[發明專利]一種基于深度學習網絡的短期風電功率預測方法和系統

有效

• 申請號: 202110015294.5
• 申請日: 2021-01-07
• 公開（公告）號: CN112348292B
• 公開（公告）日: 2021-08-06
• 發明（設計）人: 裴巖;王勃;車建峰;馮雙磊;劉純;汪步惟;王錚;王釗;趙艷青;姜文玲;張菲
• 申請（專利權）人: 中國電力科學研究院有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/08;G06N3/04
• 代理公司: 北京安博達知識產權代理有限公司 11271
• 代理人: 徐國文

1.一種基于深度學習網絡的短期風電功率預測方法，其特征在于，包括：

獲取待預測風電所在區域的網格化數值天氣預報數據；

將所述網格化數值天氣預報數據輸入預先訓練的深度學習映射模型，得到風電功率的預測值；

其中，所述深度學習映射模型包括數值天氣預報數據與風電功率預測值的對應關系；所述網格化數值天氣預報數據按照位置構成網格，每個網格點表示一個經緯，網格中每個格點包括多個天氣參數；

所述深度學習映射模型的訓練，包括：

獲取待預測風電所在區域的歷史數值天氣預報數據和對應的風電功率并根據經緯度進行網格化作為樣本集；

將樣本集中的歷史數值天氣預報數據作為輸入數據，對應的風電功率作為對應的輸出數據，對深度學習網絡結構進行訓練，得到深度學習映射模型；

其中，所述風電功率包括待預測風電所在區域內單個風電場的風電功率、預設多個風電場的總加風電功率或所有風電場的總加風電功率中的任意一個；

所述將所述數值天氣預報數據輸入預先訓練的深度學習映射模型，得到風電功率的預測值，包括：

當預測目標為待預測風電所在區域內單個風電場的風電功率時，將所述數值天氣預報數據輸入采用同一單個風電場的風電功率訓練的深度學習映射模型，得到所述風電場的風電功率的預測值；

當預測目標為待預測風電所在區域內多個風電場的風電功率時，將所述數值天氣預報數據輸入采用相同多個風電場的風電功率訓練的深度學習映射模型，得到對應多個風電場的總加風電功率的預測值；

當預測目標為待預測風電所在區域所有風電場的風電功率時，將所述數值天氣預報數據輸入采用所有風電場的風電功率訓練的深度學習映射模型，得到所有風電場的總加風電功率的預測值。

2.如權利要求1所述的方法，其特征在于，所述獲取待預測風電所在區域的數值天氣預報數據，包括：

根據待預測風電所在區域的經緯度構建網格；

對網格中的各個格點，分別獲取格點對應經緯度的數值天氣預報數據中的多個天氣參數疊加在所述格點上；所述天氣參數包括：各高度的風速、風向、溫度、濕度和壓力。

3.如權利要求1所述的方法，其特征在于，所述將樣本集中的歷史數值天氣預報數據作為輸入數據，對應的風電功率作為對應的輸出數據，對深度學習網絡結構進行訓練，得到深度學習映射模型，包括：

在樣本集中按照預設比例選取訓練集和測試集；

將測試集中的歷史數值天氣預報數據作為輸入數據，對應的風電功率作為輸出數據，分別對多個預設不同結構的深度學習網絡結構進行訓練，得到多個備選深度學習網絡結構；

采用測試集對各備選深度學習網絡結構進行測試，根據選擇標準選擇備選深度學習網絡結構作為深度學習映射模型；

其中，選擇標準包括：預測結果的均方根誤差、歸一化均方根誤差、平均絕對誤差、歸一化平均絕對誤差和相關性；

所述深度學習網絡結構包括卷積層、池化層、激活層和全連接層，卷積層、池化層和激活層順序連接成組件；不同結構的深度學習網絡結構包括：多個不同數目的組件順序連接后與全連接層連接，或組件內不同數目的卷積層連接后與池化層和激活層順序連接后再與全連接層連接，或者在不同組件間短路連接后再與全連接層連接。

4.如權利要求3所述的方法，其特征在于，所述根據選擇標準選擇備選深度學習網絡結構作為深度學習映射模型，包括：

根據選擇標準選擇一個最優備選深度學習網絡結構作為深度學習映射模型；

或根據選擇標準選擇多個備選深度學習網絡結構作為深度學習映射模型。

5.如權利要求4所述的方法，其特征在于，所述將所述數值天氣預報數據輸入預先訓練的深度學習映射模型，得到風電功率的預測值，包括：

當深度學習映射模型包括多個備選深度學習網絡結構時，將所述數值天氣預報數據分別輸入各備選深度學習網絡結構，得到多個備選的風電功率的預測值；

采用融合方法對所述多個備選的風電功率的預測值進行融合，得到風電功率的預測值；

所述融合方法包括：平均、線性回歸和非線性映射。