[發明專利]一種基于深度學習的超短時風功率預測方法

有效

• 申請號: 201811610728.0
• 申請日: 2018-12-27
• 公開（公告）號: CN109615146B
• 公開（公告）日: 2023-02-07
• 發明（設計）人: 唐立新;郎勁;趙祥
• 申請（專利權）人: 東北大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 朱光林

本發明提供一種基于深度學習的超短時風功率預測方法，涉及風場風功率預測領域。包括：獲取數據表；篩選出故障數據；搭建神經網絡模型；設定神經網絡參數并更新神經網絡模型需要學習的參數，對神經網絡模型進行訓練并輸出；計算模型輸出值的準確率；補全數據表中缺失的參數；分割數據表中的數據并隨機分配訓練集與測試集比例；對數據表中的數據進行歸一化預處理；搭建編碼模型和譯碼模型并生成預測值；搭建風功率預測模型的損失函數；更新風功率預測模型需要學習的參數，對模型進行訓練并輸出測試誤差最小的模型。本方法能夠解決風功率的不確定性，降低由于風電隨機性導致的上報預測誤差，提高風功率預測的準確性，使電力系統更平穩經濟調度。

技術領域

本發明涉及風場風功率預測技術領域，具體涉及一種基于深度學習的超短時風功率預測方法。

背景技術

風電作為一種低成本、無污染、可再生能源，受到世界各國的青睞。以風電為代表的可再生能源，發展很快。據全球風能理事會(GWEC)統計數據顯示，全球風電累計裝機能力呈現逐年遞增的趨勢。

因為風速變化的隨機性，風電場出力具有很強的不穩定性，并且大型風力渦輪機不能儲存電能，而且不受人為控制。這些客觀存在的事實表明，雖然風力發電具有許多顯而易見的優點，但同時也將造成負面影響，這些問題在某些程度上限制了風力發電發展的步伐。因此做好風電發電的預測和調控是風電并網穩定運行和有效消納的重要條件。

風功率預測按照預測時間尺度可以分為超短期預測和短期預測，超短期預測一般是預測以小時為單位，短期預測是預測以天為單位。這些預測數據需要上報到上級考核系統中用于電網調度。在實際預測中，因為風電隨機性的特點導致上報的預測誤差比較大，準確度比較低。因此為了解決大規模風電并網問題，提高風電場與電力系統的協調運行的穩定性，需要解決風功率預測準確性這個關鍵技術問題。

風功率預測方法一般主要有物理方法和統計方法。物理模型的方法主要是根據風電場的地理信息和氣象信息，預測出未來一段時間內風電場的氣象數據，從而預測出風電場的輸出功率。統計方法是根據歷史風功率和氣象數據信息對風電場輸出功率進行預測，常用的預測方法有人工神經元網絡、蟻群算法和支持向量機(SVM)方法等。目前大部分風功率預測方法都是利用風電場的氣象數據和歷史數據對整個風電場的輸出功率進行預測，沒有考慮歷史風速的時間序列的相關性。專利ZL201510510342.2將小波分解和支持向量機相結合，準確率只達到82.8％，專利ZL201510958548.1將遺傳算法和神經網絡相結合，但準確率也只有81.4％。

發明內容

針對現有技術存在的問題，本發明提供一種基于深度學習的超短時風功率預測方法，來解決風功率的不確定性，降低由于風電隨機性導致的上報預測誤差，提高風功率預測的準確性，使電力系統更平穩經濟調度。

為了實現上述目的，一種基于深度學習的超短時風功率預測方法，包括以下步驟：

步驟1：從風場獲取風機功率歷史信息以及包括風速、風向、溫度、濕度構成的氣象特征形成數據表；

步驟2：補全數據表中缺失的風功率參數，具體步驟如下：

步驟2.1：篩選出風功率小于閾值p的數據作為風機故障數據；

步驟2.2：搭建三層由全連接層組成的神經網絡模型；

所述神經網絡模型的計算公式如下所示：

y＝ξ(wx+b)；

其中，y表示每一層神經網絡的輸出，最后一層輸出的y值為相應風功率，ξ為神經網絡的激活函數，x表示每一層神經網絡的輸入特征，w為神經網絡需要學習的權重，b為神經網絡需要學習的偏差；