基本情况:
数据集为2018年6月2日-2018年8月9日的6624个样本,采样间隔为15 分钟。选取2018年6月2日-2018年8月4日为训练集,剩下作为测试集。采用过去5个小时的特征作为输入,目标和特征都进行了归一化和差分进行训练。训练迭代器采用adam,学习率为0.001,批次大小为64,迭代轮数30轮。
Lstm网络为两层lstm单元,神经元个数为64。损失函数采用分位数回归:
实际值,为预测值,为分位点。
分位数的取值范围是区间[0.1,0.9],间隔为0.1。
结果分析:
以测试样本集中2018:08:05:0:0时刻至2018:08:09:23:45时刻为例, LSTM分位数预测得到不同置信区间下的风电功率结果如图所示。可以看出,不同置信度条件下的预测区间与风电功率实际值的波动大致相同,表明本文的方法能够准确预测风电功率变化,此外在实际值变化剧烈的地方置信区间越宽,表明预测可信度变低,这也与实际情况相符合。对比预测未来不同时间步的预测区间,预测的误差在增大。
图1 预测未来30min后不同置信区间的结果对比
图2 预测未来60min后不同置信区间的结果对比
图3 预测未来90min后不同置信区间的结果对比
图4 预测未来120min后不同置信区间的结果对比
图5 预测未来150min后不同置信区间的结果对比
预测的时间步长 | MAE | RMSE | R2 |
30min | 404.1835 | 540.5464 | 0..9837 |
60min | 878.5544 | 1172.5125 | 0.9232 |
90min | 1248.7297 | 1663.9017 | 0.8452 |
120min | 1685.3256 | 2197.1763 | 0.7301 |
150min | 6301094.5 | 2510.1980 | 0.6478 |
以测试样本集中2018年8月5日-6日的6:00、12:00 和18:00为例,根据LSTM分位数预测未来60min后的结果,采用核密度估计,生成风电功率的概率密度曲线。如图所示。可以看到,风电功率实际值均落在高概率密度波峰处附近。
图6 2018年8月5日6:00时刻预测风电功率概率密度曲线
图7 2018年8月5日12:00时刻预测风电功率概率密度曲线
图8 2018年8月5日18:00时刻预测风电功率概率密度曲线
图9 2018年8月6日6:00时刻预测风电功率概率密度曲线
图10 2018年8月6日12:00时刻预测风电功率概率密度曲线
图11 2018年8月6日18:00时刻预测风电功率概率密度曲线
如果想要获取源码请私信联系博主。