CN109615146B - 一种基于深度学习的超短时风功率预测方法 - Google Patents
一种基于深度学习的超短时风功率预测方法 Download PDFInfo
- Publication number
- CN109615146B CN109615146B CN201811610728.0A CN201811610728A CN109615146B CN 109615146 B CN109615146 B CN 109615146B CN 201811610728 A CN201811610728 A CN 201811610728A CN 109615146 B CN109615146 B CN 109615146B
- Authority
- CN
- China
- Prior art keywords
- model
- wind power
- data
- neural network
- iters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
- Control Of Eletrric Generators (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于深度学***稳经济调度。
Description
技术领域
本发明涉及风场风功率预测技术领域，具体涉及一种基于深度学习的超短时风功率预测方法。
背景技术
风电作为一种低成本、无污染、可再生能源，受到世界各国的青睐。以风电为代表的可再生能源，发展很快。据全球风能理事会(GWEC)统计数据显示，全球风电累计装机能力呈现逐年递增的趋势。
因为风速变化的随机性，风电场出力具有很强的不稳定性，并且大型风力涡轮机不能储存电能，而且不受人为控制。这些客观存在的事实表明，虽然风力发电具有许多显而易见的优点，但同时也将造成负面影响，这些问题在某些程度上限制了风力发电发展的步伐。因此做好风电发电的预测和调控是风电并网稳定运行和有效消纳的重要条件。
风功率预测按照预测时间尺度可以分为超短期预测和短期预测，超短期预测一般是预测以小时为单位，短期预测是预测以天为单位。这些预测数据需要上报到上级考核***中用于电网调度。在实际预测中，因为风电随机性的特点导致上报的预测误差比较大，准确度比较低。因此为了解决大规模风电并网问题，提高风电场与电力***的协调运行的稳定性，需要解决风功率预测准确性这个关键技术问题。
风功率预测方法一般主要有物理方法和统计方法。物理模型的方法主要是根据风电场的地理信息和气象信息，预测出未来一段时间内风电场的气象数据，从而预测出风电场的输出功率。统计方法是根据历史风功率和气象数据信息对风电场输出功率进行预测，常用的预测方法有人工神经元网络、蚁群算法和支持向量机(SVM)方法等。目前大部分风功率预测方法都是利用风电场的气象数据和历史数据对整个风电场的输出功率进行预测，没有考虑历史风速的时间序列的相关性。专利ZL201510510342.2将小波分解和支持向量机相结合，准确率只达到82.8％，专利ZL201510958548.1将遗传算法和神经网络相结合，但准确率也只有81.4％。
发明内容
针对现有技术存在的问题，本发明提供一种基于深度学***稳经济调度。
为了实现上述目的，一种基于深度学习的超短时风功率预测方法，包括以下步骤：
步骤1：从风场获取风机功率历史信息以及包括风速、风向、温度、湿度构成的气象特征形成数据表；
步骤2：补全数据表中缺失的风功率参数，具体步骤如下：
步骤2.1：筛选出风功率小于阈值p的数据作为风机故障数据；
步骤2.2：搭建三层由全连接层组成的神经网络模型；
所述神经网络模型的计算公式如下所示：
y＝ξ(wx+b)；
其中，y表示每一层神经网络的输出，最后一层输出的y值为相应风功率，ξ为神经网络的激活函数，x表示每一层神经网络的输入特征，w为神经网络需要学习的权重，b为神经网络需要学习的偏差；
步骤2.3：设定神经网络的参数，包括第一层全连接层的输出通道数l1、第二层全连接层的输出通道数l2、第三层全连接层的输出通道数l3、各全连接层的输入层数nin和各全连接层的输出层数nout，初始化神经网络的权重在
的范围内均匀分布；
步骤2.4：采用梯度下降法更新神经网络模型需要学习的参数，即权重w和偏差b；
步骤2.5：将数据批次设置为batch1，训练次数设置为maxt-iters，对神经网络模型进行训练，并保存maxt-iters次训练的神经网络模型；
步骤2.6：计算maxt-iters次神经网络模型输出值的准确率acc，将准确率最高的神经网络模型输出；
所述神经网络模型输出值的准确率acc的计算公式如下：
其中，loss1为神经网络模型的损失函数，ytrue为风功率的真实值；所述神经网络模型的损失函数loss1的计算公式如下：
其中，
为神经网络模型的预测输出值；
步骤2.7：将风机故障数据中的气象特征输入到输出的神经网络模型中，将输出的出风功率补全到数据表中；
步骤3：搭建基于序列对序列的风功率预测模型，具体步骤如下：
