基于注意力机制改进的自回归误差补偿风电功率预测方法

技术领域

本发明属于风电功率预测技术领域，更具体地说，尤其涉及基于注意力机制改进的自回归误差补偿风电功率预测方法。

背景技术

目前，主流的能源消耗正从化石能源逐步转换为清洁能源，其中，风能因其具有绿色环保、无污染的特点，现已成为世界上的第二大可再生能源。风电功率固有的间歇性、不确定性和强不确定性等问题也日益突出，对电力系统内新能源的稳定并网，造成了极大地影响。因此，为了保障电网的安全规划和稳定有序地运行，对风电功率进行预测，克服风能资源的非线性和复杂性特性，并有效地提高其精确度至关重要。

对于风电功率预测这一技术，国际上已经有了较多的研究，大致上可分为两种：物理模型和统计模型。其中，构建物理模型较为复杂，且模型因为受到环境因素，气候因素以及风机自身的状态信息等的影响，难以对风电功率构建合理有效的预测模型且无法保证稳定的预测精度，因此，基于统计分析构建的模型在风电功率预测过程中运用较为广泛。

其中双向长短时记忆通过利用时序数据的正反向信息来挖掘时序数据的前后联系，能够有效提高预测精度。尽管Bi-LSTM相较于传统LSTM能够充分利用历史和未来的信息，从而得到更精确的预测结果，但在处理更复杂的非线性系统时，单一模型极易造成局部最优问题。

综上，我们提出基于注意力机制改进的自回归误差补偿风电功率预测方法，它结合了注意力机制(AM)，双向长短期记忆网络(Bi-LSTM)和自回归综合移动平均模型(ARIMA)。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出的基于注意力机制改进的自回归误差补偿风电功率预测方法来解决现有技术中处理更复杂的非线性系统时，单一模型极易造成局部最优问题。

为实现上述目的，本发明提供如下技术方案：

基于注意力机制改进的自回归误差补偿风电功率预测方法，包括如下步骤：

S1、通过对风力机发电机理进行分析，选择气象站风速，电网侧有功功率、风力机运行频率、发电机转矩、发电机电流和历史风力发电机功率构成AM-BiLSTM风电功率预测模型的输入数据集；

S2、划分训练集，测试集和验证集，以10分钟作为采样间隔，共有4320组样本，采用最后200组数据集进行模型测试，为了方便在不同的尺度上对输入变量进行比较和减少维度差异带来的影响，对数据进行归一化处理；

S3、将数据输入AM-BiLSTM网络进行训练，运用AM机制进行特征优化，快速提取有效信息，得到风电功率的初步预测值，并将其与真实功率值进行计算得到误差序列；

S4、对误差序列进行ADF试验，从而确定ARIMA模型参数。然后开始误差补偿，用得到的误差序列训练ARIMA模型，得到误差的预测值，将误差预测值与初步预测值进行相关计算，得到最终的预测值，并与其余方法进行对比，验证模型可行性与合理性。

优选的，步骤S1中所述的通过分析风电场实地采集数据构建输入数据集，运用相关性分析，选择合适的输入变量。

优选的，所述运用相关性分析，选择合适的输入变量具体包括：

1)单纯的将风电功率历史数据作为预测模型的输入数据无法准确描述风力发电实际的表现，为此，本发明选择多维相关变量作为模型输入；

2)通过对风力机发电机理进行分析，选择气象站风速(V

优选的，步骤S2中所述的优先划分训练集，测试集和验证集，并为了方便在不同的尺度上对输入变量进行比较和减少维度差异带来的影响，对数据进行归一化处理。

优选的，所述的对数据进行归一化处理，具体包括：

1)以风电场实地采集数据为研究对象，以10min为采样间隔，共4320组样本；

其中，所述样本中包括气象站风速、电网侧有功功率、风力机运行频率、发电机转矩、发电机电流和风力发电机功率等历史数据；

2)提前划分好训练集与验证集，采用最后200组数据集进行模型测试与验证；

3)为了方便在不同的尺度上对输入变量进行比较和减少维度差异带来的影响，参照如下计算式对数据进行归一化处理；

优选的，步骤S3中所述的将AM方法引入到BiLSTM网络中，增强特征表达，体高预测精度，并将初步，得到风电功率的初步预测值，并将其与真实功率值进行计算得到误差序列。

优选的，所述的计算得到误差序列，具体包括：

1)在网络结构上进行改进，引入注意力机制(AM)，赋予Bi-LSTM神经网络不同的权重，突出其有效特性；

2)将Bi-LSTM应用于风电功率预测，利用Bi-LSTM学习风电功率数据的历史信息和未来信息，克服传统RNN网络易出现梯度消失和梯度爆炸的问题，提高了风电功率预测模型的精度；

3)将初步预测的结果与对应的实际功率值计算得到误差序列e

优选的，步骤S4中所述的对误差序列进行ADF试验，从而确定ARIMA模型参数，并训练ARIMA模型，将误差预测值与初步预测值进行相关计算，得到最终的预测值，提高了混合预测模型的预测精度。

