發(fā)布時(shí)間：2025-02-11 13:25

　　 風(fēng)能具有較強(qiáng)的波動(dòng)性和隨機(jī)性,造成了現(xiàn)有風(fēng)電功率預(yù)測(cè)方法的誤差較大,嚴(yán)重影響了電力系統(tǒng)的安全穩(wěn)定性。針對(duì)上述問題,文章提出一種基于雙向長(zhǎng)短期記憶網(wǎng)絡(luò)(BiLSTM)和自助法(Bootstrap)的風(fēng)電功率區(qū)間預(yù)測(cè)方法。該方法強(qiáng)調(diào)了風(fēng)電功率數(shù)據(jù)間關(guān)聯(lián)程度的重要性,將原始風(fēng)電功率數(shù)據(jù)和測(cè)風(fēng)塔提供的風(fēng)速歷史數(shù)據(jù)構(gòu)成多變量時(shí)間序列,同時(shí)構(gòu)建雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模型提高預(yù)測(cè)結(jié)果的精確度。引入Bootstrap方法增加樣本的多樣性,再利用人工蜂群算法(ABC)的強(qiáng)搜索能力對(duì)模型的超參數(shù)進(jìn)行優(yōu)化,最終得到區(qū)間預(yù)測(cè)的結(jié)果。以某風(fēng)電場(chǎng)歷史運(yùn)行數(shù)據(jù)為例,通過與長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)等現(xiàn)有方法在給定置信水平下的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,驗(yàn)證了所提方法的有效性。

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

圖5 10月23日預(yù)測(cè)結(jié)果對(duì)比

圖44月23日預(yù)測(cè)結(jié)果對(duì)比圖510月23日預(yù)測(cè)結(jié)果對(duì)比

圖1 RNN的拓?fù)浣Y(jié)構(gòu)圖

循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork,RNN）是一種具有記憶能力的遞歸神經(jīng)網(wǎng)絡(luò)，可以用來分析時(shí)間序列數(shù)據(jù)。圖1為RNN的拓?fù)浣Y(jié)構(gòu)圖。圖中：X為輸入序列，X=(x0,x1，…，xt);Y為輸出序列，Y=(y0,y1，…，yt);W為隱含層狀態(tài)，W=(w0,....

圖2 BiLSTM的拓?fù)浣Y(jié)構(gòu)圖

LSTM是RNN的一種特殊變體，其隱含層由普通神經(jīng)元被替換為包含門控機(jī)制的記憶單元，從而解決了梯度消失問題，但LSTM無(wú)法編碼從后到前的信息，BiLSTM的提出彌補(bǔ)了其不足，BiLSTM由前向和后向LSTM結(jié)合而成。圖2所示為BiLSTM的拓?fù)浣Y(jié)構(gòu)，用于學(xué)習(xí)特定時(shí)間的過去特征和未....

圖3 ABC-BiLSTM流程圖

ABC-BiLSTM的流程圖如圖3所示。3基于B-BiLSTM方法的風(fēng)電功率區(qū)間預(yù)測(cè)模型

本文編號(hào)：4033329