一种基于QPSO-LSTM的风电功率预测方法

本发明涉及风电功率预测，涉及一种基于qpso-lstm模型的风电功率预测方法。

背景技术：

1、

2、随着风电装机容量的增长，无法捕捉多维环境因素影响的基本模型容易使预测结果存在较大偏差。

3、针对粒子群算法的应用，主要用于对单目标或多目标的优化，可以利用粒子群算法对深度学习网络进行参数优化。lstm作为一种改进的时间递归神经网络(rnn),可以学习时间序列长短期信息，可以用来处理和预测时间序列中的间隔和延迟事件。同时，也存在一些缺点，例如神经网络隐藏层数目、学习率大小、训练次数难以确定。在实际应用中，这些参数都是依靠经验来确定，具有很大的随机性。

技术实现思路

1、1.所要解决的技术问题：

2、如何准确的预测出短期风电功率的变化趋势，并使预测结果更贴合真实值

3、2.技术方案：

4、为了解决以上问题，本发明提供了一种基于qpso-lstm的风电功率预测方法，包括以下步骤：

5、步骤s01：数据预处理及归一化。

6、步骤s02：初始化lstm网络参数和初始化qpso粒子种群。

7、步骤s03：计算粒子适应度值。

8、步骤s04：确定粒子个体最优和全局最优解，更新粒子位置，并判断是否满足终止条件，不满足终止条件，回到步骤s03；满足终止条件，进入下一步。

9、步骤s05：全局最优值输出到lstm模型，训练模型。

10、步骤s06：预测测试集样本风电负荷数据，得不到预测结果，回到步骤s02；得到预测结构，进入到下一步。

11、步骤s07：判断误差是否满足要求。

12、步骤s08：得到qpso-lstm模型，预测短期风电负荷，如果预测没有结束，回到步骤s01，否则结束预测。

13、在步骤s01中，具体方法为：从电力系统监测站采集风电的时间点、风速、风电功率数据，对于采集的风电功率数据进行数据清洗，并将数据划分为训练集和测试集，然后数据预处理及归一化，所述数据预处理及归一化的方法为：采用最小-最大标准化对样本数据进行线性变换，将结果值映射到[0,1]之间；其中，样本数据为风电功率数据，转换表达式为：

14、x′＝(x-xmin)/(xmax-xmin)，

15、上式中，x、x′分别为样本数据的实际值和归一化后的值，xmin、xmax分别为样本数据集中的最小值和最大值。

16、所述数据清理的方法为：使用孤立森林算法进行异常值检测，对于异常值的处理，采用附近的正常值进行修正，对于数据集中的缺失值，采用均值的方法进行填充。

17、在步骤s02中，初始化lstm网络参数和初始化qpso粒子种群的参数具体包括粒子群规模、粒子维度、迭代次数、粒子位置。

18、初始化lstm网络参数和初始化qpso粒子种群的方法为：通过改进的粒子群算法qpso不断的迭代更新上述参数，最终确定出lstm网络隐藏层神经元数个数，训练次数，学习率大小的最优值，从而获取优化后的qpso-lstm模型。

19、所述改进的粒子群算法为：在传统粒子群算法的基础上引入了量子位和量子速度的概念，通过模拟粒子在量子空间中的行为来进行优化，每个粒子的进化方程表示为：

20、

21、

22、式中，μid是在区间[0,1]上均匀分布的随机值，pid(t)表示第i个粒子在第t次进化迭代中的吸引子，pid(t)、pgd(t)分别表示第t次进化迭代过程中的第i个粒子的当前最优值和全局最优值，xid(t+1)是第i个粒子在第t次迭代过程中的位置，其中d取正整数。

23、所述lstm网络结构包括：遗忘门、输入门、输出门；lstm网络在t时刻保持单元状态的记忆，通过遗忘门ft和输入门it,进行调节；遗忘门的作用是让细胞记住或忘记之前的状态ct-1,输入门的作用是允许或阻止传入信号更新单元状态；输出门的作用是控制单元状态c输出和传输到下一个单元；将归一化后的训练集样本数据依次经过遗忘门、输入门、输出门处理后输出当前数据的预测数据。

24、lstm网络模型是由多个单元结构组成，该结构能通过更新内部状态来长时间存储信息，函数如下：

25、ft＝σ(wf[ht-1,xt]+bf)

26、it＝σ(wi[ht-1,xt]+bi)

27、

28、

29、ot＝σ(wo·[ht-1,xt]+bo)

