基于LSTM算法的风电功率区间预测【含源代码】

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。