一种基于长短期记忆神经网络的规模风电超短期功率预测误差修正方法

摘要

本发明提供一种基于长短期记忆神经网络(Long Short‑TermMemory，LSTM)的规模风电超短期功率预测误差修正方法，包括：首先利用改进的核密度估计得出误差的概率密度曲线；其次，采用LSTM对预测误差数据进行深度学习，以风电的预测误差为输入，以下一时刻的误差为输出，得到误差的预测值；最后，根据粒子群算法得到合适的置信区间对误差进行合理分层，根据分层区间和误差预测值，结合风电预测误差的时序特征，制订预测误差的分层补偿策略，得到一种具有较强泛化性的预测误差补偿模型。

说明书

技术领域

本发明涉及新能源发电领域，具体是一种基于长短期记忆神经网络的规模风电超短期功率预测误差修正方法。

背景技术

在能源结构低碳化转型的背景下，构建以新能源为主体的新型电力系统将成为实现“碳达峰”“碳中和”目标的重要手段。随着我国风电并网规模不断扩大，由风电出力的间歇性和波动性导致的电网运行安全问题日益突出，给电网调控运行造成了严重困难。

目前解决风电调度问题的重要方向就是对未来一段时间的风电出力进行预测，包括(超)短期预测、中期预测、长期预测。而风电功率预测方法根据使用的数据来源不同主要分为统计学习方法(时间序列分析模型、人工神经网络模型、支持向量机模型等)和物理方法(NWP)。

当前(超)短期预测的相关研究中，利用模型进行预测误差的方法在小误差情形下容易过补偿，在大误差情形下容易欠补偿，误差补偿量不能匹配误差需求。而利用误差概率密度特征进行误差重新估计的方法，其参数估计方法对风电“尖峰厚尾”特性的概率分布密度曲线拟合能力较差，且泛化能力较弱；非参数估计方法只根据样本数据就可以计算误差的概率密度函数，但单纯通过非参数估计预测误差未能考虑其时序特性，其预测效果差强人意。

发明内容

针对现有技术的不足，本发明结合模型预测和概率密度特征估计两种方法的优点，提出一种基于长短期记忆神经网络的规模风电超短期功率预测误差修正方法，可以提升误差补偿需求与误差补偿量的适配程度以及提升误差概率分布密度曲线拟合水平及其普适性，确定预测误差的不确定度并进行误差补偿，进而达到提升风电出力预测精度的目的。

