[發(fā)明專利]一種基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的風(fēng)電場內(nèi)多點位風(fēng)速預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201911028254.3
• 申請日: 2019-10-28
• 公開（公告）號: CN110889535B
• 公開（公告）日: 2022-07-12
• 發(fā)明（設(shè)計）人: 何偉;黃揚琪;何昊;趙偉哲;閻潔;周家慷
• 申請（專利權(quán)）人: 國網(wǎng)江西省電力有限公司電力科學(xué)研究院;國家電網(wǎng)有限公司;華北電力大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/08;G06N3/04
• 代理公司: 南昌市平凡知識產(chǎn)權(quán)代理事務(wù)所 36122
• 代理人: 夏材祥

本發(fā)明提供了一種基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的風(fēng)電場內(nèi)多點位風(fēng)速預(yù)測方法，包括以下步驟：步驟一：采集風(fēng)電場的運行數(shù)據(jù)，采集的數(shù)據(jù)包括多臺風(fēng)電機組位置處的實測風(fēng)速和實測風(fēng)向；步驟二：根據(jù)步驟一所采集的數(shù)據(jù)建立基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的風(fēng)電場內(nèi)多點位風(fēng)速預(yù)測模型的卷積模塊；步驟三：根據(jù)步驟一建立基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的風(fēng)電場內(nèi)多點位風(fēng)速預(yù)測模型的LSTM模塊；步驟四：將卷積模塊和LSTM模塊的輸出連接，步驟五：以平均絕對誤差（MAE）損失函數(shù)指標訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。本發(fā)明對于電網(wǎng)來說有助于優(yōu)化電網(wǎng)調(diào)度及減少旋轉(zhuǎn)備用容量，保障電力系統(tǒng)安全可靠經(jīng)濟運行，減小機組疲勞載荷。

技術(shù)領(lǐng)域

本發(fā)明屬于新能源發(fā)電技術(shù)領(lǐng)域，特別涉及一種基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的風(fēng)電場內(nèi)多點位風(fēng)速預(yù)測方法。

背景技術(shù)

風(fēng)電已經(jīng)從補充能源進入到替代能源的發(fā)展階段。然而，風(fēng)電出力具有隨機波動性，大規(guī)模風(fēng)電并網(wǎng)會對電力系統(tǒng)的安全穩(wěn)定運行帶來嚴重威脅。對風(fēng)電場進行高精度的超短期風(fēng)速預(yù)測，一方面對于電網(wǎng)來說有助于優(yōu)化電網(wǎng)調(diào)度及減少旋轉(zhuǎn)備用容量，保障電力系統(tǒng)安全可靠經(jīng)濟運行。另一方面對于風(fēng)電場來說，由于尾流作用的影響，風(fēng)電場內(nèi)的單機最優(yōu)控制難以保證整場出力最優(yōu)。通過提前獲知風(fēng)電場的整體流場分布，并根據(jù)流場情況調(diào)整所有風(fēng)電機組的控制策略是提升風(fēng)電場發(fā)電量、減小機組疲勞載荷的重要研究方向。考慮風(fēng)電場機組運行狀態(tài)進行全場風(fēng)速空間分布預(yù)測可以達到風(fēng)電場尾流控制的目的。

風(fēng)電場的整場風(fēng)速分布是受風(fēng)電場內(nèi)地形、風(fēng)向、溫度、機組排布以及機組運行狀態(tài)(轉(zhuǎn)速、偏航、槳距角狀態(tài))等多變量影響的復(fù)雜時空耦合過程。某個特定位置的風(fēng)速值不僅在時間上有一定的自相關(guān)性，而且在空間上受到其他處于不同位置風(fēng)電機組以及所處空間的拓撲結(jié)構(gòu)和環(huán)境條件的影響。但是在目前的各種風(fēng)速預(yù)測方法中只考慮單個點位的風(fēng)速時間序列信號，預(yù)測過程中往往僅需要單個點位風(fēng)速的歷史數(shù)據(jù)和實時數(shù)據(jù)，因而預(yù)測方法的體系和模型預(yù)測精度都有待于進一步完善和提高。因此，考慮風(fēng)電場內(nèi)的風(fēng)速時空分布，并結(jié)合風(fēng)電場內(nèi)多臺風(fēng)電機組的風(fēng)速、風(fēng)向時間序列數(shù)據(jù)，通過深度學(xué)習(xí)算法針對性地建立考慮多變量時空耦合的超短期多點風(fēng)速分布預(yù)測模型，將有可能進一步提高預(yù)測精度，并為整場智能控制提供依據(jù)。

發(fā)明內(nèi)容

為解決上述問題，本方案使用卷積神經(jīng)網(wǎng)絡(luò)的多尺度濾波器提取影響長期風(fēng)速分布的全場多變量特征，并通過循環(huán)神經(jīng)網(wǎng)絡(luò)進一步學(xué)習(xí)短期時間特征，建立基于深度卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的風(fēng)電場多點風(fēng)速分布預(yù)測模型，利用卷積神經(jīng)網(wǎng)絡(luò)善于提取有用特征與循環(huán)神經(jīng)網(wǎng)絡(luò)具有記憶性的特點，具有可以自動提取特征及更好處理時間序列問題的能力，以提高風(fēng)電場超短期風(fēng)速預(yù)測的精度。

為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的風(fēng)電場內(nèi)多點位風(fēng)速預(yù)測方法，基于卷積神經(jīng)網(wǎng)絡(luò)可以自動提取特征及循環(huán)神經(jīng)網(wǎng)絡(luò)可以更好處理時間序列問題的能力，及其適用于高維度數(shù)據(jù)的網(wǎng)絡(luò)結(jié)構(gòu)，本發(fā)明可以以小時間尺度數(shù)據(jù)預(yù)測較大時間尺度風(fēng)速，本發(fā)明建立以多臺機組1分鐘級風(fēng)速風(fēng)向序列數(shù)據(jù)為輸入，多點位處十分鐘平均風(fēng)速為輸出的超短期風(fēng)速預(yù)測模型。步驟如下：

步驟一：采集風(fēng)電場的運行數(shù)據(jù)，包括多臺風(fēng)電機組位置處的實測風(fēng)速和實測風(fēng)向。去除異常數(shù)據(jù)，使用最近鄰插補算法及線性插補算法插補缺失數(shù)據(jù)，還原大部分可還原的數(shù)據(jù)。將數(shù)據(jù)集劃分為訓(xùn)練集和測試集。

步驟二：建立基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的風(fēng)電場內(nèi)多點位風(fēng)速預(yù)測模型的卷積模塊。

模型的卷積模塊將時域卷積與頻域卷積相結(jié)合以提取長期的風(fēng)電場風(fēng)速分布特征信息。卷積模塊包含兩個卷積層、兩個池化層、展平層和全連接層。數(shù)臺機組時間分辨率為1分鐘的連續(xù)一小時風(fēng)速與風(fēng)向數(shù)據(jù)通過第一個卷積層以及ReLU激活層，該卷積層為時域卷積層(即只在時間維度上進行卷積)，生成一組特征圖，再經(jīng)過無重疊最大池化進行降采樣。時域卷積層的輸出通過第二個卷積層以及ReLU激活層，該卷積層為頻域卷積層即只在頻域維度上進行卷積，生成另一組特征圖，將這組特征圖與展平層連接使多維張量一維化，再與全連接層連接，最后經(jīng)過linear函數(shù)激活作為卷積模塊的輸出。