.7
4模型训练和验证阶段性成果2022.8
5结果分析和总结阶段性成果2022.9
6完成毕业论文和答辩阶段性成果2022.12
八、参考文献
[1]肖航,陈中平,张永飞.基于神经网络的超短期风速预测研究[J].电力系统保护与控制,2018,46(24):141-147+159.
[2]王星辉,王杰,樊伟,等.基于卷积神经网络的风电功率短期预测[J].电力系统保护与控制,2018,46(11):68-75.
[3]王巨亮,郑天成,张勇进.基于LSTM的光伏电站发电功率短期预测研究[J].电力系统保护与控制,2020,48(19):115-121.
[4]刘娟,武玲真,黄娟,等.基于神经网络的往来功率自适应预测算法[J].电力系统保护与控制,2019,47(03):72-78.