30、ht＝ot·tanh(ct)

31、式中，x为lstm单元的输入向量；h为lstm单元的输出向量，f、i、o分别表示遗忘门、输入门和输出门：c表示单元状态；下标t表示时刻：o、tanh分别为sigmoid、tanh激活函数：w和b分别表示权重和偏差矩阵。

32、3.有益效果：

33、1)本发明为风电功率预测提供一种切实有效的方法，能够较为准确的预测出短期风电功率的变化趋势，为电力系统的调度，维护提供有效的数据支持。

34、2)本发明利用qpso优化lstm网络中的超参数，对改进的量子粒子群算法的寻优性能进行了验证实验，预测结果更贴合真实值，说明qpso对lstm网络中超参数寻优的有效性，优化后的预测模型性能更好，预测更精准。与其他广泛应用的预测模型进行对比，本发明所提出的预测模型预测准确度较高，有广泛适用性。

技术特征：

1.一种基于qpso-lstm的风电功率预测方法，其特征在于：包括以下步骤：

2.如权利要求1所述的基于qpso-lstm的风电功率预测方法，其特征在于：在步骤s01中，具体方法为：从电力系统监测站采集风电的时间点、风速、风电功率数据，对于采集的风电功率数据进行数据清洗，并将数据划分为训练集和测试集，然后数据预处理及归一化，所述数据预处理及归一化的方法为：采用最小-最大标准化对样本数据进行线性变换，将结果值映射到[0,1]之间；其中，样本数据为风电功率数据，转换表达式为：

3.如权利要求2所述的基于qpso-lstm的风电功率预测方法，其特征在于：所述数据清理的方法为：使用孤立森林算法进行异常值检测，对于异常值的处理，采用附近的正常值进行修正，对于数据集中的缺失值，采用均值的方法进行填充。

4.如权利要求1所述的基于qpso-lstm的风电功率预测方法，其特征在于：在步骤s02中，初始化lstm网络参数和初始化qpso粒子种群的参数具体包括粒子群规模、粒子维度、迭代次数、粒子位置。

5.如权利要求4所述的基于qpso-lstm的风电功率预测方法，其特征在于：初始化lstm网络参数和初始化qpso粒子种群的方法为：通过改进的粒子群算法qpso不断的迭代更新上述参数，最终确定出lstm网络隐藏层神经元数个数，训练次数，学习率大小的最优值，从而获取优化后的qpso-lstm模型。

6.如权利要求5所述的基于qpso-lstm的风电功率预测方法，其特征在于：所述改进的粒子群算法为：在传统粒子群算法的基础上引入了量子位和量子速度的概念，通过模拟粒子在量子空间中的行为来进行优化，每个粒子的进化方程表示为：

7.如权利要求1-6任一项所述的基于qpso-lstm的风电功率预测方法，其特征在于：所述lstm网络结构包括：遗忘门、输入门、输出门；lstm网络在t时刻保持单元状态的记忆，通过遗忘门ft和输入门it,进行调节；遗忘门的作用是让细胞记住或忘记之前的状态ct-1,输入门的作用是允许或阻止传入信号更新单元状态；输出门的作用是控制单元状态c输出和传输到下一个单元；将归一化后的训练集样本数据依次经过遗忘门、输入门、输出门处理后输出当前数据的预测数据。

8.如权利要求所述的基于qpso-lstm的风电功率预测方法，其特征在于：lstm网络模型是由多个单元结构组成，该结构能通过更新内部状态来长时间存储信息，函数如下：

技术总结本发明提供了一种基于QPSO‑LSTM的风电功率预测方法，步骤S01：数据预处理及归一化。步骤S02：初始化LSTM网络参数和初始化QPSO粒子种群。步骤S03：计算粒子适应度值。步骤S04：确定粒子个体最优和全局最优解，更新粒子位置，满足终止条件，进入下一步。步骤S05：全局最优值输出到LSTM模型，训练模型。步骤S06：预测测试集样本风电负荷数据，得到预测结构步骤S07：判断误差是否满足要求。步骤S08：得到QPSO‑LSTM模型，预测短期风电负荷。QPSO‑LSTM模型预测性能好，精确度高，适用性佳。充分融合了LSTM强大的预测功能以及QPSO的优化能力，提高了准确率。技术研发人员：刘海涛,周泽楠,杜伟业,黄子晔,孙倩受保护的技术使用者：南京工程学院技术研发日：技术公布日：2024/7/29