基于LSTM网络的短期风力发电功率预测模型研究的开题报告.docx

基于LSTM网络的短期风力发电功率预测模型研究的开题报告
一、研究背景与意义
近年来，全球能源消费持续增长，不断增强的能源需求和环保意识，促使可再生能源迅速发展。风力是其中一种重要的可再生能源之一，风力发电已经成为全球范围内最重要的清洁能源之一。风力主要通过风轮机将风能转换成机械能，再通过发电机将机械能转化为电能。风力发电具有成本低、能源来源广泛、无一次性污染、对环境没有明显影响等优点，具有极高的发展潜力。
放眼国际与国内，已经研发出众多风电场实现了运行，将风力转化为电力，但由于风力无法掌控，风力发电的电力输出存在浓厚的随机性和不可预测性，为系统运行带来不利影响，时刻关注风速变化的大型风电机组对于菜单电网在数量和规模上都是巨大的负担，因此短期预测风电功率就显得更为重要。目前，解决风力发电随机性和不可预测性的有效方法是对风力的预测。
在风力预测研究中，短期风力预测是前提和关键。因为短期风电功率预测（Short‐TermWindPowerForecasting，STWPF）能够提供相对精准的风电输出功率信息，同时满足风电场实时调度、防范接触风险等方面的需求，因此受到越来越多的重视。
以往的风力预测大多是使用数据驱动的建模方法，例如人工神经网络（ArtificialNeuralNetworks，ANN）和支持向量机（SupportVectorMachines，SVM）等，但是这些方法存在一些缺陷，如发展性差、预测精度低等。
为了使风速预报结果更为精准，本文将采用LSTM（LongShort-TermMemory）网络作为预测器的核心算法。据调研，LSTM常常被用来解决序列预测问题，它具有存储信息，避免梯度消失、对长短时序列的适应性以及强大的预测能力等优点。在实际数据上的多次预测试验表明，LSTM网络在短期风力预测中的表现出了优异的表现。
二、研究内容
本研究将基于LSTM神经网络，探索短期风力发电功率预测模型。具体分为以下几方面的研究内容：
1.分析短期风力预测的问题背景和研究现状，以及LSTM神经网络的基本概念及其应用场景。
2.构建短期风力发电功率预测模型的原理流程，说明LSTM神经网络的输入数据和对应的输出数据的构建方法及输入变量的选择。
3.对原始数据进行清洗、处理、分析，将数据划分为训练集、验证集和测试集，并进行对数据的归一化处理，同时构建LSTM网络模型，更新训练集和验证集参数，并选取合适的神经网络结构、时序长度、节点数、学习速率等参数。
4.对模型进行实验验证以及优化。使用验证集和训练集对模型进行误差分析、调参和优化等。当模型预测误差满足精度要求时，进行最后的测试。
5.结论分析与展望。通过与其他神经网络预测模型比较，分析本研究方法的优越性，并对未来将进行拓展研究的方向作出展望。
三、研究方法
本研究将采取LSTM（LongShort-TermMemory）网络作为预测器的核心算法，以风速和功率作为输入变量，预测未来时刻的风力发电功率。其详细步骤如下：
1.对原始数据进行清洗、处理、分析。清洗去掉异常值、空值；处理采样频率相同的数据，并划分为训练集、验证集和测试集。
2.对数据进行归一化，以最大值、最小值进行归一化处理。
3.构建LSTM网络模型，对训练集进行网络训练，并通过验证集来检查网络性能，并对网络结构、超参数进行优化。
4.当网络训练并经过验证后，使用测试集进行最后模型预测以及误差分析，确定模型的表现与可靠性。
5.评估与总结优化方案，并提出未来研究的发展方向。
四、研究计划
本研究计划于2022年3月开始，在当年的六月结束。预计的大致研究进度为：
1.第1-2个月：对短期风力预测模型研究进行深入阅读，了解LSTM网络以及短期风力预测的基本方法；
2.第3-4个月：利用Python语言搭建LSTM网络，进行模型的训练、测试等模仿；
3.第5-6个月：对模型进行改进及优化，评估模型的预测精度和性能，并提出展望。
五、预期成果
本研究旨在建立一个可行的短期风力功率预测模型，并通过实验验证，从而提高短期风力预测的准确性和精度。同时，希望通过本研究的成果，能够为短期风力预测领域的研究提供新的思路和方法。预计的预期成果有：
1.建立基于LSTM网络的短期风力发电功率预测模型。
2.实现预测结果的实时化，提高风力发电场的生产效率。
3.通过模型预测和误差分析，改进其他常用相对应的算法模型。
4.提出LSTM预测方法在短期风力发电功率预测领域的推广应用前景。