针对目前海上风电出力预测方法精度较低的问题,提出一种基于词向量化和长短期记忆网络(word to vector long short-term memory,Word2vec-LSTM)与聚类修正的海上风电出力预测方法。对Word2vec方法进行改进来提取时间序列数据特征,实现...针对目前海上风电出力预测方法精度较低的问题,提出一种基于词向量化和长短期记忆网络(word to vector long short-term memory,Word2vec-LSTM)与聚类修正的海上风电出力预测方法。对Word2vec方法进行改进来提取时间序列数据特征,实现数据信息的高效利用;在长短期记忆神经网络的预测模型基础上,研究了一种基于k-shape聚类结果的预测结果修正算法,对预测结果距离聚类中心超过阈值的数值判定为预测误差偏大的数据并向簇中心进行修正。最后,基于江苏某海上风电场的真实数据进行测试,结果表明,基于Word2vec-LSTM与聚类修正的海上风电出力预测方法的平均绝对误差(mean absolute error,MAE)和均方根误差(root mean square error,RMSE)达到5.04和5.42,相比传统LSTM预测模型的误差平均降低了11.10%和12.25%,为海上风电并网与电网调控提供了技术支持。展开更多
文摘针对目前海上风电出力预测方法精度较低的问题,提出一种基于词向量化和长短期记忆网络(word to vector long short-term memory,Word2vec-LSTM)与聚类修正的海上风电出力预测方法。对Word2vec方法进行改进来提取时间序列数据特征,实现数据信息的高效利用;在长短期记忆神经网络的预测模型基础上,研究了一种基于k-shape聚类结果的预测结果修正算法,对预测结果距离聚类中心超过阈值的数值判定为预测误差偏大的数据并向簇中心进行修正。最后,基于江苏某海上风电场的真实数据进行测试,结果表明,基于Word2vec-LSTM与聚类修正的海上风电出力预测方法的平均绝对误差(mean absolute error,MAE)和均方根误差(root mean square error,RMSE)达到5.04和5.42,相比传统LSTM预测模型的误差平均降低了11.10%和12.25%,为海上风电并网与电网调控提供了技术支持。
