基于奇异谱分解和长短期记忆网络的功率预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109993368A(43)申请公布日2019.07.09(21)申请号201910274055.4(22)申请日2019.04.08(71)申请人福州大学地址350108福建省福州市闽侯县上街镇福州大学城学院路2号福州大学新区(72)发明人林建新王怀远(74)专利代理机构福州元创专利商标代理有限公司35100代理人蔡学俊(51)Int.Cl.G06Q10/04(2012.01)G06Q50/06(2012.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书3页附图2页(54)发明名称基于奇异谱分解和长短期记忆网络的功率预测方法(57)摘要本发明涉及一种基于奇异谱分解和长短期记忆网络的功率预测方法，采用历史真实功率数据训练模型，在进行功率预测时，能够根据当前及之前若干时刻功率数据对下一时刻的功率进行预测。本发明较好的保留了原有功率数据的波动特性与统计特征，有效剔除了不良数据对模型的影响，具有较好的拟合特性与较小的拟合误差，能够适应实际工程需要。CN109993368ACN109993368A权利要求书1/1页1.一种基于奇异谱分解和长短期记忆网络的功率预测方法，其特征在于，包括以下步骤：步骤S1：获取风电厂的功率历史数据，并构建功率历史数据时间序列；步骤S2：采用奇异谱分解，将功率历史数据分解为若干个分量；根据若干个分量的奇异谱值确定噪声分量并剔除；步骤S3:将剔除了噪声分量的剩余求和，作为训练数据；步骤S4:构建一长短期记忆网络模型；步骤S5:利用集合经验模式分解，将训练数据分为若干个子训练集，每个子训练集分别训练一个长短期记忆网络模型；步骤S6：根据功率历史数据时间序列，输入时序上与待预测时刻最为临近的20个功率采样值给长短期记忆网络模型，即可得到下一时刻功率预测结果。2.根据权利要求1所述的基于奇异谱分解和长短期记忆网络的功率预测方法，其特征在于：所述功率历史数据采样频率为每15分钟采样一次。3.根据权利要求1所述的基于奇异谱分解和长短期记忆网络的功率预测方法，其特征在于：所述长短期记忆网络模型具体为：其中，为LSTM中记忆单元的当前时刻的状态，为遗忘门当前时刻状态，表示当前时刻单元的输出，为输出门当前状态，为输入门相关的权重矩阵，为连接隐含层输出信号的权值矩阵，为激活函数输出量的权值，为偏置量，权值和偏置量均需通过训练进行优化，为激活函数。2CN109993368A说明书1/3页基于奇异谱分解和长短期记忆网络的功率预测方法技术领域[0001]本发明涉及电力系统领域，具体涉及到一种基于深度学习的风电厂功率超短期预测算法。背景技术[0002]我国风电近年来持续快速发展，风电的快速发展给中国经济的发展注入了新的活力。但由于风能自身固有的随机性、间歇性、波动性，风电的接入也给电力系统的安全稳定运行带来了很大的挑战，风电对电力系统规划、电力系统的可靠性及电力系统运行造成了很大影响如何评估风电容量可信度及系统的风电接纳能力的问题亟需解决。[0003]为研究风电对的影响，就需要首先对风电进行建模，而功率时间序列的生成是建模的基础。现阶段功率预测方法的拟合效果普遍不够好，存在较大误差，且对于异常数据有较大的敏感度，更有些计算方法过于复杂而难以实现，难以满足实际工程需求。发明内容[0004]有鉴于此，本发明的目的在于提供一种基于奇异谱分解和长短期记忆网络的功率预测方法，根据历史功率数据训练预测模型，并将其应用于超短期功率预测中，能够根据若干历史功率数据对未来功率进行超短期预测。[0005]为实现上述目的，本发明采用如下技术方案：一种基于奇异谱分解和长短期记忆网络的功率预测方法，包括以下步骤：步骤S1：获取风电厂的功率历史数据，并构建功率历史数据时间序列；步骤S2：采用奇异谱分解，将功率历史数据分解为若干个分量；根据若干个分量的奇异谱值确定噪声分量并剔除；步骤S3:将剔除了噪声分量的剩余求和，作为训练数据；步骤S4:构建一长短期记忆网络模型；步骤S5:利用集合经验模式分解，将训练数据分为若干个子训练集，每个子训练集分别训练一个长短期记忆网络模型；步骤S6：根据功率历史数据时间序列，输入时序上与待预测时刻最为临近的20个功率采样值给长短期记忆网络模型，即可得到下一时刻功率预测结果。[0006]进一步的，所述功率历史数据采样频率为每15分钟采样一次。[0007]进一步的，所述长短期记忆网络模型具体为：(1)(2)(3)(4)3CN109993368A说明书2/3页(5)其中，为LSTM中记忆单元的当前时刻的状态，为遗忘门当前时刻状态，表示当前时刻单元的输出，为输出门当前状态，、、、为输入门