基于BiLSTM和Bootstrap方法的风电功率区间预测

发布时间：2025-02-11 13:25

　　 风能具有较强的波动性和随机性,造成了现有风电功率预测方法的误差较大,严重影响了电力系统的安全稳定性。针对上述问题,文章提出一种基于双向长短期记忆网络(BiLSTM)和自助法(Bootstrap)的风电功率区间预测方法。该方法强调了风电功率数据间关联程度的重要性,将原始风电功率数据和测风塔提供的风速历史数据构成多变量时间序列,同时构建双向长短期记忆网络模型提高预测结果的精确度。引入Bootstrap方法增加样本的多样性,再利用人工蜂群算法(ABC)的强搜索能力对模型的超参数进行优化,最终得到区间预测的结果。以某风电场历史运行数据为例,通过与长短期记忆网络(LSTM)等现有方法在给定置信水平下的预测结果进行对比,验证了所提方法的有效性。

【文章页数】：6 页

【部分图文】：

图5 10月23日预测结果对比

图44月23日预测结果对比图510月23日预测结果对比

图1 RNN的拓扑结构图

循环神经网络（RecurrentNeuralNetwork,RNN）是一种具有记忆能力的递归神经网络，可以用来分析时间序列数据。图1为RNN的拓扑结构图。图中：X为输入序列，X=(x0,x1，…，xt);Y为输出序列，Y=(y0,y1，…，yt);W为隐含层状态，W=(w0,....

图2 BiLSTM的拓扑结构图

LSTM是RNN的一种特殊变体，其隐含层由普通神经元被替换为包含门控机制的记忆单元，从而解决了梯度消失问题，但LSTM无法编码从后到前的信息，BiLSTM的提出弥补了其不足，BiLSTM由前向和后向LSTM结合而成。图2所示为BiLSTM的拓扑结构，用于学习特定时间的过去特征和未....

图3 ABC-BiLSTM流程图

ABC-BiLSTM的流程图如图3所示。3基于B-BiLSTM方法的风电功率区间预测模型

本文编号：4033329