[發(fā)明專利]一種風(fēng)電功率預(yù)測(cè)方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202111349004.7
• 申請(qǐng)日: 2021-11-15
• 公開（公告）號(hào): CN114139777A
• 公開（公告）日: 2022-03-04
• 發(fā)明（設(shè)計(jì)）人: 麻紅波;曾凡春;曹利蒲;楊繼明;田長(zhǎng)風(fēng);陳巖磊;張澈;王傳鑫
• 申請(qǐng)（專利權(quán)）人: 北京華能新銳控制技術(shù)有限公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06N3/04;G06N3/00;G06N3/08
• 代理公司: 北京中知法苑知識(shí)產(chǎn)權(quán)代理有限公司 11226
• 代理人: 李明;趙吉陽

本發(fā)明提供一種風(fēng)電功率預(yù)測(cè)方法及裝置。所述方法包括：風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)的采集；基于卡爾曼濾波的數(shù)據(jù)預(yù)處理；增廣深度STSR?LSTM網(wǎng)絡(luò)的構(gòu)建；基于飛蛾火焰算法的增廣深度STSR?LSTM網(wǎng)絡(luò)的參數(shù)優(yōu)化；所提出的中長(zhǎng)期風(fēng)電功率預(yù)測(cè)方法的性能驗(yàn)證。本發(fā)明的風(fēng)電功率預(yù)測(cè)方法，提供了一種基于飛蛾火焰算法優(yōu)化選通遞歸神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的風(fēng)電功率預(yù)測(cè)方法以實(shí)現(xiàn)風(fēng)機(jī)功率的精準(zhǔn)預(yù)測(cè)。本發(fā)明聚焦于中長(zhǎng)期風(fēng)電功率預(yù)測(cè)，提出了增廣的深度序列到序列長(zhǎng)短期記憶回歸網(wǎng)絡(luò)模型來提高預(yù)測(cè)性能，可有效提高風(fēng)電功率預(yù)測(cè)精度。本發(fā)明通過飛蛾火焰算法對(duì)所用深度學(xué)習(xí)及神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)進(jìn)行優(yōu)化，從而進(jìn)一步保證算法性能。

技術(shù)領(lǐng)域

本發(fā)明屬于風(fēng)電功率預(yù)測(cè)技術(shù)領(lǐng)域，具體涉及一種風(fēng)電功率預(yù)測(cè)方法及裝置。

背景技術(shù)

在新能源電力背景下，為實(shí)現(xiàn)電能的供需平衡需同時(shí)考慮電網(wǎng)可調(diào)度性、能源及其儲(chǔ)備以及相對(duì)于傳統(tǒng)火電的發(fā)電成本。風(fēng)力發(fā)電具有經(jīng)濟(jì)性高、技術(shù)發(fā)展較為成熟和環(huán)境友好性等優(yōu)勢(shì)，因此被視為現(xiàn)代電力系統(tǒng)中最有前景的可再生能源之一。而風(fēng)電作為一種間歇性電源，為實(shí)現(xiàn)其在全球范圍內(nèi)長(zhǎng)足發(fā)展，需探索將其接入電網(wǎng)的最佳方式以確保電網(wǎng)的安全穩(wěn)定運(yùn)行。為此，需基于高質(zhì)量的風(fēng)力發(fā)電數(shù)據(jù)集辨識(shí)得到氣象等因素與機(jī)組輸出功率間的關(guān)系模型，然后基于該模型對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)，進(jìn)而為電網(wǎng)調(diào)度運(yùn)行提供參考以提高其穩(wěn)定性。

為提高風(fēng)力發(fā)電功率預(yù)測(cè)的準(zhǔn)確性和魯棒性，國(guó)內(nèi)外專家學(xué)者已做出了不懈的努力。主要從兩個(gè)方面出發(fā)，即預(yù)測(cè)的時(shí)間范圍和所采用的方法。根據(jù)所使用技術(shù)的不同，風(fēng)電功率預(yù)測(cè)模型可分為物理模型、數(shù)學(xué)模型、智能模型和混合模型，且在風(fēng)電功率預(yù)測(cè)過程中往往涉及氣象預(yù)報(bào)信息。為避免建模過程中復(fù)雜的機(jī)理分析過程，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)、徑向神經(jīng)網(wǎng)絡(luò)和模糊邏輯控制等方法大量應(yīng)用于風(fēng)電功率預(yù)測(cè)中。上述方法雖不依賴于預(yù)設(shè)的預(yù)測(cè)模型，但所得殘差幾乎為常數(shù)。與此同時(shí)，考慮到殘差并不總是可預(yù)測(cè)的，其不可預(yù)測(cè)性的存在會(huì)降低功率預(yù)測(cè)結(jié)果的準(zhǔn)確性。因此，深度學(xué)習(xí)的引入對(duì)解決這一問題至關(guān)重要。與廣義模型不同，深度學(xué)習(xí)模型對(duì)不同數(shù)據(jù)集中的演化模式做出響應(yīng)，并根據(jù)輸入的時(shí)間序列數(shù)據(jù)生成優(yōu)化結(jié)果。在風(fēng)電等新能源發(fā)電預(yù)測(cè)方面，深度學(xué)習(xí)網(wǎng)絡(luò)的性能優(yōu)于傳統(tǒng)預(yù)測(cè)模型。考慮到殘差的非平穩(wěn)和非線性特性，將深度學(xué)習(xí)方法和神經(jīng)分解網(wǎng)絡(luò)應(yīng)用于從屬方法可進(jìn)一步提高深度網(wǎng)絡(luò)的校正效率。

發(fā)明內(nèi)容

本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問題之一，提供一種風(fēng)電功率預(yù)測(cè)方法及裝置。

本發(fā)明的一方面，提供一種風(fēng)電功率預(yù)測(cè)方法，所述方法包括：

風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)的采集；

基于卡爾曼濾波的數(shù)據(jù)預(yù)處理；

增廣深度STSR-LSTM網(wǎng)絡(luò)的構(gòu)建；

基于飛蛾火焰算法的增廣深度STSR-LSTM網(wǎng)絡(luò)的參數(shù)優(yōu)化；

所提出的中長(zhǎng)期風(fēng)電功率預(yù)測(cè)方法的性能驗(yàn)證。

在一些實(shí)施方式中，所述風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)的采集，包括：

設(shè)風(fēng)電機(jī)組輸出功率為唯一的輸出變量y，通過主元法得到地勢(shì)、海拔、氣溫、風(fēng)速、風(fēng)向等輸入變量進(jìn)行篩選得到n個(gè)輸入變量作為最終的神經(jīng)網(wǎng)絡(luò)模型輸入變量{u₁,u₂,…,u_n}；

基于所得的各輸入輸出變量，以采樣間隔T獲取風(fēng)電機(jī)組的N組實(shí)際運(yùn)行數(shù)據(jù)，為保證所得預(yù)測(cè)模型的普適性和泛化能力，采樣數(shù)據(jù)需充分覆蓋機(jī)組在不同環(huán)境條件下的寬負(fù)荷范圍運(yùn)行工況。

在一些實(shí)施方式中，所述基于卡爾曼濾波的數(shù)據(jù)預(yù)處理，包括：

設(shè)風(fēng)電機(jī)組的離散模型為：