本发明提供一种基于长短期记忆神经网络的规模风电超短期功率预测误差修正方法，包括以下步骤：

步骤S1：建立LSTM风电误差预测模型；

步骤S2：引入步骤S1中LSTM风电误差预测模型，以风电功率预测误差为输入，获取下一时刻风电误差预测值；

步骤S3：改进核密度估计方法，形成自适应核密度估计方法，获取风电误差概率密度曲线；

步骤S4：利用步骤S3中所得风电误差概率密度曲线与风电数据特征，基于粒子群算法进行置信度自适应求取，将风电预测误差合理分层；

步骤S5：综合步骤S2中所得风电误差预测值与步骤S4中所得预测误差分层，采用分层补偿策略修正风电出力预测值。

进一步的，所述步骤S2具体包括：

对风电预测误差采用Z-score标准化进行归一化，将其数值归算到区间[-1,1]内，归一化方法如公式(1)所示：

式中y为误差的实际值，y

对风电预测误差进行归一化处理后，经过步骤S1中所述LSTM风电误差预测模型输出即获得下一时刻风电功率误差预测值。

进一步的，所述步骤S3具体包括：

步骤S301:根据已知的风电出力实际值和预测值得到风电场预测误差，并得到误差的概率分布，假设有n个风电预测误差数据，依次为x

其中，h为带宽，K(.)为核函数；

S302：求取固定最优带宽h

式中：Z

针对存在拟合优度较低问题的区间，利用带宽调整模型修正带宽，如公式(5)示：

式中：h

综上，得到改进的误差波动量非参数核密度估计模型，如公式(6)～(8)所示：

式中：k为需要修正带宽的样本区间个数，k的值根据λ而定；

最终，将风电场预测误差做为变量带入公式(6)～(8)得到风电误差概率密度曲线。

进一步的，所述步骤S4具体包括：

S401：通过改进粒子群算法得到最优置信度：初始阶段根据概率密度曲线得到置信度的初始解，根据初始的置信度得到初始粒子群，更新粒子的位置和速度后得到误差分层的区间，然后将抽样得到的若干个样本放入后续LSTM模型型中得到误差的预测值，根据误差的预测值、已知的一次预测值、已知的实际出力以及分层补偿规得到若干个样本的误差补偿后的风电出力预测值，进而求得若干样本的评价指标即RMSE值，最后取样本中评价指标的均值判断其是否满足精度要求，若不满足更新粒子的位置和速度继续重复上述过程，若满足则结束，得到最优的置信度取值；

S402：通过求取的置信度得到相应的置信区间，将风电预测误差概率密度曲线分成若干个区间，依据风电功率实际值处于这两个置信区间中的位置，实现对误差进行分层：当实际值处于置信度小的置信区间内时，说明此时误差较小，将该误差层称为小误差层；当实际值处于置信度大的置信区间以外时，说明此时误差较大，将该层称为大误差层；当实际值处于两个置信区间临界值之间时，误差处于中等水平，将该层称为中误差层。

进一步的，所述步骤S5具体包括：

选取上一时刻的预测误差值e

1)当e

2)当e

式中|ξ

如果e

本发明根据分层区间和误差预测值，结合风电预测误差的特点，采用改进粒子群算法对误差进行分层处理，制订预测误差的分层补偿策略，该方法适用于不同风电场，且改善了直接补偿误差产生的过补偿或欠补偿现象，得到一种具有较强泛化性的预测误差补偿模型，通过对比误差补偿前后的的指标，可以看出风电出力的预测精度显著提升，为电网调度或网架重构提供参考，可以最大化电网投资的效益。

附图说明

图1为本发明基于LSTM的规模风电超短期功率预测误差修正方法的流程图；

图2为本发明基于LSTM的规模风电超短期功率预测误差修正方法的详细实施步骤示意图；

图3为本发明LSTM网络块的基本结构图；

图4为本发明基于粒子群算法的置信度自适应求取方法的流程图；

图5为本发明对误差进行分层的示意图；

图6为本发明LSTM风电超短期功率预测误差修正效果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种基于长短期记忆神经网络的规模风电超短期功率预测误差修正方法，首先需要得到误差的概率密度曲线，对此本发明使用非参数估计中的核密度估计来拟合曲线并对其进行了改进；其次，长短期记忆网络(LongShort-TermMemory,LSTM)在预测误差问题上能够有效学习误差序列数据中的规律信息，并且同时兼顾误差数据的时序性，本发明采用LSTM模型对预测误差数据进行深度学习，以前若干个时步的误差为输入，以下一时刻的误差为输出，通过大量数据的反复训练，得到误差的预测值；然后，根据粒子群算法得到合适的置信区间对误差进行合理分层；最后根据分层区间和误差预测值，结合风电预测误差的特点，制订预测误差的分层补偿策略，得到一种具有较强泛化性的预测误差补偿模型。

请参阅图1及图2，所述方法包括以下步骤：

步骤S1：建立长短期记忆网络(LongShort-TermMemory,LSTM))风电误差预测模型。

一般的神经网络模型无法学习随机波动较强的风电和预测误差数据，因此得到的误差预测值可能不够准确。为了有效地学习到误差序列数据中的规则信息，同时兼顾功率和误差数据的时序性和非线性关系，本发明采用LSTM模型对误差类别数据进行深度学习，进而得到预测值的误差。

