基于LSTM神经网络的风电功率预测研究.pdf
《基于LSTM神经网络的风电功率预测研究.pdf》由会员分享,可在线阅读,更多相关《基于LSTM神经网络的风电功率预测研究.pdf(5页珍藏版)》请在咨信网上搜索。
1、收稿日期:2022-03-24作者简介:李润金(1998-),男,辽宁葫芦岛人,硕士研究生。基于LSTM神经网络的风电功率预测研究李润金a,李丽霞b(沈阳工程学院 a.电力学院;b.自动化学院,辽宁 沈阳 110136)摘要:风力发电是目前世界可再生能源中技术最完善、最具规模化的发电方式。风电并网过程中高精度的风电功率预测成为电力调度与平抑并网波动的重要手段,针对风力机组出力的不确定性及可控性差的问题,本文提出基于长短时记忆(LSTM)神经网络的短期风电功率预测模型。综合考虑气象条件对预测结果的影响,利用带自反馈的神经元提取时间序列的特征,实现短期风功率预测。通过风力发电厂真实数据对模型进行验
2、证,并与其他预测算法相比较,本文所提出的方法预测精度较高,对短期风电预测具有良好的适用性。关键词:风力发电;功率预测;LSTM神经网络中图分类号:TM614文献标识码:A文章编号:1673-1603(2023)03-0014-05DOI:10.13888/ki.jsie(ns).2023.03.003第 19 卷第 3 期2 0 2 3 年 7 月Vol.19 No.3Jul.2023沈阳工程学院学报(自然科学版)Journal of Shenyang Institute of Engineering(Natural Science)随着化石能源的不断消耗,火电行业对环境造成的污染日益严重,而
3、风能、太阳能、潮汐能等清洁能源得到大力发展。由于风力资源丰富及转换技术逐步成熟,风力发电得到众多国家重点扶持。但由于风速不稳定,存在波动性、随机性等特点,风电发展很大程度上受到制约。如何帮助电网及时调整计划,提高风电系统可靠性,成为亟待解决的关键问题。因此,风电场的短时风功率预测受到研究学者们的广泛关注。精度高的风功率预测不仅可以提高风电并网的稳定性,还可以解决风储系统的过充和过放问题。功率预测研究方法可以分为物理方法、统计方法和人工智能方法。物理模型的优点在于长期的风电场监测数据,较适合于研究新的风电场。人工智能方式本质上是对大量的系统信息加以训练,提取输入与输出的关系。目前,人工智能方法在
4、功率与负荷预测方面得到快速的发展。文献 1 通过EMD经验模态分解与长短期记忆网络相结合的方法对负荷预测,得到良好的预测结果。文献 2 提出了基于集成多尺度LSTM短时功率预测方法,通过集成不同尺度时间数据结果进行短时风功率预测。文献 3 基于实际负荷数据考虑历史负荷和其他影响因素建立负荷预测模型。文献 4 通过采集15 min实际数据,构建大数据模型,利用LSTM处理大数据方面的优势,实现预测的滚动更新及风力发电的短期预测。但是,这些文献中考虑的变量不够充分,没有考虑不同环境因素对风电出力情况的影响,因此预测精度不够理想。本文在此基础上,通过建立LSTM模型,将风速、风向、温度、湿度等不同环
5、境因素对风功率的影响作为模型的多变量输入,利用风电场真实数据训练模型,通过评价指标验证长短时记忆模型精度。1LSTM神经网络LSTM神经网络是循环神经网络(RNN)的一个变体,能够更高效地处理简单RNN的梯度爆炸或消失问题5。LSTM模型的关键是引入了一组记忆单元,使得网络能够学习何时遗忘历史信息以及何时用新信息更新记忆单元。在t时刻,记忆单元ct记录了到当前时刻结束的所有历史信息并受3个“门”控制:遗忘门ft、输入门it和输出门ot。3个门的元素值在 0,1 之间。遗忘门ft控制每一个内存单元需要多少信息,输入门it控制每一个内存单元加入多少新的信息,输出门ot控制每一个内存单元输出多少信息
6、6-7。在t时刻LSTM的更新方式如下:it=(Wixt+Uiht-1+Vict-1)(1)ft=(Wfxt+Ufht-1+Vfct-1)(2)ot=(Woxt+Uoht-1+Voct-1)(3)c=tanh(Wcxt+Ucht-1)(4)ct=ftct-1+itct(5)ht=ottanh(ct)(6)式中,xt为t时刻的输入;为Logistic函数;ht-1为t-1时刻的外部状态;Vi、Vf、Vo为对角矩阵;ct-1为t-1时刻记忆单元;c为通过非线性函数得到的候选函数;Wf、Wi、Wc、Wo为对应门与输入xt和中间隐藏层输出ht-1相乘的权重矩阵。当ft=0、it=1时,记忆单元将历史信