步骤3.1：以时间t为单位，将数据表中的数据分割成多组长度为l的序列，第一组序列中的温度、湿度以及该时刻的风功率作为输入特征，下一组序列中的风功率作为输出特征，随机分配训练集，测试集比例为k1∶k2；
步骤3.2：对数据表中的数据进行归一化预处理；
步骤3.3：搭建编码模型和译码模型并生成预测值，具体步骤如下：
步骤3.3.1：搭建由k个LSTM模块组成的编码模型学习序列信息，并将编码模型的隐藏层层数设置为k3，各隐藏层输出通道数设置为k4；
所述LSTM模块具体计算公式如下：
hn＝on⊙tanh(Whcn+Bh)；
in＝σ(Wi[inputsn-1；hn-1]+Bi)；
fn＝σ(Wf[inputsn-1；hn-1]+Bf)；
on＝σ(Wo[inputsn-1；hn-1]+Bo)；
其中，inputsn表示第n层编码模型的输入，hn表示第n层编码模型隐藏层的输出，cn为第n层的记忆单元，in、fn和on均为第n层的门控开关，Wh、Wc、Wi、Wf、Wo分别为模型输出h、记忆单元c、门控开关i、f、o的权重，Bh、Bc、Bi、Bf、Bo分别为模型输出h、记忆单元c、门控开关i、f、o的偏差，σ为sigmoid函数，
为中间变量；所述sigmoid函数σ的的计算公式如下：
步骤3.3.2：将编码模型最后一个时间序列作为解码模型第一个时间序列隐藏层的输入，搭建由k个LSTM模块组成的解码模型；
步骤3.3.3：将解码模型每一序列隐藏层最后一层输出与权重W相乘，得到解码模型的预测值，即Wx+B，其中，权重初始方式为服从N(0，1)的正态分布；
步骤3.4：按照如下公式搭建风功率预测模型的损失函数loss2：
步骤3.5：采用梯度下降法更新风功率预测模型需要学习的参数，即权重W和偏差B；
步骤3.6：将批次设置为batch2，最大迭代次数设置为itersmax，对风功率预测模型进行训练，并保存itersmax次训练的风功率预测模型；
步骤3.7：计算itersmax次风功率预测模型的测试误差accuracy，将测试误差最小的风功率预测模型输出，用于预测风功率；
所述预测风功率模型的测试误差accuracy的计算公式如下：
其中，mean为每一批次数据的误差平均值。
优选的，所述步骤2.4和步骤3.5中更新模型参数的公式如下：
其中，θiters+1为第iters+1次迭代的模型参数，α为学***方值；所述第iters次迭代的梯度giters和参数梯度平方值E[g2]iters的计算公式如下：
其中，ρ为衰减速率。
优选的，所述步骤3.2中对数据进行归一化预处理的公式如下：
其中，inputs_mean为输入数据的均值，N为输入数据的个数，inputsi为输入的第i个数据，inputs_std为输入数据的标准差，Y_mean为输出数据的均值，Yi为输出的第i个数据，Y_std为输出数据的标准差。
本发明的有益效果：
本发明提出一种基于深度学***稳经济调度。
附图说明
图1为本发明实施例中基于深度学习的超短时风功率预测方法的流程图；
图2为本发明实施例中补全数据的神经网络结构图；
图3为本发明实施例中补全数据的神经网络拟合准确率曲线图；
图4为本发明实施例中基于LSTM的序列对序列模型的整体结构图；
图5为本发明实施例中基于LSTM的序列对序列模型的编码模型结构图；
图6为本发明实施例中基于LSTM的序列对序列模型的解码模型结构图；
图7为本发明实施例中风功率预测结果对比曲线图。
具体实施方式
为了使本发明的目的、技术方案及优势更加清晰，下面结合附图和具体实施例对本发明做进一步详细说明。此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
一种基于深度学习的超短时风功率预测方法，流程如图1所示，具体包括以下步骤：
步骤1：从风场获取风机功率历史信息以及包括风速、风向、温度、湿度构成的气象特征形成数据表。
步骤2：补全数据表中缺失的风功率参数，具体步骤如下：
步骤2.1：筛选出风功率小于阈值p的数据作为风机故障数据。
步骤2.2：搭建三层由全连接层组成的神经网络模型。
所述神经网络模型的计算公式如公式(1)所示：
y＝ξ(wx+b) (1)
其中，y表示每一层神经网络的输出，最后一层输出的y值为相应风功率，ξ为神经网络的激活函数，x表示每一层神经网络的输入特征，w为神经网络需要学习的权重，b为神经网络需要学习的偏差。
本实施例中，神经网络前两层的激活函数为ReLU激活函数，最后一层神经网络的激活函数为None；所述ReLU激活函数的计算公式如公式(2)所示：
ξ＝max(0，wx+b) (2)
步骤2.3：设定神经网络的参数，包括第一层全连接层的输出通道数l1、第二层全连接层的输出通道数l2、第三层全连接层的输出通道数l3、各全连接层的输入层数nin和各全连接层的输出层数nout，初始化神经网络的权重在
的范围内均匀分布。
本实施例中，神经网络是由三层全连接层组成，神经网络的输出通道数分别设置为4，4，1，网络权重的初始化方法采用Xavier方法，搭建的神经网络结构如图2所示。
步骤2.4：采用梯度下降法更新神经网络模型需要学习的参数，即权重w和偏差b。
所述更新模型参数的公式如公式(3)所示：