LSTM单元的工作流程如下：在每一时刻，LSTM单元都经过3个门来接收2类外部信息的输入，分别为目前状态x

图3显示了LSTM网络在单个时间步内的计算内部过程，因为LSTM网络可以长时间学习输入数据的依赖信息，以防止梯度消失和梯度爆炸的传递，从而增强捕捉时序动态变化的能力，因此LSTM在风速、风功率预测方面有着广泛的应用研究。本发明引入深度学习进行误差预测，充分考虑误差在时序中的特点，大大提高了风电误差预测的准确性。

神经网络的预测步骤通常是利用历史数据训练神经网络，建立输入与输出的关系，训练完成后，现有输入数据用于预测未来数据。风电超短期预测LSTM网络的建立主要需要确定模型的5个超参数，即输入层的时间步数、输入层的维度、隐藏层的数量、每个隐藏层的维度和输出变量的维度。输入层时间步长等于用于风电误差预测的可变时间序列的长度。要确定这个参数，既要考虑预测知识的完整性，也要考虑模型训练的有效性。一方面，历史序列长度过短会导致预测知识的丢失，限制了预测精度的提高；另一方面，过长的历史序列会增加模型训练的难度，降低模型的预测性能。超参数的设置需要根据实际数据的特点来确定。

为了综合确定本发明预测模型的优越性，分别选择决定系数(R

式中:y

步骤S2：引入步骤S1中LSTM风电误差预测模型，以风电功率预测误差为输入，获取下一时刻风电误差预测值。

从风电场得到风电历史出力的实际值和预测值，个别实际发电能力为负的数据是此时的风电场没有出力，但风电场内部一些会有一些损耗，此类数据按出力为零处理。此外通过实际的预测误差数据可以发现，其误差数值差别很大，为避免神经元饱和，同时也为平等地考虑每一种变量对风电功率的作用，需要对变量和风电功率时间序列进行归一化处理。对风电预测误差采用Z-score标准化进行归一化，将其数值归算到区间[-1,1]内，归一化方法应如公式(7)所示：

式中y为误差的实际，y

经此归一化处理，经过S1中所述LSTM风电误差预测模型输出即可获得下一时刻风电功率误差预测值。

步骤S3：改进核密度估计方法，形成自适应核密度估计方法，获取风电误差概率密度曲线。所述步骤S3具体包括：

步骤S301:根据已知的风电出力实际值和预测值得到预测误差，并得到误差的概率分布。假设有n个风电预测误差数据，依次为x

其中，h为带宽(band_width)，K(.)为核函数，核函数可以有多种，但其并不是影响拟合度的关键因素，本发明选取高斯核，应如公式(9)所示：

带宽h是一个超参数，是决定核密度函数估计结果的关键因素。h越小相邻空间中参与拟合的点越少，即密度曲线越陡峭；h越大相邻空间中参与拟合的点越多，即密度曲线越平滑。在核密度估计中，h是根据积分平方误差(ISE)和平均积分平方误差(MISE)两个指标函数来计算的，分别对应公式(10)、公式(11)：

式中：y(x)是概率密度直方图的纵坐标；

取用使平均积分平方误差最小化的h作为核密度函数的带宽，如公式(12)所示，令MISE为：

其中AMISE为渐进的MISE，如公式(13)所示，AMISE为

其中R(g)、m

R(g)＝∫g(x)

m

为了使MISE(h)最小，则转化为求极点问题，求解过程如公式(16)、公式(17)所示：

S302:传统核密度估计模型采用的是固定带宽h，只求取单个h，使得所建模型的拟合优度最优。该方法可能存在局部拟合优度较低的情况，即对于个别样本区间，均方根误差和平均绝对误差存在异常大的情况。本发明针对性的修改这些样本数据所对应的带宽h，求解出自适应带宽，从而改变原有的一个固定带宽，得到一组自适应带宽向量，即可保证所建概率模型的局部自适应特性，并进一步提升模型的拟合优度。