优选的，所述的将误差预测值与初步预测值进行相关计算，包括：

1)进行误差补偿工作前先对数据进行平稳性判断，通过ADF试验确定ARIMA模型的参数；

2)用误差序列训练ARIMA模型，得到t时刻之后的预测误差

本发明的技术效果和优点：

本发明提供的基于注意力机制改进的自回归误差补偿风电功率预测方法，与传统的基于统计分析构建的模型在风电功率预测方法相比，本发明在确定ARIMA模型参数后进行误差补偿，用得到的误差序列训练ARIMA模型，得到误差的预测值，将误差预测值与初步预测值进行相关计算，得到最终的预测值，并与其余方法进行对比，验证模型可行性与合理性，同时利用混合模型的优势，克服风能的强非线性和随机性，得到较好的预测效果。

附图说明

图1为本发明基于注意力机制改进的自回归误差补偿风电功率预测方法流程图；

图2为本发明实施例中LSTM结构图；

图3为本发明实施例中Bi-LSTM结构图；

图4为本发明实施例中AM结构图；

图5为本发明实施例中AM-BiLSTM网络的架构；

图6为本发明实施例中误差序列图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供了如图1-6的基于注意力机制改进的自回归误差补偿风电功率预测方法，包括如下步骤：

S1、通过对风力机发电机理进行分析，选择气象站风速，电网侧有功功率、风力机运行频率、发电机转矩、发电机电流和历史风力发电机功率构成AM-BiLSTM风电功率预测模型的输入数据集；

步骤S1中所述的通过分析风电场实地采集数据构建输入数据集，运用相关性分析，选择合适的输入变量；所述运用相关性分析，选择合适的输入变量具体包括：

1)单纯的将风电功率历史数据作为预测模型的输入数据无法准确描述风力发电实际的表现，为此，本发明选择多维相关变量作为模型输入；

2)通过对风力机发电机理进行分析，选择气象站风速(V

S2、划分训练集，测试集和验证集，以10分钟作为采样间隔，共有4320组样本，采用最后200组数据集进行模型测试，为了方便在不同的尺度上对输入变量进行比较和减少维度差异带来的影响，对数据进行归一化处理；

步骤S2中所述的优先划分训练集，测试集和验证集，并为了方便在不同的尺度上对输入变量进行比较和减少维度差异带来的影响，对数据进行归一化处理；所述的对数据进行归一化处理，具体包括：

1)以风电场实地采集数据为研究对象，以10min为采样间隔，共4320组样本；

其中，所述样本中包括气象站风速、电网侧有功功率、风力机运行频率、发电机转矩、发电机电流和风力发电机功率等历史数据；

2)提前划分好训练集与验证集，采用最后200组数据集进行模型测试与验证；

3)为了方便在不同的尺度上对输入变量进行比较和减少维度差异带来的影响，参照如下计算式对数据进行归一化处理；

S3、将数据输入AM-BiLSTM网络进行训练，运用AM机制进行特征优化，快速提取有效信息，得到风电功率的初步预测值，并将其与真实功率值进行计算得到误差序列；

步骤S3中所述的将AM方法引入到BiLSTM网络中，增强特征表达，体高预测精度，并将初步，得到风电功率的初步预测值，并将其与真实功率值进行计算得到误差序列；所述的计算得到误差序列，具体包括：

1)在网络结构上进行改进，引入注意力机制(AM)，赋予Bi-LSTM神经网络不同的权重，突出其有效特性；

2)将Bi-LSTM应用于风电功率预测，利用Bi-LSTM学习风电功率数据的历史信息和未来信息，克服传统RNN网络易出现梯度消失和梯度爆炸的问题，提高了风电功率预测模型的精度；

3)将初步预测的结果与对应的实际功率值计算得到误差序列e

S4、对误差序列进行ADF试验，从而确定ARIMA模型参数。然后开始误差补偿，用得到的误差序列训练ARIMA模型，得到误差的预测值，将误差预测值与初步预测值进行相关计算，得到最终的预测值，并与其余方法进行对比，验证模型可行性与合理性；

步骤S4中所述的对误差序列进行ADF试验，从而确定ARIMA模型参数，并训练ARIMA模型，将误差预测值与初步预测值进行相关计算，得到最终的预测值，提高了混合预测模型的预测精度；所述的将误差预测值与初步预测值进行相关计算，包括：

1)进行误差补偿工作前先对数据进行平稳性判断，通过ADF试验确定ARIMA模型的参数；

2)用误差序列训练ARIMA模型，得到t时刻之后的预测误差

以下为某风电场实地采集数据为例，对数据进行分类并设计实验，利用获得的数据训练模型，得到不同模型的输出结果。基于所获得的结果分析得出结论。

第一步，构建实验数据集

以某风电场实地采集数据为例，首先通过对风力机发电机理进行分析，选择气象站风速，电网侧有功功率、风力机运行频率、发电机转矩、发电机电流和历史风力发电机功率构成AM-BiLSTM风电功率预测模型的输入数据集。然后，划分训练集，测试集和验证集，以10分钟作为采样间隔，共有4320组样本，采用最后200组数据集进行模型测试，为了方便在不同的尺度上对输入变量进行比较和减少维度差异带来的影响，对数据进行归一化处理。