其中，θiters+1为第iters+1次迭代的模型参数，α为学***方值；所述第iters次迭代的梯度giters和参数梯度平方值E[g2]iters的计算公式如公式(4)和公式(5)所示：
其中，ρ为衰减速率。
本实施例中，学习率α设置为0.007，ε默认为1e-10，衰减速率ρ设置为0.92。
步骤2.5：将数据批次设置为batch1，训练次数设置为maxt-iters，对神经网络模型进行训练，并保存maxt-iters次训练的神经网络模型。
本实施例中，由于计算机运行内存有限，将所有数据一起训练会造成内存溢出现象发生，所以采用小批次训练方法，每次模型只训练一定批次数量的数据，故将数据批次batch1设置为16，训练次数maxt-iters设置为50000。
步骤2.6：计算maxt-iters次神经网络模型输出值的准确率acc，将准确率最高的神经网络模型输出。
所述神经网络模型输出值的准确率acc的计算公式如公式(6)所示：
其中，loss1为神经网络模型的损失函数，ytrue为风功率的真实值；所述神经网络模型的损失函数loss1的计算公式如公式(7)所示：
其中，
为神经网络模型的预测输出值。
本实施例中，神经网络拟合准确率如图3所示，由图3可以看出，最终测试准确率可达到80％左右。
步骤2.7：将风机故障数据中的气象特征输入到输出的神经网络模型中，将输出的出风功率补全到数据表中。
步骤3：搭建基于序列对序列的风功率预测模型，其结构如图4所示，具体步骤如下：
步骤3.1：以时间t为单位，将数据表中的数据分割成多组长度为l的序列，第一组序列中的温度、湿度以及该时刻的风功率作为输入特征，下一组序列中的风功率作为输出特征，随机分配训练集，测试集比例为k1∶k2。
本实施例中，取时间t为15min，长度l为10，测试集比例k1∶k2为8∶2，因此，将数据以每15分钟，长度为10生成一组序列作为输入，输入特征包括温度、湿度以及该时刻的风功率，下一时段15分钟，长度为10的风功率生成一组序列作为输出，输出特征只包含风功率。
步骤3.2：对数据表中的数据进行归一化预处理。
所述对数据进行归一化预处理的公式如公式(8)和公式(9)所示：
其中，inputs_mean为输入数据的均值，N为输入数据的个数，inputsi为输入的第i个数据，inputs_std为输入数据的标准差，Y_mean为输出数据的均值，Yi为输出的第i个数据，Y_std为输出数据的标准差。
步骤3.3：搭建编码模型和译码模型并生成预测值，具体步骤如下：
步骤3.3.1：搭建由k个LSTM模块组成的编码模型学习序列信息，并将编码模型的隐藏层层数设置为k3，各隐藏层输出通道数设置为k4。
本实施例中，取k为10，k3为3，k4为10，搭建的编码模型结构如图5所示，其中，实心圆即为LSTM模块，LSTM就是利用门控开关来控制所接收上一单元信息的多少，使网络可以学习更长序列的信息。选择LSTM是因为相较与RNN模块，LSTM可以解决梯度消失问题。
所述LSTM模块具体计算公式如公式(10)和公式(15)所示：
hn＝on⊙tanh(Whcn+Bh) (10)
in＝σ(Wi[inputsn-1；hn-1]+Bi) (13)
fn＝σ(Wf[inputsn-1；hn-1]+Bf) (14)
on＝σ(Wo[inputsn-1；hn-1]+Bo) (15)
其中，inputsn表示第n层编码模型的输入，hn表示第n层编码模型隐藏层的输出，cn为第n层的记忆单元，in、fn和on均为第n层的门控开关，Wh、Wc、Wi、Wf、Wo分别为模型输出h、记忆单元c、门控开关i、f、o的权重，Bh、Bc、Bi、Bf、Bo分别为模型输出h、记忆单元c、门控开关i、f、o的偏差，σ为sigmoid函数，
为中间变量；所述sigmoid函数σ的的计算公式如公式(16)所示：
步骤3.3.2：将编码模型最后一个时间序列作为解码模型第一个时间序列隐藏层的输入，搭建由k个LSTM模块组成的解码模型。
本实施例中，解码模型结构和编码模型结构相同大致相同，都为10个LSTM模块连接在一起，其结构如图6所示。
本实施例中，序列对序列的风功率预测模型训练时，解码模型的输入是上一时刻的输出真实值，测试时，解码模型的输入是上一时刻的预测值。
步骤3.3.3：将解码模型每一序列隐藏层最后一层输出与权重W相乘，得到解码模型的预测值，即Wx+B，其中，权重初始方式为服从N(0，1)的正态分布。
步骤3.4：按照公式(17)搭建风功率预测模型的损失函数loss2：
步骤3.5：采用梯度下降法更新风功率预测模型需要学习的参数，即权重W和偏差B如公式(3)-公式(5)所示。
本实施例中，风功率预测模型的优化方法与神经网络模型的优化方法相同，均为RMSProp，参数设定完全一致。
步骤3.6：将批次设置为batch2，最大迭代次数设置为itersmax，对风功率预测模型进行训练，并保存itersmax次训练的风功率预测模型。
本实施例中，在处理器为
CoreTM[email protected]运行内存为4.00GB的64位台式电脑上进行小批次训练，设定批次batch2为16，最大迭代次数itersmax为10000次，训练模型，保存测试误差最小的模型。
