买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连理工大学

摘要：本发明属于数据科学技术领域，涉及自回归修正的LSTM智能风电场超短期功率预测方法。本发明根据最近时刻的实际功率对未来4小时16个时刻点功率趋势进行预测，并使用该预测值修正利用LSTM预测的短期功率，实现历史功率数据与气象数据的特征结合，提高超短期预测中在风速快速变化或其他因素影响的功率剧烈抖动时的预测准确率，同时加快超短期预测的速度。本发明实现了自回归修正的LSTM智能风电场超短期功率预测方法，结合深度学习、自回归预测等技术，最终为风电场在风电功率超短期的精准预测领域提供了理论依据与实践经验。

主权项：1.自回归修正的LSTM智能风电场超短期功率预测方法，其特征在于，步骤如下：步骤一：获取风电场历史NWP数据、历史实际功率数据、未来24小时NWP数据，并对数据进行预处理；步骤二：构建LSTM深度学习框架，以历史NWP数据作为特征，对应的历史实际功率数据作为标签，进行模型训练，学习NWP数据与功率之间的对应关系；步骤三：根据历史实际功率的特征，对其进行单特征的自回归建模，找到未来时刻功率与之前时刻功率之间的联系；步骤四：将未来24小时NWP数据输入进LSTM神经网络，得到24小时的短期预测功率；利用步骤三中构建的自回归模型，滚动预测未来4小时的功率变化趋势，修正相应时段内的短期预测功率，得到超短期预测功率；步骤五：根据步骤四中得到的超短期预测功率计算准确率，并将其上传至调度机构，以便进行实时电力调度；所述步骤一的数据预处理，具体步骤如下：步骤1.1：对NWP数据以及实际功率数据进行筛查，查找缺失数据，对缺失数据前后的完整值取平均，填充至缺失位置，进行平滑处理；步骤1.2：在原有的每一时刻的NWP数据上，增添新的统计特征，其中包括上一点风速值、上一点风向、近三点风速最大值和平均值，以强化特征的历史信息；共得到n维气象特征；步骤1.3：对气象特征X以及实际功率P进行归一化处理，其中对于除风向以外的气象特征采用进行归一，其中分别为各维度非风向气象特征的最大值、最小值与平均值；对于风向特征，采用进行归一化；均为归一化后的数据；所述步骤二LSTM模型的构建与训练，具体步骤如下：步骤2.1：以第t个时间点为例，首先利用注意力机制对输入特征进行处理，将特征传入全连接神经网络，得到与输入维度相同的输出，作为特征注意力系数；其中是可学习的权重矩阵，为偏置向量；为Sigmoid激活函数，；对使用Softmax函数进行归一化处理，得到，其中有；将归一化后的注意力权重矩阵与输入特征进行内积运算，得到；步骤2.2：其中LSTM包括输入层、隐含层、输出层；隐含层为LSTM单元细胞，细胞中包括输入门、遗忘门、输出门三种计算单元；步骤2.3：在t+1时刻，将与、输入到LSTM中，得到、，在t+2与t+3时刻，重复上述步骤，得到、；将向量输入至输出层，输出层是带有激活函数tanh的全连接神经网络，输出维度为1，输出含义为t+3时刻功率预测值；步骤2.4：计算步骤2.3中得到的功率预测值与实际功率值的均方误差（MSE），并通过神经网络Adam优化器对网络参数进行反向传播；步骤2.5：以大小为4的窗口在训练集上以1为步长进行滑动，将窗口第一个时刻作为t时刻，重复步骤2.2-2.4，每滑动一次均对、进行初始化；步骤2.6：在窗口滚动结束后，重新回到训练集起点进行滚动，直至功率预测值与实际功率值的均方误差收敛；至此，得到一个可以根据NWP数据对功率进行预测的神经网络模型；所述步骤三的根据历史功率信息进行自回归建模，具体步骤如下：步骤3.1：获取历史功率数据，对其进行时间序列平稳性检验（ADF），当结果表明数据不平稳，需要对数据进行d阶差分处理，直至通过平稳性检验；步骤3.2：使用处理后的数据绘制自相关图（ACF）以及偏自相关图（PACF），根据两图特征确定自回归模型；步骤3.3：使用确定好的模型对历史功率数据进行拟合。

全文数据：

权利要求：

百度查询： 大连理工大学 自回归修正的LSTM智能风电场超短期功率预测方法