[發明專利]一種基于遞歸神經網絡的長短期記憶模型來預測風力發電的系統模型

在審

• 申請號: 202010108778.X
• 申請日: 2020-02-21
• 公開（公告）號: CN111130110A
• 公開（公告）日: 2020-05-08
• 發明（設計）人: 胡炳謙;周浩;顧一峰;韓俊
• 申請（專利權）人: 上海積成能源科技有限公司
• 主分類號: H02J3/00
• 分類號: H02J3/00;H02J3/38;G06F30/27
• 代理公司: 暫無信息
• 代理人: 暫無信息

與常規電源不同，風力發電幾乎完全取決于實時的天氣條件，隨機變化的天氣導致風力發電具有波動性，間接性，隨機性的特點。由于電力系統的發電，輸電，用電需要實時保持平衡，風力發電等新能源的大規模并網將給電網運行帶來越來越大的壓力。綜上所述，隨著風力發電在電力系統中的占比不斷加大，風力發電預測的重要性將愈來愈突顯，預測結果越準確就越能使電力系統運行效率和穩定性極大增加。本發明提出了一種基于歷史天氣數據和預測數據,和歷史風力數據進而預測風力發電的系統和方法。本方法基于一種基于遞歸神經網絡的長短期記憶模型來預測風力發電的系統模型可以極大的提高預測準確度。

技術領域

本發明涉及風力發電領域，具體涉及一種基于遞歸神經網絡的長短期記憶模型來預測風力發電的方法。

背景技術

隨著新能源發電在世界各國的開展，風能發電由于其具有比傳統能源發電更加清潔環保，以及取之不盡用之不竭的特點，是目前世界上首選的可再生能源發電模式。目前，國內外關于風力發電的研究越來越深入，但其中關于研究風速預測和風力發電功率預測方法，仍然沒有達到令人滿意的程度。由于風能發電具有隨機波動的特點，尤其是大規模風電入網會對系統的電能質量，諸如線路的潮流，無功補償，電壓和頻率帶來很多不利影響。

目前從大的研究方向來說，風電場功率預測模型可以分為三類：1）物理預測模型；2）統計預測模型；3）組合預測模型。

1）物理預測模型是基于數值天氣預報(NWP)的預測模型。數值天氣預報是指根據大氣實際情況，在一定的初值和邊界條件下，預測未來一定時段的大氣運動狀態和天氣現象的方法。物理預測模型一般建模步湊: 首先利用數值天氣預報 (NWP) 系統得到風電場的風速，風向，氣溫，氣壓等天氣信息，然后根據風電場的物理和地理信息，在充分考慮風電機組群聚集效應的基礎上，得到每個風力發電機組高度處的天氣信息，再使用單個風機的功率曲線計算計算出風電機組的輸出功率。物理預測模型的關鍵是準確地得到風電機組在高度處的天氣信息。物理預測模型的優點是不需要大量的歷史數據，只需要從實時的數據出發進行預測，是新建風電場的首選預測模型。然而，這也帶來了許多新的問題，如如何實現數據的高精度采集和實時快速傳輸等，這些都對數據采集裝置和數據傳輸網絡提出了很高的要求。并且物理預測模型的建模過程比較復雜，在一定程度上降低了預測精度。

2）統計預測模型的實質是在輸入（歷史數據，天氣預測信息等）和輸出（風電場功率）之間建立一種映射模型。然后應對這個模型進行預測。目前的統計預測模型主要有:有自回歸模型，時間序列模型，灰色模型，數據挖掘模型，人工神經網絡模型，支持向量機模型等等。統計模型的一般步湊包括: 建立歷史數據學習映射模型。選取合適的輸入輸出建立相關映射預測模型。進行檢驗。對第一步建立的映射進行檢驗。檢驗結果（誤差大小）滿意模型用來預測，不滿意則進行再學習。進行預測。把檢驗結果滿意的映射用來對風電場功率的預測研究。相對于物理模型來說，統計預測模型建模相對提高了預測精度，但是統計預測模型需要大量的歷史數據，而且由于風速，風向等氣象數據具有隨機性。因此統計預測模型的預測時間尺度比物理預測模型小。

3）組合預測模型是將兩種以上的單一預測進行綜合考慮。利用每種單一預測模型的有點來獲得全局最優的預測性能。基于物理模型和統計模型的組合預測模型建模方法如: 使用NWP系統得到風電場的天氣預報信息，并對信息根據風電場物理地理信息，群聚效益進行相應處理。得到所需要的數據，把數據輸入經過歷史數據學習簡歷的滿意映射中，預測風電場功率。

而本發明提出了一種統計預測模型，基于遞歸神經網絡的長短期記憶模型來預測風力發電的系統模型。

發明內容

本發明提出了一種基于歷史天氣數據和預測數據, 和歷史風力數據進而預測風力發電的系統和方法。本方法基于一種基于遞歸神經網絡的長短期記憶模型來預測風力發電的系統模型可以極大的提高預測準確度。

附圖說明

圖1為本發明實施中預測模型的流程圖。