[发明专利]一种基于DWT和LSTM的短期风力发电功率预测方法及系统

说明书

本发明涉及分布式可再生能源的技术领域，更具体地，涉及一种基于DWT和LSTM的短期风力发电功率预测方法及系统，包括：将风力发电功率原始数据分解成低频信号和高频信号；采用z‑score标准化方法对低频信号和高频信号进行标准化处理，并使得标准化后的数据服从正态分布；将低频信号和高频信号按时间排序分为训练集、验证集以及测试集；采用独立的LSTM对训练集和验证集进行训练，并对每个信号的测试集进行预测得到各分量预测值，对各分量预测值求和得到预测结果。本发明能够更加充分地挖掘数据中近似信号包含的主要信息和细节信息包含的次要信息，能够有效地避免梯度消失和梯度爆炸的问题，能够较好地提升风力发电功率的预测精度。

技术领域

本发明涉及分布式可再生能源的技术领域，更具体地，涉及一种基于DWT和LSTM的短期风力发电功率预测方法及系统。

背景技术

全球可再生能源一直呈现高速增长之态，其中风力发电呈指数级增长，重要性日益凸显。环境污染和能源危机的日趋严重使世界各国不断加大对风力发电的重视程度，展开了大量相关的研究工作。风电大规模并网可以缓解供电紧张的问题，然而，由于风能具有一定程度的随机不确定性、非平稳性、波动性和易变性，其并网功率越大，对电网造成的冲击越大，会影响到电力系统的稳定和安全。

近期，有相关规定出台，要求并网的风电场建立独立的风力发电功率预测系统，根据预测功率数据进行调度和规划来确保电网稳定运行，并对预测误差过大的风电场采取相应的惩罚措施。随着风力发电所占比重及其并网规模的逐渐增大，风能的不确定性、非稳定性、波动性和易变性无法为电网的调度和规划提供可靠的数据参考，也无法确保电网的安全稳定运行。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于离散小波变换(DWT)和长短期记忆网络(LSTM)的短期风力发电功率预测方法及系统，充分考虑风力发电功率数据的非平稳性、波动性、随机性、易变性和时序性，能充分地挖掘风力发电数据中近似信号包含的主要信息和细节信号包含的次要信息，并有效地学习数据中包含的时序性关系，提高风力发电功率的预测精度。

为解决上述技术问题，本发明采用的技术方案是：

提供一种基于DWT和LSTM的短期风力发电功率预测方法，包括以下步骤：

S10.采集风力发电功率原始数据，并采用DWT将风力发电功率原始数据分解成低频信号和高频信号；

S20.采用z-score标准化方法对步骤S10中的低频信号和高频信号进行标准化处理，并使得标准化后的数据服从正态分布；

S30.将步骤S20中标准化后的低频信号和高频信号按照时间排序分为训练集、验证集以及测试集；

S40.采用独立的LSTM对每个信号的训练集和验证集进行训练，并对每个信号的测试集进行预测得到各分量预测值，对各分量预测值求和得到预测结果。

本发明的基于DWT和LSTM的短期风力发电功率预测方法，采用离散小波变换的应用使得后续的训练过程能够更加充分地挖掘数据中近似信号包含的主要信息和细节信息包含的次要信息，能够较好地提升风力发电功率的预测精度；由于风力发电功率预测时典型的时间序列预测问题，LSTM是循环神经网络的改良变体之一，能够有效地避免梯度消失和梯度爆炸的问题，对时间序列进行动态建模，从而更好地对数据进行学习，更有效地利用历史数据对未来数据的影响以提高预测精度。

优选地，步骤S20中，标准化后的数据z(t)服从正态分布：

式中，x′(t)表示风力发电功率原始数据x(t)分解后的信号(a_n,d₁…d_n)，x′_mean和x′_std分别为x′(t)的均值和标准差。