一种风电功率预测方法及装置与流程

技术特征：
1.一种风电功率预测方法，其特征在于，所述方法包括：风电机组运行数据的采集；基于卡尔曼滤波的数据预处理；增广深度stsr-lstm网络的构建；基于飞蛾火焰算法的增广深度stsr-lstm网络的参数优化；所提出的中长期风电功率预测方法的性能验证。2.根据权利要求1所述的方法，其特征在于，所述风电机组运行数据的采集，包括：设风电机组输出功率为唯一的输出变量y，通过主元法得到地势、海拔、气温、风速、风向等输入变量进行筛选得到n个输入变量作为最终的神经网络模型输入变量{u1,u2,
…
,u
n
}；基于所得的各输入输出变量，以采样间隔t获取风电机组的n组实际运行数据，为保证所得预测模型的普适性和泛化能力，采样数据需充分覆盖机组在不同环境条件下的宽负荷范围运行工况。3.根据权利要求1所述的方法，其特征在于，所述基于卡尔曼滤波的数据预处理，包括：设风电机组的离散模型为：其中：x(k)为系统状态变量，u(k)为k时刻的输入变量，y(k)为k时刻的输出变量，a、b、h分别为系统的状态矩阵、输入矩阵和输出矩阵；ξ(k)和η(k)分别为系统过程噪声和测量噪声；且设上述两种噪声引起的误差协方差矩阵分别为q和r；考虑系统的预测值和检测值，卡尔曼滤波对系统状态估计的协方差矩阵进行实时更新，并通过计算卡尔曼增益实现对下一时刻输出的估计；卡尔曼滤波器的时间更新公式为：其中：为k时刻的系统先验状态估计，为k-1时刻的系统最优状态估计，为k时刻的系统先验状态估计的协方差矩阵；状态更新公式为：其中：k(k)表示卡尔曼滤波增益，p(k)为k时刻后验状态估计协方差矩阵；基于上一步估计预测值和当前检测值估计下一时刻输出，且检测输出和预测输出间的残差为：4.根据权利要求1至3任一项所述的方法，其特征在于，所述增广深度stsr-lstm网络具有四层结构，分别是序列输入层、全连接层、回归输出层和深度lstm层；所述增广深度stsr-lstm网络的构建，包括：
设每一层的可学习权重是输入权重x、回归权重s和偏差c；且矩阵x、s和c还表示组件的输入和回归权重以及偏差；定义如下矩阵：其中g、j、p和h分别代表遗忘门、输出门、输入门和单元候选门；第k步的单元位置由以下等式确定：d
k
＝g
k
⊙
d
k-1
j
k
⊙
h
k
ꢀꢀꢀ
(6)其中：
⊙
代表hadamard积，用于计算增广深度stsr-lstm网络的向量相乘；隐藏状态的时间步估计为：i
k
＝p
k
⊙
σ
d
(d
k
)
ꢀꢀꢀ
(7)式中：σ
d
为激活函数；采用双曲正切函数测量扩展深度stsr-lstm层中激活函数的状态，时间步如下：输入门：j
k
＝σ
h
(x
j
y
k
s
j
i
k-1
c
j
)
ꢀꢀꢀ
(8)遗忘门：g
k
＝σ
h
(x
g
y
k
s
g
i
k-1
c
g
)
ꢀꢀꢀ
(9)单元候选门：h
k
＝σ
h
(x
h
y
k
s
h
i
k-1
c
h
)
ꢀꢀꢀ
(10)输出门：p
k
＝σ
h
(x
p
y
u
s
p
i
k-1
c
p
)
ꢀꢀꢀ
(11)基于adam函数的加速收敛过程；在算法收敛过程中采用自适应矩估计函数adam，该函数保持了先前平方梯度w
u
的指数衰减平均值；此外，adam函数还可测量第二梯度n
u
的平均值；w
u
和n
u
分别为非中心方差和平均值，具有如下表达式：其中：β1,β2∈[0,1]；进一步，采用下式更新上述两个移动平均函数的学习衰减率：然后通过增广深度stsr-lstm公式进行参数更新：训练和测试结果的数据划分；用户侧和并网侧必须平衡15分钟的平均风力发电量和需求，因此可将其分为多个子集；电力系统供需平衡的管理基于前一天所交付和计算的能源生产计划，一般使用15分钟的时间间隔进行每月、季节和年度风电预测；
基于采样数据的未来时间步长预测和状态网络更新；采用增广深度stsr-lstm网络和状态更新函数预测给定时间序列数据中的未来时间步长值，并改变未来每个预测步的网络状态，以便对未来多个时间步长值进行预测。5.根据权利要求1至3任一项所述的方法，其特征在于，所述基于飞蛾火焰算法的增广深度stsr-lstm网络的参数优化，包括：算法初始化：参数设置及种群初始化；假设飞蛾种群规模为n
m
，待寻优的变量个数为d，与此同时，设火焰数目为n
f
，最大迭代次数为m；飞蛾种群中个体的位置向量初始化为：m
i,j
＝(ub
j-lb
j
)
·
rand(0,1) lb
j
(i＝1,2,
…
,n
m
；j＝1,2,
…
,d)
ꢀꢀꢀ
(15)其中：m
i,j
是第i个飞蛾在第j个搜索维度中的位置；ub