第二步，数据预处理

为了方便在不同的尺度上对输入变量进行比较和减少维度差异带来的影响，对数据进行归一化处理，具体公式参照计算式(2)。

第三步，模型训练及参数选择

采用试错法设定网络模型结构参数，参数设置如图5所示。本发明选用Bi-LSTM网络进行风电功率预测，选用Keras构建网络模型。在网络输入层设定步长为3，通过测试激活函数和迭代次数以及Bi-LSTM层神经元数对网络模型进行训练与测试。学习率与批处理大小分别为0.01和72，最大训练次数为500。

在模型训练之前，需要自定义评价指标函数，合理有效的评定标准对证明实验结果的可行性和有效性有着重要的指导作用。本发明选用均方误差(MSE)，平均绝对误差(MAE)，平均绝对百分比误差(MAPE)和均方根误差(RMSE)。

上述计算式如下：

然后，将数据输入AM-BiLSTM网络进行训练，运用AM机制进行特征优化，快速提取有效信息，得到风电功率的初步预测值，并将其与真实功率值进行计算得到误差序列。

第四步，误差补偿

AM-BiLSTM风电功率预测模型得到t时刻之前的风电功率初步预测值，并将其与相应的真实功率值计算得到功率误差序列e

通过分析图6所示序列可知，该误差序列总体处于平稳状态。为了更直观的体现其平稳性，本研究采用ADF检验验证该序列的平稳性，表1所示为该误差序列的ADF检验结果。

表1 ADF检验结果

根据表1内的数据所示，经过ADF检验得到的T值为-5.4877925，低于三个统计量水平。

又根据P值为2.2098419e-06，趋向于0，由ADF分析可知，上述误差序列是平稳序列，无需进行差分计算，因此确定ARIMA模型的参数d为0。

然后，结合自相关图像和偏相关图像确定ARIMA模型的p和q参数，根据AR模型中自相关系数存在拖尾现象，偏相关系数存在截尾现象的特征，以及MA模型中自相关系数存在截尾现象，偏自相关系数存在拖尾现象的特征，通过计算可得出对应该误差序列的ARIMA模型p参数和q参数分别为5和3。

确定好ARIMA模型参数后，将得到的误差序列作为ARIMA模型的输入数据，进行模型训练，得到t时刻之后的预测误差

本发明根据上述参数进行实验，得到训练好的模型，并选用提前划分好的测试集进行模型测试。

第五步，实验结果分析

在本发明中，使用了不同模型的输出作为风电功率的预测结果，这些模型包括BiLSTM模型，BiLSTM-AM模型，BiLSTM-ARIMA模型和BiLSTM-AM-ARIMA模型。此外，将本发明提出的方法与其余三种某型进行了比较。

本发明将单一的BiLST模型、AM-BiLSTM模型以及BiLSTM-ARIMA模型与本研究提出的AM-BiLSTM-ARIMA模型所得到的结果相对比，本发明所提出的混合预测模型预测效果要优与其余三种模型，能够与实际功率值更为吻合。

为了更直观的对比不同模型的预测效果，本发明选择MSE、MAE、MAPE以及RMSE作为评价指标来衡量预测模型的表现。通过表2可以看出，以MSE作为评价指标，本发明提出的AM-BiLSTM-ARIMA模型相较于其他三种模型分别降低了72.10％、70.34％、17.05％；以MAE作为评价指标，目标模型相较于其他三种模型分别降低了39.04％、32.38％、8.9％；以MAPE作为评价指标，目标模型相较于其他三种模型分别降低了26.63％、17.04％、16.09％；以RMSE作为评价指标，目标模型相较于其他三种模型分别降低了47.19％、45.55％、8.9％。实验结果表明，本发明所提出的方法可以提高风电功率的预测精度。

表2不同模型的评价指标

综上，本发明首先通过对风力机发电机理进行分析，选择气象站风速，电网侧有功功率、风力机运行频率、发电机转矩、发电机电流和历史风力发电机功率构成AM-BiLSTM风电功率预测模型的输入数据集；

然后，划分训练集，测试集和验证集，以10分钟作为采样间隔，共有4320组样本，采用最后200组数据集进行模型测试，为了方便在不同的尺度上对输入变量进行比较和减少维度差异带来的影响，对数据进行归一化处理；

其次，将数据输入AM-BiLSTM网络进行训练，运用AM机制进行特征优化，快速提取有效信息，得到风电功率的初步预测值，并将其与真实功率值进行计算得到误差序列；

最后，对误差序列进行ADF试验，从而确定ARIMA模型参数；

然后开始误差补偿，用得到的误差序列训练ARIMA模型，得到误差的预测值，将误差预测值与初步预测值进行相关计算，得到最终的预测值，并与其余方法进行对比，验证模型可行性与合理性；

可得，本发明提出的风电功率预测方法，能够力用混合模型的优势，克服风能的强非线性和随机性，得到较好的预测效果。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。