[发明专利]一种基于邻域门长短期记忆网络的风速预测方法及系统

说明书

本发明属于风速预测技术领域，公开了一种基于邻域门长短期记忆网络的风速预测方法及系统，分别采用皮尔逊相关系数和最大信息系数来探究变量间的线性和非线性相关性以筛选风速相关因子；在相关性分析的基础上利用格兰杰因果关系检验探究风速及风速因子在统计意义上的因果关系；将因果关系的结构分为5类，并通过“分解‑虚变量‑剪枝”的方法将所有类型的因果关系统一为一种等价树因果关系结构；针对等价树因果关系结构，提出基于邻域门的长短期记忆网络模型来预测风速。本发明的预报方法(NLSTM)精确考虑了风速及风速因子之间的因果关系，有效提高了风速的预测精度，对风电的应用和电网的调度具有至关重要的作用。

技术领域

本发明属于风速预测技术领域，尤其涉及一种基于邻域门长短期记忆网络的风速预测方法及系统。

背景技术

目前，业内常用的现有技术是这样的：

风能是一种有前景的可再生清洁能源，近年来受到来自世界各地的广泛关注。越来越多的风电接入电力系统，使得电力系统变得不可靠，这是由风速的强波动性和强随机性造成的。因此，精确预测风速对风能的利用和电力系统的高效调度具有至关重要的作用。风速受诸多气象因子的影响，包括气压，温度，湿度等因子。因子之间错综复杂的关系使得风速预测变得困难，传统机器学习方法预测风速所能达到的精度有限。

深度学习方法长短期记忆网络(LSTM)在解决像风速这样的时间序列预测问题时具有较高的预测精度，但是LSTM通常被当作黑箱模型来使用，这使得模型的可解释性变弱。通过特征工程分析出风速影响因子的相关关系并理清它们之间的因果关系对提高风速预测精度和增强模型的可解释性都非常有利。因此，如何分析出风速及其相关因子之间的因果关系并将这种因果关系精确地考虑进LSTM，以提高风速预测精度并增强模型的可解释性是亟需解决的理论和实际工程问题。

在特征工程中，常用的相关性分析方法有图表法，相关系数法，协方差法，最大信息系数法等。常用的因果关系分析方法有理论分析法，传递熵法和格兰杰因果关系检验法。

在本发明中，皮尔逊相关系数被用来探究因子之间的线性相关性，最大信息系数被用来探究因子之间的非线性相关性。格兰杰因果关系检验被用来探究因子之间的因果关系。

综上所述，现有技术存在的问题是：

因子之间的因果关系结构类型复杂多样，目前很少有学者对因果关系结构进行分类，因此如何科学并完整地对所有因果关系结构类型进行分类也是现有技术面临的问题。

分类之后的因果关系结构如何方便并有效地使用目前没有可参考的案例，因此将分类后的因果关系结构统一为一种通用的因果关系结构也是现有技术面临的问题。

现有技术中，因子之间错综复杂的关系使得风速预测变得困难，传统机器学习方法预测风速所能达到的精度有限。

现有技术中，由于LSTM只有一个特征输入接口，因此LSTM只能将所有因子无差别地输入而无法精确考虑通过特征工程得到的因果关系，不能将风速因子的因果关系结构精确地考虑进LSTM。

解决上述技术问题的难度和意义：

关于因果关系结构的分类，其难点在于如何分类能包含所有因果关系结构类型。因此分类的完整性是后续技术的基础。

关于因果关系结构的统一，其难点在于如何找到分类后的各类型因果关系结构之间的共同点从而得到一种通用的结构。这种通用结构不仅可以代表所有类型的因果关系结构还需要是易于预测的结构。因此因果关系结构统一的代表性和可操作性在本发明中起着承上启下的作用。

解决上述技术问题后，带来的意义为：