利用上述方法求取固定最优带宽h

式中：Z

针对存在拟合优度较低问题的区间，利用带宽调整模型修正带宽，如公式(20示：

式中：h

综上，可以得到改进的误差波动量非参数核密度估计模型，如公式(21)～(23)所示：

式中：k为需要修正带宽的样本区间个数，k的值根据λ而定；

最终，将风电场预测误差做为变量带入公式(21)～(23)得到风电误差概率密度曲线。

S4：利用步骤S3中所得风电误差概率密度曲线与风电数据特征，基于粒子群算法进行置信度自适应求取，将风电预测误差合理分层。

在确定误差概率密度曲线后，根据分析对象数据特征选取一低一高两个不同的置信度水平(如95％和85％)作为分层标准，并根据预测误差计算风电功率预测值的置信区间。步骤S4具体包括：

S401：通过改进粒子群算法得到最优置信度。

当置信度取值过大时，误差层的覆盖范围也较大，当误差值相对较大时才开始得到补偿，因而易导致误差欠补偿。反之，当置信度取值过小时，误差层的覆盖范围较小，即当误差值相对较小时就开始得到补偿，此时易导致误差过补偿，应根据风电系统超短期预测的误差水平确定适合其自身的分层标准。

本发明此处使用基于粒子群算法的置信度自适应求取方法，在大多数情况下，预测误差概率密度曲线是可以看作对称的，所以计算单侧概率密度累积值可以判断总体误差水平。初始阶段可根据概率密度曲线得到置信度的初始解，较好的初始解可以极大的减少智能算法的迭代次数。根据初始的置信度得到初始粒子群，更新粒子的位置和速度后得到误差分层的区间，然后将抽样得到的若干个样本放入后续LSTM模型型中得到误差的预测值，根据误差的预测值、已知的一次预测值、已知的实际出力以及分层补偿规则可以得到若干个样本的误差补偿后的风电出力预测值，进而求得若干样本的评价指标即RMSE值，最后取样本中评价指标的均值判断其是否满足精度要求，若不满足更新粒子的位置和速度继续重复上述过程，若满足则结束，得到最优的置信度取值。求解置信度的流程图如图4所示。

S402：通过求取的置信度得到相应的置信区间，将风电预测误差概率密度曲线分成若干个区间，依据风电功率实际值处于这两个置信区间中的位置，实现对误差进行分层，如图5所示。当实际值处于置信度小的置信区间内时，说明此时误差较小，将该误差层称为小误差层；当实际值处于置信度大的置信区间以外时，说明此时误差较大，将该层称为大误差层；当实际值处于两个置信区间临界值之间时，误差处于中等水平，将该层称为中误差层。由此，可以得到根据历史预测误差构建的预测误差分层体系。由于误差可能存在正误差和负误差，因而在改误差分层体系中正负两侧均存在有大、中、小3个误差层。

S5：综合步骤S2中所得风电误差预测值与步骤S4中所得预测误差分层，采用分层补偿策略修正风电出力预测值。

当下一时刻预测误差的趋势已知时，就可以进行准确的补偿。由于预测误差也被视为具有记忆性的随机时间序列，因此选取上一时刻的预测误差值(记为e

1)当e

2)当e

式中|ξ

当

表1预测误差分层补偿方法

下面为说明本发明提出方法的有效性，使用TensorFlow2.0和Keras深度学习框架构建LSTM网络，此模型为多输入多输出的模型，模型通过标准的开源平台Tensorflow2.0进行编程和训练。LSTM模型的所有程序都是在Python平台上实现的，可使用GPU来加速深度神经网络的训练过程。本发明中的所有模型都使用RmsProp优化器进行训练，批次大小为32。

选用国内锡林郭勒地区某风电场数据，包含风电实际出力和预测出力，训练结果如图6，可以看出风电场给出的预测值与实际值偏差较大，经LSTM对误差进行修正后，精度明显提升，使用本发明分层补偿方法后，预测精度进一步提升，达到了较为理想的水平。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。