论文部分内容阅读
风电能源的合理开发在改善我国能源结构与缓解能源问题方面具有重要意义。作为风电能源的主要开发方式,风力发电受到风速的波动性与间歇性影响,存在着并网与消纳难等一系列问题。积极展开风电功率预测研究,有助于实时调整电网调度计划,有效减轻对电网的安全、稳定经济运行的冲击,提高风电的整体经济效益。然而,风电功率数据展现出的波动性与复杂性,在一定程度上加大了预测的难度。本文以风电功率区间预测研究着手,以长短期记忆网络(Long Short Term Memory,LSTM)、深度学习优化技术、变分模态分解(Variational Mode Decomposition,VMD)等为理论基础,实现基于LSTM的风电功率区间预测模型,并提出基于构建损失函数方式与基于构造区间方式的两种优化方法,实现对LSTM预测模型的有效训练。在LSTM预测模型的基础上,结合VMD算法对序列数据的分解简化能力,构建LSTM-VMD组合区间预测模型,以实现模型预测效果的提升。论文的主要工作可以分为以下三部分:(1)风电功率数据展现出较强的随机性与波动性,为实现对预测效果的提升,本文提出基于LSTM的风电功率区间预测模型。先利用LSTM处理时序逻辑关系的网络结构优势,实现对风电功率数据的基本特征提取。在此基础上,结合深度学习相关技术,搭建具有更强非线性映射能力的多层神经网络,从而将基本特征进一步抽象并进行区间上下界输出,最终实现一种具有比传统预测模型更强学习能力的区间预测模型。(2)预测模型需要在区间的可靠性与清晰度两方面达到平衡,本文结合深度学习优化技术与随机梯度下降优化思想,针对区间预测模型设计了两种训练方法:一是构建对区间覆盖率与区间宽度两方面同步优化的双损失函数,通过损失函数进行反向传播计算,实现模型的权重更新;二是通过风电功率历史数据构造拟合区间,设计一种区间宽度自适应调整策略,以直接构建训练标签的方式实现模型的优化。最后通过实验对比,验证了LSTM区间预测模型在传统LUBE模型预测效果上的提升。(3)为进一步提升LSTM模型的预测效果,本文以简化数据复杂性的角度提出一种LSTM-VMD的组合区间预测模型。利用VMD算法的分解能力将风电功率数据简化为多个更平滑的序列分量,并在此基础上搭建LSTM预测子模型,再通过区间叠加的方式实现总的预测区间输出。最后通过实验分析,证明了LSTM-VMD组合模型在基础模型预测效果上的提升。