[發(fā)明專利]基于深度學習網(wǎng)絡(luò)的大規(guī)模風電功率預(yù)測系統(tǒng)及方法

有效

• 申請?zhí)枺?/td>: 201510310688.8
• 申請日: 2015-06-08
• 公開（公告）號: CN104978605A
• 公開（公告）日: 2015-10-14
• 發(fā)明（設(shè)計）人: 潘志剛;朱曉偉;李瑩
• 申請（專利權(quán)）人: 上海電機學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 上海思微知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 31237
• 代理人: 菅秀君

技術(shù)領(lǐng)域

本發(fā)明涉及風電領(lǐng)域，特別是涉及一種基于深度學習網(wǎng)絡(luò)的大規(guī)模風電功率預(yù)測系統(tǒng)及方法。

背景技術(shù)

隨著風電的快速發(fā)展，大規(guī)模風電場(幾十萬千瓦甚至百萬千瓦級)的并網(wǎng)運行對電力系統(tǒng)的影響也越來越顯著。風能所具有的隨機性、間歇性和不可控性的特點以及在實際運行中多數(shù)風電具有的反調(diào)峰特性，使得難以預(yù)測風電場發(fā)電出力的變化趨勢，造成電網(wǎng)運行調(diào)度的困難和復雜化，對電網(wǎng)的安全穩(wěn)定運行造成了很大影響，這已經(jīng)成為制約風電大規(guī)模接入的關(guān)鍵技術(shù)問題。

風電功率預(yù)測在國外已有近二十年的發(fā)展歷史，目前已有多種商用的預(yù)測系統(tǒng)投入運行。但是我國風資源在地理分布上相對集中的特點，導致國外的成熟系統(tǒng)無法直接應(yīng)用于我國的風電場，且當前基于深度學習網(wǎng)絡(luò)的風電功率預(yù)測系統(tǒng)還沒有出現(xiàn)。

發(fā)明內(nèi)容

為克服上述現(xiàn)有技術(shù)存在的不足，本發(fā)明之一目的在于提供一種基于深度學習網(wǎng)絡(luò)的大規(guī)模風電功率預(yù)測系統(tǒng)及方法，其利用深度學習網(wǎng)絡(luò)強大的非線性映射能力，根據(jù)歷史數(shù)據(jù)以及天氣預(yù)報數(shù)據(jù)，給出風電場未來48小時內(nèi)的風電功率預(yù)測數(shù)據(jù)，實現(xiàn)了大規(guī)模風電功率的預(yù)測。

為達上述及其它目的，本發(fā)明提出一種基于深度學習網(wǎng)絡(luò)的大規(guī)模風電功率預(yù)測系統(tǒng)，包括：

數(shù)據(jù)采集模塊，由風電場自行提供，用于從風機采集風機數(shù)據(jù)及天氣數(shù)據(jù)，?并將其存儲到數(shù)據(jù)庫中，

數(shù)據(jù)庫，負責數(shù)據(jù)的存儲和與數(shù)據(jù)相關(guān)的操作；

預(yù)測值計算模塊，根據(jù)該數(shù)據(jù)庫中存儲的歷史數(shù)據(jù)經(jīng)深度學習網(wǎng)絡(luò)計算得到預(yù)測值，并將預(yù)測值存入數(shù)據(jù)庫中。

進一步地，所述預(yù)測系統(tǒng)還包括數(shù)據(jù)發(fā)布模塊，負責從數(shù)據(jù)庫取出數(shù)據(jù)再通過界面進行顯示。

進一步地，所述預(yù)測值計算模塊

風速預(yù)測模塊，用于通過深度學習網(wǎng)絡(luò)算法預(yù)測風速；

功率預(yù)測模塊，根據(jù)預(yù)測得到的風速，查找該數(shù)據(jù)庫中存儲的每臺風機的風速-功率專家數(shù)據(jù)庫表，得到相應(yīng)的功率值。