j
和lb
j
表示第j维搜索空间的上下界；进一步，整个飞蛾种群可表示为：其中：k为当前迭代步，且此处取1；根据实际优化需求定义适应度函数fm；飞蛾种群的初始适应度向量为：火焰位置：火焰数自适应计算、蛾类种群适应度排序和火焰位置确定；在飞蛾火焰算法的搜索过程中，飞蛾作为搜索主体，火焰作为当前最优飞蛾位置的集合，其初始数量n
f
等于飞蛾种群大小；由于蛾类位置的更新朝向相应的火焰，若n
f
一直保持较高值将导致开采能力的下降，因此引入下式所示的自适应火焰数；然后，对飞蛾的适应度值进行升序排序，选择第一个n
f
(k)成员生成火焰的适应度向量ff(k)；此外，相应的飞蛾位置被视为火焰的位置f(k)；ff(k)；此外，相应的飞蛾位置被视为火焰的位置f(k)；其中：ff
i
(i＝1,2,
…
,n
f
)为第i个飞蛾的适应度；飞蛾位置更新：基于对数螺旋的重新定位和适应度计算；m
i
(k 1)＝|m
i
(k)-f
j
(k)|
·
e
bλ
·
cos(2πλ) f
j
(k)(i＝1,2,
…
,n
m
；j＝1,2,
…
,n
f
)
ꢀꢀꢀ
(21)
其中：|m
i
–
f
j
|为第i个飞蛾到第j个火焰的距离，λ为[r,1]之间的常数，r的表达式如下：飞蛾位置更新后，得到新的适应度向量fm(k 1)；火焰位置更新：适应度排名和精英保留；将包含重新定位的飞蛾和当前火焰的适应度值的混合适应度函数向量排序并命名为fm
new
：fm
new
＝sort[fm(k 1),ff(k)]
ꢀꢀꢀ
(23)将fm
new
中的第一个项n
f
(k)视为精英，并更新火焰位置向量ff(k 1)；此外，飞蛾种群m(k 1)及其适应度向量fm(k 1)也由新排序向量的第一个n
m
项更新；过程判断：终止条件设置及判断；将当前迭代达到最大迭代次数或可接受的搜索精度作为终止条件；因此，若这两个条件中的任何一个得到满足，整个搜索过程结束；否则，k＝k 1，返回上述步骤进行进一步优化。6.根据权利要求1至4任一项所述的方法，其特征在于，所述所提出的中长期风电功率预测方法的性能验证，包括：基于matlab、demola、python、c/c 软件平台实现所提出算法的代码编写并进行仿真测试；设置风电功率预测中相关的性能指标，通过定量统计和定性分析验证风电功率预测方法的可行性和有效性。7.一种风电功率预测装置，其特征在于，所述装置包括：采集模块，用于风电机组运行数据的采集；预处理模块，用于基于卡尔曼滤波的数据预处理；构建模块，用于增广深度stsr-lstm网络的构建；优化模块，用于基于飞蛾火焰算法的增广深度stsr-lstm网络的参数优化；验证模块，用于所提出的中长期风电功率预测方法的性能验证。8.根据权利要求7所述的装置，其特征在于，所述采集模块具体还用于：设风电机组输出功率为唯一的输出变量y，通过主元法得到地势、海拔、气温、风速、风向等输入变量进行筛选得到n个输入变量作为最终的神经网络模型输入变量{u1,u2,
…
,u
n
}；基于所得的各输入输出变量，以采样间隔t获取风电机组的n组实际运行数据，为保证所得预测模型的普适性和泛化能力，采样数据需充分覆盖机组在不同环境条件下的宽负荷范围运行工况。9.一种电子设备，其特征在于，包括：一个或多个处理器；存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据权利要求1至6任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时能实现根据权利要求1至6任一项所述的方法。

技术总结
本发明提供一种风电功率预测方法及装置。所述方法包括：风电机组运行数据的采集；基于卡尔曼滤波的数据预处理；增广深度STSR-LSTM网络的构建；基于飞蛾火焰算法的增广深度STSR-LSTM网络的参数优化；所提出的中长期风电功率预测方法的性能验证。本发明的风电功率预测方法，提供了一种基于飞蛾火焰算法优化选通递归神经网络深度学习的风电功率预测方法以实现风机功率的精准预测。本发明聚焦于中长期风电功率预测，提出了增广的深度序列到序列长短期记忆回归网络模型来提高预测性能，可有效提高风电功率预测精度。本发明通过飞蛾火焰算法对所用深度学习及神经网络模型中的参数进行优化，从而进一步保证算法性能。从而进一步保证算法性能。从而进一步保证算法性能。


技术研发人员：麻红波 曾凡春 曹利蒲 杨继明 田长风 陈岩磊 张澈 王传鑫
受保护的技术使用者：北京华能新锐控制技术有限公司
技术研发日：2021.11.15
技术公布日：2022/3/4