公开(公告)号：CN111915092B

公开(公告)日：2023-08-22

申请号：CN202010799486.5

申请日：2020-08-11

Applicant: 东北大学

Inventor： 常玉清 ,  周方正 ,  徐海燕 ,  邹征昊 ,  王姝

IPC: G06Q10/04 ,  G06Q50/06 ,  G06N3/0464 ,  G06N3/0442 ,  G06F18/22 ,  G06F18/214 ,  H02J3/00

Abstract: 本发明提供一种基于长短时记忆神经网络的超短期风电功率预测方法。首先获取历史样本数据、预测日样本数据，然后计算历史日内各因素与预测日内对应因素的关联系数，其次计算各影响因素在风电功率影响因素中所占权重，通过计算历史日与预测日的相似度，得到相似样本数据作为训练数据，最后采用LSTM模型对预测日的风电功率进行预测；本发明对训练数据进行了筛选，选择与预测日的样本数据相似度大的数据作为训练数据，有利于增强建模数据的相似性，进而提高模型的准确性，采用LSTM模型作为训练模型，可以达到充分考虑风电功率的时序性、非线性的目的。

公开(公告)号：CN111915092A

公开(公告)日：2020-11-10

申请号：CN202010799486.5

申请日：2020-08-11

Applicant: 东北大学

Inventor： 常玉清 ,  周方正 ,  徐海燕 ,  邹征昊 ,  王姝

IPC: G06Q10/04 ,  G06Q50/06 ,  G06N3/04 ,  G06K9/62

Abstract: 本发明提供一种基于长短时记忆神经网络的超短期风电功率预测方法。首先获取历史样本数据、预测日样本数据，然后计算历史日内各因素与预测日内对应因素的关联系数，其次计算各影响因素在风电功率影响因素中所占权重，通过计算历史日与预测日的相似度，得到相似样本数据作为训练数据，最后采用LSTM模型对预测日的风电功率进行预测；本发明对训练数据进行了筛选，选择与预测日的样本数据相似度大的数据作为训练数据，有利于增强建模数据的相似性，进而提高模型的准确性，采用LSTM模型作为训练模型，可以达到充分考虑风电功率的时序性、非线性的目的。