7、息清空,并将所有候选状态c载入,此时记忆单元ct依然和t-1时刻历史信息相关;当ft=1、it=0时,记忆单元将复制t-1时刻的内容,不载入新的信息。LSTM模型计算结构如图1所示。图1LSTM模型计算结构LSTM神经网络参数通过梯度下降法进行学习8。给定一个训练样本(x,y),x1:T=(x1,xT)为长度是T的输入序列,y1:T=(y1,yT)为长度为T的标签序列。定义时刻t的损失函数为t=yt,g(ht)(7)其中,g(ht)为第t时刻的输出,为可微分的损失函数,表达式为=t=1Tt(8)整个损失函数关于参数U的梯度为U=t=1TtU(9)在LSTM神经网络中,计算梯度方式为随时间反向传
8、播,图2为误差项随时间反向传播算法示例,其损失函数对参数U、W、b梯度计算公式如下:Zk=Uhk-1+Wxk+bU=t=1Tk=1tt,khTk-1W=t=1Tk=1tt,kxTkb=t=1Tk=1tt,k(10)式中,Zk为隐藏层在每个时刻k(1 k t)的净输入;误差项t,k为第t时刻的损失对第k时刻隐藏层的净输入Zk的导数9。图2误差项随时间反向传播2数据分析文中数据为某风电厂提供的2019年的实际数据,包括不同高度的风速、风向、温度、气压、湿度及发电数据,数据样本为 15 min 粒度集气象信息。图3为某天风速与温度气象数据。从图3可以看出一天的气象变化趋势,风速具有不确定性,温度在第
9、 3 期李润金,等:基于LSTM神经网络的风电功率预测研究15第 19 卷沈阳工程学院学报(自然科学版)下午出现最大值,基本符合实际的物理规律。这些影响因素会给预测精度造成一定的干扰。a 风速气象数据b 温度气象数据图3风速与温度气象数据LSTM神经网络采用梯度下降反向传播算法进行训练。当数据过大或过小时,很难寻找到最佳解,将数据归一化到 0,1 区间,有利于模型的求解。采用最大最小归一化方法将序列中每一个元素归一化处理,公式如下:Xo=X-XminXmax-Xmin(11)式中,Xmax为最大值;Xmin为最小值;X为原始值;Xo为归一化值。常用的风电功率预测评价指标包括均方根误差、平均绝对
10、误差和平均绝对百分比误差等,其公式如下:eMAE=1Ni=1N|Pi-Pi(12)eRMSE=1Ni=1N(Pi-Pi)2(13)eMAPE=1Ni=1N|Pi-PiPi 100%(14)式中,N为总训练样本;Pi为预测功率;Pi为实际功率。3算例分析风电功率受到风速的影响,其随机性较高,同时受到温度、湿度、风向等随机因素影响,具有较强的不确定性。因此,选择LSTM神经网络作为风电功率预测模型,并根据风电厂的历史数据进行网络训练。具体步骤:首先,对风场数据进行预处理与归一化处理;其次,将训练集数据送入LSTM神经网络模型进行训练;再次,建立风力发电预测模型;最后,通过LSTM神经网络具有的遗忘
11、门、输入门和输出门进行处理。本文选取西北某风电场 2019 年 1 月 1 日到2019年4月3日的风电功率数据进行预测模型验证。风电场采集序列为15 min粒度集,共8 928组数据。其中,训练集与测试集按照10 1比例进行划分,2019年1月1日到3月31日共8 640组样本数据作为训练集,4月1日到4月3日共288组样本数据作为测试集。图4为LSTM模型考虑温度、风速、湿度、气压环境因素的功率预测结果。从图 4 中可以看出:LSTM模型预测功率的变化趋势与实际功率变化趋势基本相同,LSTM模型能够更好地拟合实际功率曲线,具有较好的预测精度和预测效果。图4功率预测结果16为进一步分析模型性
12、能,统计并计算了3天内的功率实际值、预测值及MAPE指标,如表1所示。由表1可知:LSTM模型在3天内的MAPE最大指标为4.314 3,最小指标为0.000 6,更进一步表明所提出的模型具有较高的预测精度。表13天内不同时间预测结果时间/h243036424854606672788490实际值/MW199.421193.256122.5183.649131.86426.7841.7665.578127.424174.622138.09343.410预测值/MW157.829183.432122.4428.081154.12038.6439.3855.548163.332158.928135.
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 LSTM 神经网络 电功率 预测 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。