進一步地，所述風速預(yù)測模塊包括：

模型參數(shù)選取模塊，根據(jù)所要得到的預(yù)測數(shù)據(jù)選擇合適的樣本點的個數(shù)，然后通過執(zhí)行存儲過程，得到風機每隔一段時間的風速數(shù)據(jù)，存入數(shù)組中；

初始化模型，通過逐層訓練深度學習網(wǎng)絡(luò)，使網(wǎng)絡(luò)模型得到一個初始值；

模型參數(shù)確定模塊，通過神經(jīng)網(wǎng)絡(luò)的學習算法再對網(wǎng)絡(luò)進行參數(shù)的微調(diào)，從而使整個深度學習網(wǎng)絡(luò)收斂到一個局部最優(yōu)點上；

風速求解模塊根據(jù)確定的參數(shù)對模型進行求解，獲得預(yù)測的風速。

進一步地，所述樣本點的個數(shù)大于300小于10000。

進一步地，所述預(yù)測值計算模塊采用C/S結(jié)構(gòu)。

進一步地，所述數(shù)據(jù)庫用于存儲大量的數(shù)據(jù)，并創(chuàng)建大量的存儲過程用類進行數(shù)據(jù)的篩選，分類和部分計算，以及創(chuàng)建大量的作業(yè)用來定時進行數(shù)據(jù)相關(guān)操作。

為達到上述目的，本發(fā)明還提供一種基于深度學習網(wǎng)絡(luò)的大規(guī)模風電功率預(yù)測方法，包括如下步驟：

步驟一，從風機采集風機數(shù)據(jù)及采集天氣數(shù)據(jù)，并存儲到數(shù)據(jù)庫中；

步驟二，對采集到的數(shù)據(jù)進行篩選與整理，得到所需的數(shù)據(jù)；

步驟三，調(diào)用深度學習網(wǎng)絡(luò)算法，將所需的數(shù)據(jù)傳遞給該算法，計算得到預(yù)測數(shù)據(jù)，并存儲于數(shù)據(jù)庫中。

進一步地，在步驟三之后，還包括如下步驟：

數(shù)據(jù)發(fā)布模塊從數(shù)據(jù)庫中取出所需的數(shù)據(jù)，在界面中顯示。

進一步地，步驟三進一步包括如下步驟：

步驟S1，根據(jù)所要得到的預(yù)測數(shù)據(jù)選擇合適的樣本點的個數(shù)，然后通過執(zhí)行存儲過程，得到風機每隔十分鐘的風速數(shù)據(jù)，存入數(shù)組中；

步驟S2，通過逐層訓練深度學習網(wǎng)絡(luò)，使網(wǎng)絡(luò)模型得到一個初始值；

步驟S3，利用步驟S1的數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)的學習算法再對網(wǎng)絡(luò)進行參數(shù)的微調(diào)，從而使整個深度學習網(wǎng)絡(luò)收斂到一個局部最優(yōu)點上。

步驟S4，對網(wǎng)絡(luò)模型進行求解，獲得風速預(yù)測值；

步驟S5，根據(jù)預(yù)測得到的風速，查找數(shù)據(jù)庫中每臺風機的風速-功率專家數(shù)據(jù)庫表，得到相應(yīng)的功率值。

與現(xiàn)有技術(shù)相比，本發(fā)明一種基于深度學習網(wǎng)絡(luò)的大規(guī)模風電功率預(yù)測系統(tǒng)及方法通過利用深度學習網(wǎng)絡(luò)強大的非線性映射能力，根據(jù)歷史數(shù)據(jù)以及天氣預(yù)報數(shù)據(jù)，給出風電場未來48小時內(nèi)的風電功率預(yù)測數(shù)據(jù)，實現(xiàn)了大規(guī)模風電功率的預(yù)測。

附圖說明

圖1為本發(fā)明一種基于深度學習網(wǎng)絡(luò)的大規(guī)模風電功率預(yù)測系統(tǒng)的系統(tǒng)架構(gòu)圖；

圖2為本發(fā)明較佳實施例中風速預(yù)測模塊120的細部流程圖；