[发明专利]一种风电功率的区间预测方法

说明书

本发明涉及电力技术领域，尤其是一种风电功率的区间预测方法，具体步骤如下：S1、将风电功率相关数据进行归一化处理，确定卷积神经网络的卷积层和池化层参数以及长短期记忆网络的输入层、隐含层和输出层的神经元数目，全连接层神经元数目，使用卷积神经网络获得风电相关信息的特征图谱作为相关信息的特征图谱作为长短期记忆网络分位数回归的输入信息；S2、确定长短期记忆网络分位数回归中的分位点数目；S3、采用训练完毕的长短期记忆网络分位数回归输出在不同分位点下的预测风电功率分位数，从而描述出风电功率波动范围。本发明通过设置不同的分位点便可得到在不同分位数下的风电功率区间预测结果，从而描述风电功率变化的不确定性。

技术领域

本发明涉及电力技术领域，尤其涉及一种风电功率的区间预测方法。

背景技术

在能源互联网建设的大背景下，将会促使大量可再生能源与新能源发电并接入电力系统中，风电装机容量在全球范围内将继续增加。风力发电的间歇性和不确定性可能造成无法给予电力系统稳定的电力供应，因此准确的风电功率预测对电力系统的安全稳定运行和能源的优化配置意义重大。神经网络通过输入层、隐含层、输出层之间的映射关系，理论上能刻画出任意非线性时间序列之间的复杂关系，因此神经网络被广泛应用于风电功率预测中。现有研究大多数采用浅层神经网络最为预测模型，然而浅层神经网络因其隐含层和神经元数目较少限制了它挖掘风电功率数据内部变化的能力。

风电功率输出容易受到各种不确定因素影响，因此风电功率往往呈现出高度的非线性特征。大多数神经网络预测方法将未来风电功率变化视为确定性变量，模型只能提供风电功率的确定性预测结果，然而未来风电功率是不确定变量，它可能在某个范围内上下波动，若我们忽略这些不确定因素，可能会给电力系统决策人员带来一定的风险。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出的一种风电功率的区间预测方法。

为了实现上述目的，本发明采用了如下技术方案：

设计一种风电功率的区间预测方法，具体步骤如下：

S1、将风电功率相关数据进行归一化处理，确定卷积神经网络的卷积层和池化层参数以及长短期记忆网络的输入层、隐含层和输出层的神经元数目，全连接层神经元数目，使用卷积神经网络获得风电相关信息的特征图谱作为风电相关信息的特征图谱作为长短期记忆网络分位数回归的输入信息；

S2、确定长短期记忆网络分位数回归中的分位点数目，且长短期记忆网络分位数回归的分位点数取值范围为0.01-0.99，间隔为0.01，其中在同一分位点下均运行20次取其平均分位数作为输出分位数；

S3、采用训练完毕的长短期记忆网络分位数回归输出在不同分位点下的预测风电功率分位数，从而描述出风电功率波动范围。

优选的，所述卷积层的计算过程如下：

式中：表示第k-1层的第i个特征图的输出值，表示第k层第j个特征图与第k-1层第i个特征图之间的卷积核，代表第k层的第j个特征图所对应的阀值，N_j代表输入的特征图的集合，代表第k层的第j个特征图的输出值，f(·)为激活函数。

优选的，所述池化层是非线性下采样的一种形式，最大池化方式是对邻域内特征点取最大值。

优选的，长短期记忆网络通过在隐含层中添加遗忘门、输入门、输出门来有效地挖掘时间序列中信息的时序依从关系；每个时刻长短期记忆网络单元通过三个门接收当前数据输入x_t和上一隐含状态h_t-1和记忆单元状态C_t-1，则长短期记忆网络的计算过程如下：

遗忘门帮助长短期记忆网络决定哪些信息将从记忆单元状态中删除：