步骤3.7：计算itersmax次风功率预测模型的测试误差accuracy，将测试误差最小的风功率预测模型输出，用于预测风功率。
所述预测风功率模型的测试误差accuracy的计算公式如公式(18)所示：
其中，mean为每一批次数据的误差平均值。
本实施例中，最终的风功率预测模型模型的运行时间、准确率如表1所示。
表1模型训练时间及准确率
| 模型训练时间 | 单组数据运行时间 | 准确率 |
| 139.15s | 0.004s | 94.20％ |
随机截取的多组数据的预测对比结果如表2所示，将表2转化为可视化的对比曲线图如图7所示，由图7可以看出，预测曲线基本和实际数据重合，对于超短时数据缺失的预测精度已经很高。
表2预测结果与真实值比较结果
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；因而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (4)
1.一种基于深度学习的超短时风功率预测方法，其特征在于，包括以下步骤：
步骤1：从风场获取风机功率历史信息以及包括风速、风向、温度、湿度构成的气象特征形成数据表；
步骤2：补全数据表中缺失的风功率参数，具体步骤如下：
步骤2.1：筛选出风功率小于阈值p的数据作为风机故障数据；
步骤2.2：搭建三层由全连接层组成的神经网络模型；
步骤2.3：设定神经网络的参数，包括第一层全连接层的输出通道数l1、第二层全连接层的输出通道数l2、第三层全连接层的输出通道数l3、各全连接层的输入层数nin和各全连接层的输出层数nout，初始化神经网络的权重在
的范围内均匀分布；
步骤2.4：采用梯度下降法更新神经网络模型需要学习的参数，即权重w和偏差b；
步骤2.5：将数据批次设置为batch1，训练次数设置为maxt-iters，对神经网络模型进行训练，并保存maxt-iters次训练的神经网络模型；
步骤2.6：计算maxt-iters次神经网络模型输出值的准确率acc，将准确率最高的神经网络模型输出；
步骤2.7：将风机故障数据中的气象特征输入到输出的神经网络模型中，将输出的出风功率补全到数据表中；
步骤3：搭建基于序列对序列的风功率预测模型，具体步骤如下：
步骤3.1：以时间t为单位，将数据表中的数据分割成多组长度为l的序列，第一组序列中的温度、湿度以及该时刻的风功率作为输入特征，下一组序列中的风功率作为输出特征，随机分配训练集，测试集比例为k1∶k2；
步骤3.2：对数据表中的数据进行归一化预处理；
步骤3.3：搭建编码模型和译码模型并生成预测值；
步骤3.4：搭建风功率预测模型的损失函数loss2：
步骤3.5：采用梯度下降法更新风功率预测模型需要学习的参数，即权重W和偏差B；
步骤3.6：将批次设置为batch2，最大迭代次数设置为itersmax，对风功率预测模型进行训练，并保存itersmax次训练的风功率预测模型；
步骤3.7：计算itersmax次风功率预测模型的测试误差accuracy，将测试误差最小的风功率预测模型输出，用于预测风功率。
2.根据权利要求1所述的基于深度学习的超短时风功率预测方法，其特征在于，所述步骤2.4和步骤3.5中更新模型参数的公式如下：
其中，θiters+1为第iters+1次迭代的模型参数，α为学***方值；所述第iters次迭代的梯度giters和参数梯度平方值E[g2]iters的计算公式如下：
其中，ρ为衰减速率。
3.根据权利要求1所述的基于深度学习的超短时风功率预测方法，其特征在于，所述步骤3.2中对数据进行归一化预处理的公式如下：
其中，inputs_mean为输入数据的均值，N为输入数据的个数，inputsi为输入的第i个数据，inputs_std为输入数据的标准差，Y_mean为输出数据的均值，Yi为输出的第i个数据，Y_std为输出数据的标准差。
4.根据权利要求1所述的基于深度学习的超短时风功率预测方法，其特征在于，所述步骤3.3包括以下步骤：
步骤3.3.1：搭建由k个LSTM模块组成的编码模型学习序列信息，并将编码模型的隐藏层层数设置为k3，各隐藏层输出通道数设置为k4；
所述LSTM模块具体计算公式如下：
hn＝on⊙tanh(Whcn+Bh)；
in＝σ(Wi[inputsn-1；hn-1]+Bi)；
fn＝σ(Wf[inputsn-1；hn-1]+Bf)；
on＝σ(Wo[inputsn-1；hn-1]+Bo)；
其中，inputsn表示第n层编码模型的输入，hn表示第n层编码模型隐藏层的输出，cn为第n层的记忆单元，in、fn和on均为第n层的门控开关，Wh、Wc、Wi、Wf、Wo分别为模型输出h、记忆单元c、门控开关i、f、o的权重，Bh、Bc、Bi、Bf、Bo分别为模型输出h、记忆单元c、门控开关i、f、o的偏差，σ为sigmoid函数，
为中间变量；所述sigmoid函数σ的的计算公式如下：
步骤3.3.2：将编码模型最后一个时间序列作为解码模型第一个时间序列隐藏层的输入，搭建由k个LSTM模块组成的解码模型；
步骤3.3.3：将解码模型每一序列隐藏层最后一层输出与权重W相乘，得到解码模型的预测值，即Wx+B，其中，权重初始方式为服从N(0，1)的正态分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811610728.0A CN109615146B (zh) | 2018-12-27 | 2018-12-27 | 一种基于深度学习的超短时风功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811610728.0A CN109615146B (zh) | 2018-12-27 | 2018-12-27 | 一种基于深度学习的超短时风功率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109615146A CN109615146A (zh) | 2019-04-12 |
| CN109615146B true CN109615146B (zh) | 2023-02-07 |
Family
ID=66012786
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811610728.0A Active CN109615146B (zh) | 2018-12-27 | 2018-12-27 | 一种基于深度学习的超短时风功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109615146B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110782071A (zh) * | 2019-09-25 | 2020-02-11 | 天津大学 | 基于时空特性融合的卷积神经网络进行风电功率预测方法 |
| CN110826791A (zh) * | 2019-10-31 | 2020-02-21 | 东北电力大学 | 一种基于长短时记忆神经网络的混合风功率预测方法 |
| CN111091236B (zh) * | 2019-11-27 | 2023-06-20 | 长春吉电能源科技有限公司 | 一种按桨距角分类的多分类深度学习短期风功率预测方法 |
| CN112801350B (zh) * | 2021-01-13 | 2022-09-06 | 中国电建集团华东勘测设计研究院有限公司 | 基于不确定度的深度学习超短时风电功率预测***及方法 |
| CN112905958B (zh) * | 2021-01-27 | 2024-04-19 | 南京国电南自电网自动化有限公司 | 基于测控装置的短时数据窗遥测数据状态辨识方法及*** |
| CN112923523B (zh) * | 2021-02-03 | 2022-05-17 | 深圳市美兆环境股份有限公司 | 一种基于物联网数据链的智能型新风***调控方法 |
| CN112861989A (zh) * | 2021-03-04 | 2021-05-28 | 水利部信息中心 | 一种基于密度筛选的深度神经网络回归模型 |
| CN114626509B (zh) * | 2022-03-28 | 2024-06-14 | 杭州师范大学 | 一种基于深度学习重构显式模型预测控制方法 |
| CN115271225B (zh) * | 2022-08-05 | 2023-07-21 | 中国矿业大学(北京) | 一种基于小波降噪和神经网络的风力-风功率建模方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787592A (zh) * | 2016-02-26 | 2016-07-20 | 河海大学 | 基于改进rbf网络的风电机组超短期风功率预测方法 |
| CN108448610A (zh) * | 2018-03-12 | 2018-08-24 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
-
2018
- 2018-12-27 CN CN201811610728.0A patent/CN109615146B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787592A (zh) * | 2016-02-26 | 2016-07-20 | 河海大学 | 基于改进rbf网络的风电机组超短期风功率预测方法 |
| CN108448610A (zh) * | 2018-03-12 | 2018-08-24 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109615146A (zh) | 2019-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109615146B (zh) | 一种基于深度学习的超短时风功率预测方法 | |
