[发明专利]一种短期风电功率预测方法、装置及计算机可读存储介质

说明书

本申请提供了一种短期风电功率预测方法、装置及计算机可存储介质。其中，该方法包括：终端设备采集历史数据，该历史数据可以包括风速；通过变分模态分解VMD对历史数据进行模态分解，得到P个模态分量，P为大于等于1的正整数；基于近似熵将P个模态分量重构为N个子序列，N≤P；基于改进鲸鱼优化算法WOA对长短期记忆网络LSTM神经网络模型进行参数优化，得到最优LSTM参数；基于重构后的N个子序列和最优LSTM参数构建短期风电功率预测模型；将预测数据输入短期风电功率预测模型，得到短期风电功率的预测结果。通过本申请提供的技术方案，可以改善风电功率间歇性与波动性问题，提升短期风电功率预测的精度。

技术领域

本申请涉及新能源发电和智能电网技术领域，尤其涉及一种短期风电功率预测方法、装置及计算机可读存储介质。

背景技术

在全球二氧化碳排放量巨大的背景下，风力发电技术飞速发展。风能的强波动性和间歇性为电力系统正常运行带来了更高运行要求，因此，降低风力发电并网引起的运行风险，对风电功率进行精准预测是合理控制与调整并网技术的重要保障。

近年来，长短期记忆(long-short term memory，LSTM)网络在短期风电功率预测领域取得了较好的应用，LSTM网络可以充分挖掘时序数据之间的内在关联，但在分析非连续数据时，预测精度不高。因此，如何提高风电功率的精准预测是目前亟待解决的问题。

发明内容

本申请实施例提供一种短期风电功率预测方法、装置及计算机可读存储介质，可以提高风电功率的精准预测。

第一方面，本申请提供了一种短期风电功率预测方法，该方法可以应用于计算机设备，也可以应用于计算机设备中的模块(例如，芯片或处理器)，还可以应用于能实现全部或部分计算机设备功能的逻辑模块或软件。下面以执行主体是计算机设备为例进行描述。该方法包括：计算机设备采集历史数据，该历史数据包括风速；通过变分模态分解(variational mode decomposition，VMD)对历史数据进行模态分解，得到P个模态分量(intrinsic mode functions，IMF)，P为大于等于1的正整数；基于近似熵将P个模态分量重构为N个子序列，N≤P；基于改进鲸鱼优化算法(the whale optimization algorithm，WOA)对长短期记忆网络(long-short term memory，LSTM)神经网络模型进行参数优化，得到最优LSTM参数；基于重构后的N个子序列和最优LSTM参数构建短期风电功率预测模型；将预测数据输入短期风电功率预测模型，得到短期风电功率的预测结果。

结合优化算法和神经网络在风电功率预测领域具有较大的应用价值，本申请提供的方案基于改进VMD和近似熵结合改进WOA对LSTM模型进行改进，将其应用于风电功率预测得到短期风电功率预测模型。由于鲸鱼优化算法具有参数少，结构简单和预测精度高等优点，利用改进后的鲸鱼优化算法对对LSTM神经网络中的参数进行优化训练，可自动选出最优LSTM参数，提高模型的精准性，从而提升短期风电功率预测的精度。

在一种可能的实现方式中，所述基于改进WOA对LSTM神经网络模型进行参数优化，得到最优LSTM参数，包括：将所述LSTM神经网络模型的待优化参数作为所述改进WOA的初始化解；采用所述改进WOA对所述LSTM神经网络模型的待优化参数进行寻优得到所述最优LSTM参数。

在一种可能的实现方式中，所述采用所述改进WOA对所述LSTM神经网络模型的待优化参数进行寻优得到所述最优LSTM参数，包括：初始化所述改进WOA的参数；确定所述改进WOA当前最优值与最优解；根据所述鲸鱼当前最优值与最优解得到最优LSTM参数。