申请/专利权人：国网辽宁省电力有限公司;国网辽宁省电力有限公司电力科学研究院;清华大学;沈阳工程学院

申请日：2021-03-18

公开（公告）日：2023-09-26

公开（公告）号：CN113095547B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/06;G06F17/18;G06N3/0442;G06N3/08;H02J3/38;H02J3/46

优先权：

专利状态码：有效-授权

法律状态：2023.09.26#授权;2021.07.27#实质审查的生效;2021.07.09#公开

摘要：本发明公开了一种基于GRA‑LSTM‑ICE的短期风功率预测方法，为了提高短期风功率的预测精度，本方法包括以下步骤：首先，针对在风电场采集到的气象数据进行灰色关联分析GRA，得到与风功率相关性较高的气象变量；其次，针对目前风功率短期预测精度较低的问题，基于长短期记忆LSTM神经网络建立风功率预测模型，提升风功率短期预测精度；最后，针对所得到的风功率预测结果，基于信息可信评估ICE技术建立风功率预测修正模型，进一步提升风功率短期预测精度。通过本发明的实施，能够大幅度提高短期风功率的预测精度，实现含高比例风电电网的经济和稳定运行。

主权项：1.一种基于GRA-LSTM-ICE模型的短期风功率预测方法，其特征在于，该方法包括以下步骤：步骤1：基于灰色关联分析方法，分别计算风功率变量与风速、风向、温度、相对湿度、气压、降雨量、降雪量、云层厚度变量的相关性，将关联度系数大于0.5的气象变量，作为预测模型的输入变量；步骤1.1：将数值天气预报提供的气象变量和风电场采集的风功率变量归一化，消除不同变量之间的物理量纲；步骤1.2：将多维气象变量设为Xi，风功率变量设为Y；步骤1.3：计算Y与Xi的灰色关联系数ξi； 步骤1.4：计算Y与Xi的灰色关联度系数Ri，公式如下： 式中：Ri是第i个气象变量的灰色关联度系数；Yt是风功率变量在t时刻的值；Xit是第i个气象变量在t时刻的值；Ym是风功率变量的平均值；Xim是第i个气象变量的平均值；步骤2：根据关联度系数的计算结果，将关联度系数大于0.5的气象变量作为预测模型的输入变量，风功率变量作为模型的输出变量，基于长短期记忆神经网络建立预测模型，对风机出力进行初步预测；步骤2.1：计算LSTM网络隐含层层数，以及隐含层神经元的个数；步骤2.2：计算LSTM网络的初始权重和偏置项；步骤2.3：训练网络，更新权重和偏置项；步骤2.4：建立风功率预测模型，计算满足精度要求的风功率预测值PT；步骤3：根据初步的短期风功率预测值，基于信息可信评估ICE技术建立风功率预测修正模型，修正初步预测值，得到大范围高精度的风功率短期预测结果，进一步提高风功率的短期预测精度；步骤3.1：计算T时刻气象数据的可信评估值AT、单机风功率预测的可信评估值BT，公式如下： 式中：AT是T时刻气象数据的可信评估值；BT是单机风功率预测的可信评估值；TT是T时刻的实际值；PT是T时刻的预测值；步骤3.2：计算T时刻单机风功率预测的可信值CT，公式如下：CT＝AT+BT式中：CT是T时刻单机风功率预测的可信值；步骤3.3：计算单机短期风功率预测的可信值PC，公式如下： 式中：PC是单机短期风功率预测的可信值；M是整个短期预测区间；步骤3.4：计算大范围短期风功率的高精度预测值PN，公式如下： 式中：PN是大范围短期风功率的高精度预测值；N是整个范围的风机总数；步骤4：根据平均绝对误差和均方根误差来评价预测结果。

全文数据：

权利要求：

百度查询： 国网辽宁省电力有限公司;国网辽宁省电力有限公司电力科学研究院;清华大学;沈阳工程学院 一种基于GRA-LSTM-ICE模型的短期风功率预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD