CN111178500A - 一种基于组合深度学习网络的风功率预测*** - Google Patents

一种基于组合深度学习网络的风功率预测*** Download PDF

Info

Publication number
CN111178500A
CN111178500A CN201911261075.4A CN201911261075A CN111178500A CN 111178500 A CN111178500 A CN 111178500A CN 201911261075 A CN201911261075 A CN 201911261075A CN 111178500 A CN111178500 A CN 111178500A
Authority
CN
China
Prior art keywords
prediction
wind power
data
network
neural network
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.)
Pending
Application number
CN201911261075.4A
Other languages
English (en)
Inventor
曾宪文
王雨城
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN201911261075.4A priority Critical patent/CN111178500A/zh
Publication of CN111178500A publication Critical patent/CN111178500A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于组合深度学习网络的风功率预测***，该***包括：数据采集预处理模块：采集风场的历史数据并进行预处理，生成卷积神经网络的输入数据；数据特征图谱提取模块：构建卷积神经网络，对经过预处理的历史数据进行特征图谱的提取，将提取的历史数据特征图谱作为预测网络的输入；数据特征图谱处理模块：构建基于深度学习的预测网络并进行训练建模，建立历史数据特征图谱输入和输出之间的非线性关系，并输出预测结果；预测结果显示模块：用以实现对预测结果进行可视化展示，并实现对预测结果的显示跟踪。与现有技术相比，本发明具有提高预测精度、减少预测时间、减少预测***核心网络输入数据的大小、提高预测模型的预测效率等优点。

Description

一种基于组合深度学习网络的风功率预测***
技术领域
本发明涉及风电场的功率预测领域，尤其是涉及一种基于组合深度学习网络的风功率预测***。
背景技术
现有的基于深度学习的风功率预测***均为使用单一深度学习算法的预测***，这些***都只能发挥某种特定深度算法的预测优势，从而存在预测精度差，预测时间长等问题，在进行预测时存在很大的局限性。
由于现有的风功率预测***多是基于单一的深度学习网络，这些预测***在进行预测时都难免表现出单一学习网络不同缺陷，预测精度低，使用场景受限的问题，从而无法达到对风功率的有效预测。而且没有对训练历史数据进行深度的挖掘处理，使***的训练和预测时间过长，不经深度挖掘的训练数据也会使模型的预测精度进一步降低。同时，由于训练数据的封闭性，导致预测模型经常出现过拟合现象而不被重视，使得预测模型的使用价值大大降低。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于组合深度学习网络的风功率预测***。
本发明的目的可以通过以下技术方案来实现：
一种基于组合深度学习网络的风功率预测***，该***包括：
数据采集预处理模块：采集风场的历史数据并进行预处理，生成卷积神经网络的输入数据；
数据特征图谱提取模块：构建卷积神经网络，对经过预处理的历史数据进行特征图谱的提取，降低输入数据维度，并将提取的历史数据特征图谱作为预测网络的输入；
数据特征图谱处理模块：构建基于深度学习的预测网络并进行训练建模，并优化预测网络的参数，建立历史数据特征图谱输入和输出之间的非线性关系，并输出预测结果；
预测结果显示模块：用以实现对预测结果进行可视化展示，并实现对预测结果的显示跟踪。
所述的数据采集预处理模块中，风场的历史数据包括天气预报数据和历史风功率数据。
所述的预测网络为5层的深度门控循环单元深度神经网络。
所述的数据特征图谱提取模块中，卷积神经网络为一维的双层卷积神经网络。
该风功率预测***的预测方法包括以下步骤：
1)输入风场的天气预报数据和历史风功率数据，根据特征图谱的输入特性对获取的数据进行预处理；
2)采用双层卷积神经网络对预处理后的一维数据进行特征提取和挖掘，并形成特征图谱；
3)采用长短时循环预测网络对特征图谱进行训练，通过不断优化调参后建立特征图谱与风电场功率之间的非线性关系，构建短期风功率预测模型；
4)利用训练建立的短期风功率预测模型，对所需预测的风电场进行一段时间的风功率预测，并产生该风电场的风功率预测结果；
5)通过预测结果显示模块显示风功率预测结果。
所述的深度门控循环单元深度神经网络为一变体的循环神经网络，其当前时刻的输出ht取决于当前时刻的输入xt和前一时刻的隐含层状态量ht-1。
所述的深度门控循环单元深度神经网络包含重置门rt和更新门zt，重置门rt控制当前输入xt与之前时刻状态ht-1的结合方式，更新门zt决定有多少前一时刻的状态信息能够进入当前的时刻，重置门rt和更新门zt均为神经网络，神经网络的激活函数采用Sigmoid函数，用以使门的输出固定在0到1之间。
所述的深度门控循环单元深度神经网络的的参数迭代更新公式表示为：
rt＝σ(Wrht-1+Wrxt)
zt＝σ(Wzht-1+Wzxt)
其中，Wrh和Wrx分别为重置门中的参数，Wzh与Wzx分别为更新门中的参数，σ(·) 表示sigmoid函数。
与现有技术相比，本发明具有以下优点：
本发明组合不同深度学习网络的优点，通过对数据的特征提取，能够减少预测所需的时间，同时经过挖掘的数据能够有效提高预测结果的精度，处理模型使用长短时记忆网络能够有效地处理时间序列的数据，使得风功率预测结果能够关联长跨度的历史输入，有效地增加了***的预测精确度，为电网的合理调度提供有利依据, 本发明中组合神经网络主要体现在，在预测结构中，将CNN卷积神经网络和GRU 深度神经网络进行拼接，从而很好地结合了两种神经网络的优点，提高模型预测能力。
附图说明
图1为本发明的***结构图。
图2为本发明的具体预测流程。
图3为深度门控循环单元深度神经网络结构图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，本发明提供一种基于组合深度学习网络的风功率预测***，该***可应用于大型风电场或者远端控制中心的计算机设备上。包括数据采集预处理、数据特征图谱提取、数据特征图谱处理、预测结果显示4个模块。
数据采集预处理部分，通过采集风场的历史数值天气预报数据和历史风功率数据，根据下一级处理网络特点，构建适合卷积神经网络的输入数据。
数据特征图谱提取部分，通过搭建一维的卷积神经网络，利用卷积神经网络强大的特征提取能力，对经过预处理的历史数据进行特征图谱的提取，从而降低输入数据的维度大小，将提取的历史数据特征图谱作为下一预测网络的输入。
数据特征图谱处理模块，通过搭建5层的长短时循环网络，利用该深度学习网络处理时间序列的优势进行训练建模，利用优化算法不断优化学习网络的参数，建立特征图谱输入和输出之间的非线性关系，特征图谱处理模型。
预测结果显示模块，通过编程语言编写程序，对预测结果进行可视化展示。实现对预测结果的显示跟踪。
如图2所示，本发明的具体预测流程如下：
(1)通过计算机输入历史风功率数据以及天气预报数据，根据特征图谱的输入特性对获取的数据进行预处理；
(2)采用双层卷积神经网络对预处理后的一维数据进行特征提取和挖掘，并形成特征图谱；
(3)采用长短时记忆网络对特征图谱进行训练，通过不断优化调参后建立特征图谱与风电场功率之间的非线性关系，形成短期风功率预测模型；
(4)利用训练建立的模型，对所需预测的风电场进行一段时间的风功率预测，并产生该风电场的风功率预测结果；
(5)通过计算机可视化风功率预测结果，并显示。
如图3所示，深度门控循环单元深度神经网络是循环神经网络的一种新型变体，当前时刻的输出ht不仅取决于当前时刻的输入xt，还取决于前一时刻的隐含层状态量ht-1，其中，所述深度门控循环单元深度神经网络包含重置门和更新门两个关键结构，分别用rt与zt表示，每个门都是一个简单的神经网络，为了使门的输出固定在0到1之间，神经网络的激活函数采用Sigmoid函数，为经过重置门处理后的输出候选值；
深度门控循环单元深度神经网络的参数迭代更新方式用公式表示为：
rt＝σ(Wrht-1+Wrxt)
zt＝σ(Wzht-1+Wzxt)
其中Wrh和Wrx表示为重置门中的参数，Wzh与Wzx为更新门中的参数，运算符表示进行数组元素依次相乘，σ表示sigmoid函数；重置门rt能够控制当前输入xt与之前时刻状态ht-1的结合方式，更新门zt决定着有多少前一时刻的状态信息能够进入当前的时刻。
本发明提高了风功率预测***的预测精度，减少***的预测时间，通过组合的深度神经网络对历史输入数据进行特征图谱的提取，提高预测模型的预测精度，减少预测***核心网络输入数据的大小提高预测模型的预测效率。

Claims (8)

1.一种基于组合深度学习网络的风功率预测***，其特征在于，该***包括：
数据采集预处理模块：采集风场的历史数据并进行预处理，生成卷积神经网络的输入数据；
数据特征图谱提取模块：构建卷积神经网络，对经过预处理的历史数据进行特征图谱的提取，降低输入数据维度，并将提取的历史数据特征图谱作为预测网络的输入；
数据特征图谱处理模块：构建基于深度学习的预测网络并进行训练建模，并优化预测网络的参数，建立历史数据特征图谱输入和输出之间的非线性关系，并输出预测结果；
预测结果显示模块：用以实现对预测结果进行可视化展示，并实现对预测结果的显示跟踪。
2.根据权利要求1所述的一种基于组合深度学习网络的风功率预测***，其特征在于，所述的数据采集预处理模块中，风场的历史数据包括天气预报数据和历史风功率数据。
3.根据权利要求1所述的一种基于组合深度学习网络的风功率预测***，其特征在于，所述的预测网络为5层的深度门控循环单元深度神经网络。
4.根据权利要求1所述的一种基于组合深度学习网络的风功率预测***，其特征在于，所述的数据特征图谱提取模块中，卷积神经网络为一维的双层卷积神经网络。
5.根据权利要求3所述的一种基于组合深度学习网络的风功率预测***，其特征在于，该风功率预测***的预测方法包括以下步骤：
1)输入风场的天气预报数据和历史风功率数据，根据特征图谱的输入特性对获取的数据进行预处理；
2)采用双层卷积神经网络对预处理后的一维数据进行特征提取和挖掘，并形成特征图谱；
3)采用长短时循环预测网络对特征图谱进行训练，通过不断优化调参后建立特征图谱与风电场功率之间的非线性关系，构建短期风功率预测模型；
4)利用训练建立的短期风功率预测模型，对所需预测的风电场进行一段时间的风功率预测，并产生该风电场的风功率预测结果；
5)通过预测结果显示模块显示风功率预测结果。
6.根据权利要求5所述的一种基于组合深度学习网络的风功率预测***，其特征在于，所述的深度门控循环单元深度神经网络为一变体的循环神经网络，其当前时刻的输出ht取决于当前时刻的输入xt和前一时刻的隐含层状态量ht-1。
7.根据权利要求6所述的一种基于组合深度学习网络的风功率预测***，其特征在于，所述的深度门控循环单元深度神经网络包含重置门rt和更新门zt，重置门rt控制当前输入xt与之前时刻状态ht-1的结合方式，更新门zt决定有多少前一时刻的状态信息能够进入当前的时刻，重置门rt和更新门zt均为神经网络，神经网络的激活函数采用Sigmoid函数，用以使门的输出固定在0到1之间。
8.根据权利要求7所述的一种基于组合深度学习网络的风功率预测***，其特征在于，所述的深度门控循环单元深度神经网络的的参数迭代更新公式表示为：
rt＝σ(Wrht-1+Wrxt)
zt＝σ(Wzht-1+Wzxt)
其中，Wrh和Wrx分别为重置门中的参数，Wzh与Wzx分别为更新门中的参数，σ(·)表示sigmoid函数。
CN201911261075.4A 2019-12-10 2019-12-10 一种基于组合深度学习网络的风功率预测*** Pending CN111178500A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911261075.4A CN111178500A (zh) 2019-12-10 2019-12-10 一种基于组合深度学习网络的风功率预测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911261075.4A CN111178500A (zh) 2019-12-10 2019-12-10 一种基于组合深度学习网络的风功率预测***

Publications (1)

Publication Number Publication Date
CN111178500A true CN111178500A (zh) 2020-05-19

Family

ID=70653806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911261075.4A Pending CN111178500A (zh) 2019-12-10 2019-12-10 一种基于组合深度学习网络的风功率预测***

Country Status (1)

Country Link
CN (1) CN111178500A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110335261A (zh) * 2019-06-28 2019-10-15 山东科技大学 一种基于时空循环注意力机制的ct***检测***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110335261A (zh) * 2019-06-28 2019-10-15 山东科技大学 一种基于时空循环注意力机制的ct***检测***

Similar Documents

Publication Publication Date Title
CN108448610B (zh) 一种基于深度学习的短期风功率预测方法
CN110288136A (zh) 风电功率多步预测模型建立方法
CN107169598A (zh) 一种基于深度学习的天气预测方法及***
CN111461325B (zh) 一种用于稀疏奖励环境问题的多目标分层强化学习算法
CN114297907A (zh) 温室环境空间分布预测方法及装置
CN113962433B (zh) 一种融合因果卷积与可分离时间卷积的风电预测方法及***
CN113112791A (zh) 一种基于滑动窗口长短时记忆网络的交通流量预测方法
CN116128170B (zh) 一种光伏电站功率超短期预测方法、装置及相关设备
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及***
CN103020743A (zh) 风电场超短期风速预测方法
CN115730684A (zh) 一种基于lstm-cnn模型的空气质量检测***
CN111105093B (zh) 基于CNN和BiLSTM的临近降水预测方法
US11868869B1 (en) Non-intrusive load monitoring method and device based on temporal attention mechanism
CN115713044B (zh) 一种多工况切换下的机电设备剩余寿命分析方法和装置
CN111178500A (zh) 一种基于组合深度学习网络的风功率预测***
CN116957141A (zh) 一种基于Transformer模型的智能灌溉预测方法及***
CN117154680A (zh) 一种基于非平稳Transformer模型的风电功率预测方法
CN116402194A (zh) 一种基于混合神经网络的多时间尺度负荷预测方法
CN116090635A (zh) 一种气象驱动的新能源发电功率预测方法
CN113962432A (zh) 一种融合三维卷积与轻量卷积门限单元的风电预测方法及***
CN116822658B (zh) 一种风光资源的预警方法、装置、计算机设备及存储介质
CN115222024B (zh) 基于深度特征选择网络的短期光伏发电预测方法和***
CN117034780B (zh) 一种基于深度学习的多尺度次季节降水量预测方法
CN116488158B (zh) 一种基于迁移学习的风电中长期电量预测的方法及装置
CN116662766B (zh) 基于数据二维重构的风速预测方法及装置、电子设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200519