| Zhang et al. | Short-term forecasting and uncertainty analysis of wind turbine power based on long short-term memory network and Gaussian mixture model | |
| Gu et al. | Forecasting and uncertainty analysis of day-ahead photovoltaic power using a novel forecasting method | |
| Wang et al. | A novel combined model based on hybrid optimization algorithm for electrical load forecasting | |
| Tian et al. | Multi-step short-term wind speed prediction based on integrated multi-model fusion | |
| Duan et al. | A combined short-term wind speed forecasting model based on CNN–RNN and linear regression optimization considering error | |
| CN102270309B (zh) | 一种基于集成学习的短期电力负荷预测方法 | |
| Cai et al. | Wind speed forecasting based on extreme gradient boosting | |
| Wang et al. | Short-term photovoltaic power generation forecasting based on environmental factors and GA-SVM | |
| Ye et al. | Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning | |
| CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
| CN110110434B (zh) | 一种概率潮流深度神经网络计算的初始化方法 | |
| Chen et al. | Interpretable time-adaptive transient stability assessment based on dual-stage attention mechanism | |
| CN113158572A (zh) | 一种短期负荷的预测方法及装置 | |
| CN111091236A (zh) | 一种按桨距角分类的多分类深度学习短期风功率预测方法 | |
| CN115275991A (zh) | 一种基于iemd-ta-lstm模型的主动配电网运行态势预测方法 | |
| Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
| Zhang et al. | Achieving wind power and photovoltaic power prediction: An intelligent prediction system based on a deep learning approach | |
| CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
| Tao et al. | On comparing six optimization algorithms for network-based wind speed forecasting | |
| Shen et al. | Short-term load forecasting of power system based on similar day method and PSO-DBN | |
| CN113205228B (zh) | 一种短期风力发电输出功率的预测方法 | |
| Wu et al. | Combined IXGBoost-KELM short-term photovoltaic power prediction model based on multidimensional similar day clustering and dual decomposition | |
| Zhong et al. | PV power short-term forecasting model based on the data gathered from monitoring network | |
| Rahaman et al. | Bayesian optimization based ANN model for short term wind speed forecasting in newfoundland, Canada |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |