CN112348292A - 一种基于深度学习网络的短期风电功率预测方法和*** - Google Patents
一种基于深度学习网络的短期风电功率预测方法和*** Download PDFInfo
- Publication number
- CN112348292A CN112348292A CN202110015294.5A CN202110015294A CN112348292A CN 112348292 A CN112348292 A CN 112348292A CN 202110015294 A CN202110015294 A CN 202110015294A CN 112348292 A CN112348292 A CN 112348292A
- Authority
- CN
- China
- Prior art keywords
- wind power
- deep learning
- weather forecast
- forecast data
- numerical weather
- 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.)
- Granted
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013507 mapping Methods 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims description 29
- 230000004913 activation Effects 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 230000000712 assembly Effects 0.000 claims description 9
- 238000000429 assembly Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007500 overflow downdraw method Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- G06N3/08—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
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于深度学习网络的短期风电功率预测方法和***,包括:获取待预测风电所在区域的数值天气预报数据;将数值天气预报数据输入预先训练的深度学习映射模型,得到风电功率的预测值;其中,深度学习映射模型包括数值天气预报数据与风电功率预测值的对应关系;数值天气预报数据按照位置构成网格,网格中每个格点包括多个天气参数;本发明可提升风电场短期功率预测精度,同时可以降低区域风电功率预测模型的建模时间,降低所需的计算资源和人力资源。
Description
技术领域
本发明属于清洁能源消纳技术领域,具体涉及一种基于深度学习网络的短期风电功率预测方法和***。
背景技术
随着风力发电技术日臻成熟,风电单机容量和并网型风电场规模不断扩大,风电占电力***发电总量的比例也逐年增加。风电场穿透功率不断加大,给电力***带来的一系列问题日益突出,严重威肋、电力***安全、稳定、经济、可靠运行。对风电功率进行及时准确的预测,可以显著增强电力***的安全性、稳定性、经济性和可控性,并增强风电的消纳能力。
现有短期风电功率预测技术通常使用风电场所在经纬度的数值天气预报数据作为输入,使用数值天气预报数据到发电功率的映射模型,对未来发电功率进行预测。短期风电功率预测技术的关键步骤包括:首先,获取数值天气预报数据,数值天气预报数据是根据气象演化原理对未来气象参数的预测结果,包括各经纬度、各高度的风速、风向、温度、湿度、压力等,数值天气预报数据可通过购买相关产品获得,或者通过搭建数值天气预报***进行计算获得;第二,对数值天气预报数据进行处理,包括选择最优参数、参数变换等,得到与发电功率最相关的映射模型输入;第三,采用一定的数学算法建立从模型输入到发电功率之间的映射模型,使用的算法通常包括神经网络算法、支持向量机算法、线性回归算法等。最后,基于建立好的映射模型进行计算,输入待预测时刻的数值天气预报数据,计算得到风电功率预测结果。
针对一个风电场的短期功率预测,给定该风电场的经纬度,首先获取该经纬度或者该经纬度附近位置的数值天气预报数据,以及该风电场的历史发电功率;第二,对数值天气预报数据和历史发电功率进行预处理,包括数据转换、最优参数选择、归一化等操作;第三,以数值天气预报数据预处理结果作为输入,历史发电功率预处理结果作为输出,采用数学方法建立映射模型,反映输入与输出之间的映射关系;最后,对待预测时刻的数值天气预报数据采用上一步骤中同样的预处理方法进行预处理,将预处理结果作为上一步骤建立好的映射模型的输入,计算得到风电功率预测结果。
现有技术有以下缺点:
首先,现有的短期风电功率预测技术通常基于风电场所在经纬度位置或者附近位置的数值天气预报结果进行预测,而风电场的发电功率通常受到周边一定区域气象的影响,单纯采用某一个经纬度点的数值天气预报数据通常不能完全反映影响风电场发电功率的气象因素。
其次,现有的数值天气预报技术提供的一定空间范围内的气象趋势较为准确,提供的一个特定经纬度点的气象参数准确度通常较低,使用一个经纬度点的气象参数对风电功率进行预测时,会引入由于气象参数不准确而引入的额外预测误差,造成功率预测精度难以提升。
最后,区域气象数据量巨大,基于传统的映射模型结构使用区域气象数据进行建模,难以反映区域气象的特征,还会造成模型的过拟合,不能对未来的风电功率进行准确预测。
若对一个区域的短期风电功率预测,现有技术通常采用的方法是使用上述技术方案,对每个风电场的发电功率分别进行预测,然后进行累加得到该区域内所有风电场的总加功率预测结果,称为累加法。采用累加法进行区域风电功率预测,需要对每个风电场都建立一个模型,需要建立多个模型,所需的人力资源和计算资源较多。
发明内容
为克服上述现有技术的不足,本发明提出一种基于深度学习网络的短期风电功率预测方法,包括:获取待预测风电所在区域的数值天气预报数据;
将所述数值天气预报数据输入预先训练的深度学习映射模型,得到风电功率的预测值;
其中,所述深度学习映射模型包括数值天气预报数据与风电功率预测值的对应关系;所述数值天气预报数据按照位置构成网格,网格中每个格点包括多个天气参数。
优选的,所述获取待预测风电所在区域的数值天气预报数据,包括:
根据待预测风电所在区域的经纬度构建网格;
对网格中的各个格点,分别获取格点对应经纬度的数值天气预报数据中的多个天气参数叠加在所述格点上;所述天气参数包括:各高度的风速、风向、温度、湿度和压力。
优选的,所述深度学习映射模型的训练,包括:
获取待预测风电所在区域的历史数值天气预报数据和对应的风电功率并根据经纬度进行网格化作为样本集;
将样本集中的历史数值天气预报数据作为输入数据,对应的风电功率作为对应的输出数据,对深度学习网络结构进行训练,得到深度学习映射模型;
其中,所述风电功率包括待预测风电所在区域内单个风电场的风电功率、预设多个风电场的总加风电功率或所有风电场的总加风电功率中的任意一个。
优选的,所述将样本集中的历史数值天气预报数据作为输入数据,对应的风电功率作为对应的输出数据,对深度学习网络结构进行训练,得到深度学习映射模型,包括:
在样本集中按照预设比例选取训练集和测试集;
将测试集中的历史数值天气预报数据作为输入数据,对应的风电功率作为输出数据,分别对多个预设不同结构的深度学习网络结构进行训练,得到多个备选深度学习网络结构;
采用测试集对各备选深度学习网络结构进行测试,根据选择标准选择备选深度学习网络结构作为深度学习映射模型;
其中,选择标准包括:预测结果的均方根误差、归一化均方根误差、平均绝对误差、归一化平均绝对误差和相关性;
所述深度学习网络结构包括卷积层、池化层、激活层和全连接层,卷积层、池化层和激活层顺序连接成组件;不同结构的深度学习网络结构包括:多个不同数目的组件顺序连接后与全连接层连接,或组件内不同数目的卷积层连接后与池化层和激活层顺序连接后再与全连接层连接,或者在不同组件间短路连接后再与全连接层连接。
优选的,所述根据选择标准选择备选深度学习网络结构作为深度学习映射模型,包括:
根据选择标准选择一个最优备选深度学习网络结构作为深度学习映射模型;
或根据选择标准选择多个备选深度学习网络结构作为深度学习映射模型。
优选的,所述将所述数值天气预报数据输入预先训练的深度学习映射模型,得到风电功率的预测值,包括:
当深度学习映射模型包括多个备选深度学习网络结构时,将所述数值天气预报数据分别输入各备选深度学习网络结构,得到多个备选的风电功率的预测值;
采用融合方法对所述多个备选的风电功率的预测值进行融合,得到风电功率的预测值;
所述融合方法包括:平均、线性回归和非线性映射。
优选的,所述将所述数值天气预报数据输入预先训练的深度学习映射模型,得到风电功率的预测值,包括:
当预测目标为待预测风电所在区域内单个风电场的风电功率时,将所述数值天气预报数据输入采用同一单个风电场的风电功率训练的深度学习映射模型,得到所述风电场的风电功率的预测值;
当预测目标为待预测风电所在区域内多个风电场的风电功率时,将所述数值天气预报数据输入采用相同多个风电场的风电功率训练的深度学习映射模型,得到对应多个风电场的总加风电功率的预测值;
当预测目标为待预测风电所在区域所有风电场的风电功率时,将所述数值天气预报数据输入采用所有风电场的风电功率训练的深度学习映射模型,得到所有风电场的总加风电功率的预测值。
优选的,所述获取待预测风电所在区域的历史数值天气预报数据和对应的风电功率并根据经纬度进行网格化作为样本集之后,且将历史数值天气预报数据作为输入数据,对应的风电功率作为对应的输出数据,对深度学习网络结构进行训练之前,还包括:
对样本集的各格点的天气参数进行旋转操作;
或在样本集的各格点选择天气参数进行组合或计算后,得到新参数叠加到对应格点上。
基于同一发明构思,本申请还提供了一种基于深度学习网络的短期风电功率预测***,包括:数据采集模块和风电预测模块;
所述数据采集模块,用于获取待预测风电所在区域的数值天气预报数据;
所述风电预测模块,用于将所述数值天气预报数据输入预先训练的深度学习映射模型,得到风电功率的预测值;
其中,所述深度学习映射模型包括数值天气预报数据与风电功率预测值的对应关系;所述数值天气预报数据按照位置构成网格,网格中每个格点包括多个天气参数。
优选的,所述数据采集模块包括:网格化单元和参数叠加单元;
所述网格化单元,用于根据待预测风电所在区域的经纬度构建网格;
所述参数叠加单元,用于对网格中的各个格点,分别获取格点对应经纬度的数值天气预报数据中的多个天气参数叠加在所述格点上;所述天气参数包括:各高度的风速、风向、温度、湿度和压力。
与最接近的现有技术相比,本发明具有的有益效果如下:
本发明提供了一种基于深度学习网络的短期风电功率预测方法和***,包括:获取待预测风电所在区域的数值天气预报数据;将数值天气预报数据输入预先训练的深度学习映射模型,得到风电功率的预测值;其中,深度学习映射模型包括数值天气预报数据与风电功率预测值的对应关系;数值天气预报数据按照位置构成网格,网格中每个格点包括多个天气参数;本发明可提升风电场短期功率预测精度,同时可以降低区域风电功率预测模型的建模时间,降低所需的计算资源和人力资源。
附图说明
图1为本发明提供的一种基于深度学习网络的短期风电功率预测方法流程示意图;
图2为本发明提供的单参数数值天气预报数据格式示意图;
图3为本发明提供的多参数数值天气预报数据格式示意图;
图4为本发明提供的一种基于深度学习网络的短期风电功率预测***基本结构示意图;
图5为本发明提供的一种基于深度学习网络的短期风电功率预测***详细结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1:
本发明提供的一种基于深度学习网络的短期风电功率预测方法流程示意图如图1所示,包括:
S1:获取待预测风电所在区域的数值天气预报数据;
S2:将数值天气预报数据输入预先训练的深度学习映射模型,得到风电功率的预测值;
其中,深度学习映射模型包括数值天气预报数据与风电功率预测值的对应关系;数值天气预报数据按照位置构成网格,网格中每个格点包括多个天气参数。
具体的,本发明具体包括:
步骤一,组织区域数值天气预报数据。
将获取到的区域数值天气预报数据组织成网格化、多参数叠加的数据格式,如图2所示为组织好的某时刻单参数数值天气预报数据格式,其中每个网格点表示一个经纬,图3所示为某时刻多参数叠加的数据格式,即每个网格上每个格点对应多个天气参数,包括:各高度的风速、风向、温度、湿度和压力。图3数据中的各参数可选择数值天气预报数据中的所有参数或者某几个参数,也可是对某个参数或者某些参数进行转换后的数据。后续将基于图3数据格式预测对应时刻的风电功率。
步骤一中,还可通过对图3数据格式进行旋转等方式构成新的数据,也可通过插值方式对网格点的密度进行变化,比如对经纬度分辨率为0.125°的数据进行插值,变成0.1°分辨率的数据。还可对图2所示数据中不同参数进行组合、计算,例如比如变量1乘以X加上变量2乘以Y得到新的变量,叠加到原有数据上,还可以对变量1进行sin计算得到新的变量,比如sin(变量1),还可以sin(变量1)+cos(变量2)等数学计算方式得到新的变量叠加到原有数据上,形成新的参数叠加到图3所示数据当中,形成新的数值天气预报数据。通过对参数进行组合或计算,可以增加用于样本集数量,提高训练效果。另外,还可以在图3数据格式中均匀或非均匀的选取部分数据重新组织成图3中数据格式,形成新的区域气象数据。
也可将其他时刻某些数值天气预报参数叠加到图3所示数据格式中,形成多时刻融合的数值天气预报数据,作为模型的输入。
步骤二,构建样本集
样本集中每一个样本包括两个数据,输入数据和输出数据。输入数据为图3所示的区域多参数数值天气预报数据或者数值天气预报转换后数据,输出数据为对应时刻的风电功率。
步骤三,建立深度学习映射模型
深度学***均绝对误差、归一化平均绝对误差、相关性等指标;即将样本集按照预设比例划分为训练集和测试集,用训练集对深度学习映射模型进行训练,然后再用测试集测试深度学习网络结构并选优。
组合方式包括卷积层、池化层、激活层顺序连接作为一个组件,多层组件直接顺序连接后连接全连接层构成深度学习映射模型;或者在组件内部多个卷积层连接后再连接池化层和激活层,组件再与全连接层连接构成深度学习映射模型;或者采用短路连接等方式进行组合。
步骤三中,还可根据性能指标即最优模型的选择标准选择多个模型,对每个模型的结果进行平均,在步骤四中预测时,对每个模型分别预测,将多个模型的预测结果进行融合获得功率预测结果。融合方法包括:平均、线性回归和非线性映射等方式。
步骤一到步骤三,即S1之前的深度学习映射模型训练过程。
步骤四,功率预测
将待预测时刻的区域数值天气预报数据组织成图3格式,作为深度学习映射模型的输入,计算得到对应时刻的风电功率预测结果。
步骤四即前述步骤S1和S2。
根据样本集中功率数据的不同选择,可实现单场站功率预测、区域总加功率预测、区域某几个风电场总加功率预测。
若步骤二中样本集中功率数据为某场站的功率,则预测结果为该场站的功率;
若步骤二中样本集中功率数据为区域内所有风电场的总加功率,则预测结果为区域总加功率;
若步骤二中样本集中功率书为区域内某几个风电场的总加功率,则预测结果为这几个风电场的总加功率。
本发明可提升单个风电场短期功率预测精度,也可提高某个区域内多个或者所有风电场总加功率短期预测精度,同时可以降低区域风电功率预测模型的建模时间,降低所需的计算资源和人力资源。表1所示为现有技术与本发明针对某风电场2019年7月到11月的预测误差,表2所示为现有技术与本发明针对某区域10个风电场2019年7月到11月的预测误差。表3所示为现有技术与本发明针对某区域10个风电场的建模所需时间。
表 1 现有技术与本发明对某风电场预测误差对比
表 2 现有技术与本发明对某区域10个风电场总加功率预测误差对比
表 3 现有技术与本发明针对某区域10个风电场预测的建模所需时间
实施例2:
基于同一发明构思,本发明还提供了一种基于深度学习网络的短期风电功率预测***。
该***基本结构如图4所示,包括:数据采集模块和风电预测模块;
数据采集模块,用于获取待预测风电所在区域的数值天气预报数据;
风电预测模块,用于将数值天气预报数据输入预先训练的深度学习映射模型,得到风电功率的预测值;
其中,深度学习映射模型包括数值天气预报数据与风电功率预测值的对应关系;数值天气预报数据按照位置构成网格,网格中每个格点包括多个天气参数。
基于深度学习网络的短期风电功率预测***详细结构如图5所示。
其中,数据采集模块包括:网格化单元和参数叠加单元;
网格化单元,用于根据待预测风电所在区域的经纬度构建网格;
参数叠加单元,用于对网格中的各个格点,分别获取格点对应经纬度的数值天气预报数据中的多个天气参数叠加在格点上;天气参数包括:各高度的风速、风向、温度、湿度和压力。
该***还包括用于训练深度学习映射模型的模型训练模块;模型训练模块包括:样本集单元和训练单元;
样本集单元,用于获取待预测风电所在区域的历史数值天气预报数据和对应的风电功率并根据经纬度进行网格化作为样本集;
训练单元,用于将样本集中的历史数值天气预报数据作为输入数据,对应的风电功率作为对应的输出数据,对深度学习网络结构进行训练,得到深度学习映射模型;
其中,风电功率包括待预测风电所在区域内单个风电场的风电功率、预设多个风电场的总加风电功率或所有风电场的总加风电功率中的任意一个。
其中,训练单元包括:划分子单元、训练子单元和选择子单元;
划分子单元,用于在样本集中按照预设比例选取训练集和测试集;
训练子单元,用于将测试集中的历史数值天气预报数据作为输入数据,对应的风电功率作为输出数据,分别对多个预设不同结构的深度学习网络结构进行训练,得到多个备选深度学习网络结构;
选择子单元,采用测试集对各备选深度学习网络结构进行测试,根据选择标准选择备选深度学习网络结构作为深度学习映射模型;
其中,选择标准包括:预测结果的均方根误差、归一化均方根误差、平均绝对误差、归一化平均绝对误差和相关性;
深度学习网络结构包括卷积层、池化层、激活层和全连接层,卷积层、池化层和激活层顺序连接成组件;不同结构的深度学习网络结构包括:多个不同数目的组件顺序连接后与全连接层连接,或组件内不同数目的卷积层连接后与池化层和激活层顺序连接后再与全连接层连接,或者在不同组件间短路连接后再与全连接层连接。
其中,选择子单元进行选择时,根据选择标准选择一个最优备选深度学习网络结构作为深度学习映射模型;或根据选择标准选择多个备选深度学习网络结构作为深度学习映射模型。
当选择子单元选择了多个备选深度学***均、线性回归和非线性映射。
其中,风电预测模块包括:单风电场预测单元、多风电场预测单元和全风电场预测单元;
单风电场预测单元,用于当预测目标为待预测风电所在区域内单个风电场的风电功率时,将数值天气预报数据输入采用同一单个风电场的风电功率训练的深度学习映射模型,得到风电场的风电功率的预测值;
多风电场预测单元,用于当预测目标为待预测风电所在区域内多个风电场的风电功率时,将数值天气预报数据输入采用相同多个风电场的风电功率训练的深度学习映射模型,得到对应多个风电场的总加风电功率的预测值;
全风电场预测单元,用于当预测目标为待预测风电所在区域所有风电场的风电功率时,将数值天气预报数据输入采用所有风电场的风电功率训练的深度学习映射模型,得到所有风电场的总加风电功率的预测值。
其中,模型训练模块还包括样本处理单元,样本处理单元用于对样本集的各格点的天气参数进行旋转操作;或在样本集的各格点选择天气参数进行组合或计算后,得到新参数叠加到对应格点上。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在申请待批的权利要求保护范围之内。
Claims (10)
1.一种基于深度学习网络的短期风电功率预测方法,其特征在于,包括:
获取待预测风电所在区域的数值天气预报数据;
将所述数值天气预报数据输入预先训练的深度学习映射模型,得到风电功率的预测值;
其中,所述深度学习映射模型包括数值天气预报数据与风电功率预测值的对应关系;所述数值天气预报数据按照位置构成网格,网格中每个格点包括多个天气参数。
2.如权利要求1所述的方法,其特征在于,所述获取待预测风电所在区域的数值天气预报数据,包括:
根据待预测风电所在区域的经纬度构建网格;
对网格中的各个格点,分别获取格点对应经纬度的数值天气预报数据中的多个天气参数叠加在所述格点上;所述天气参数包括:各高度的风速、风向、温度、湿度和压力。
3.如权利要求1所述的方法,其特征在于,所述深度学习映射模型的训练,包括:
获取待预测风电所在区域的历史数值天气预报数据和对应的风电功率并根据经纬度进行网格化作为样本集;
将样本集中的历史数值天气预报数据作为输入数据,对应的风电功率作为对应的输出数据,对深度学习网络结构进行训练,得到深度学习映射模型;
其中,所述风电功率包括待预测风电所在区域内单个风电场的风电功率、预设多个风电场的总加风电功率或所有风电场的总加风电功率中的任意一个。
4.如权利要求3所述的方法,其特征在于,所述将样本集中的历史数值天气预报数据作为输入数据,对应的风电功率作为对应的输出数据,对深度学习网络结构进行训练,得到深度学习映射模型,包括:
在样本集中按照预设比例选取训练集和测试集;
将测试集中的历史数值天气预报数据作为输入数据,对应的风电功率作为输出数据,分别对多个预设不同结构的深度学习网络结构进行训练,得到多个备选深度学习网络结构;
采用测试集对各备选深度学习网络结构进行测试,根据选择标准选择备选深度学习网络结构作为深度学习映射模型;
其中,选择标准包括:预测结果的均方根误差、归一化均方根误差、平均绝对误差、归一化平均绝对误差和相关性;
所述深度学习网络结构包括卷积层、池化层、激活层和全连接层,卷积层、池化层和激活层顺序连接成组件;不同结构的深度学习网络结构包括:多个不同数目的组件顺序连接后与全连接层连接,或组件内不同数目的卷积层连接后与池化层和激活层顺序连接后再与全连接层连接,或者在不同组件间短路连接后再与全连接层连接。
5.如权利要求4所述的方法,其特征在于,所述根据选择标准选择备选深度学习网络结构作为深度学习映射模型,包括:
根据选择标准选择一个最优备选深度学习网络结构作为深度学习映射模型;
或根据选择标准选择多个备选深度学习网络结构作为深度学习映射模型。
6.如权利要求5所述的方法,其特征在于,所述将所述数值天气预报数据输入预先训练的深度学习映射模型,得到风电功率的预测值,包括:
当深度学习映射模型包括多个备选深度学习网络结构时,将所述数值天气预报数据分别输入各备选深度学习网络结构,得到多个备选的风电功率的预测值;
采用融合方法对所述多个备选的风电功率的预测值进行融合,得到风电功率的预测值;
所述融合方法包括:平均、线性回归和非线性映射。
7.如权利要求3所述的方法,其特征在于,所述将所述数值天气预报数据输入预先训练的深度学习映射模型,得到风电功率的预测值,包括:
当预测目标为待预测风电所在区域内单个风电场的风电功率时,将所述数值天气预报数据输入采用同一单个风电场的风电功率训练的深度学习映射模型,得到所述风电场的风电功率的预测值;
当预测目标为待预测风电所在区域内多个风电场的风电功率时,将所述数值天气预报数据输入采用相同多个风电场的风电功率训练的深度学习映射模型,得到对应多个风电场的总加风电功率的预测值;
当预测目标为待预测风电所在区域所有风电场的风电功率时,将所述数值天气预报数据输入采用所有风电场的风电功率训练的深度学习映射模型,得到所有风电场的总加风电功率的预测值。
8.如权利要求3所述的方法,其特征在于,所述获取待预测风电所在区域的历史数值天气预报数据和对应的风电功率并根据经纬度进行网格化作为样本集之后,且将历史数值天气预报数据作为输入数据,对应的风电功率作为对应的输出数据,对深度学习网络结构进行训练之前,还包括:
对样本集的各格点的天气参数进行旋转操作;
或在样本集的各格点选择天气参数进行组合或计算后,得到新参数叠加到对应格点上。
9.一种基于深度学习网络的短期风电功率预测***,其特征在于,包括:数据采集模块和风电预测模块;
所述数据采集模块,用于获取待预测风电所在区域的数值天气预报数据;
所述风电预测模块,用于将所述数值天气预报数据输入预先训练的深度学习映射模型,得到风电功率的预测值;
其中,所述深度学习映射模型包括数值天气预报数据与风电功率预测值的对应关系;所述数值天气预报数据按照位置构成网格,网格中每个格点包括多个天气参数。
10.如权利要求9所述的***,其特征在于,所述数据采集模块包括:网格化单元和参数叠加单元;
所述网格化单元,用于根据待预测风电所在区域的经纬度构建网格;
所述参数叠加单元,用于对网格中的各个格点,分别获取格点对应经纬度的数值天气预报数据中的多个天气参数叠加在所述格点上;所述天气参数包括:各高度的风速、风向、温度、湿度和压力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110015294.5A CN112348292B (zh) | 2021-01-07 | 2021-01-07 | 一种基于深度学习网络的短期风电功率预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110015294.5A CN112348292B (zh) | 2021-01-07 | 2021-01-07 | 一种基于深度学习网络的短期风电功率预测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348292A true CN112348292A (zh) | 2021-02-09 |
CN112348292B CN112348292B (zh) | 2021-08-06 |
Family
ID=74427339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110015294.5A Active CN112348292B (zh) | 2021-01-07 | 2021-01-07 | 一种基于深度学习网络的短期风电功率预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348292B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113515852A (zh) * | 2021-06-07 | 2021-10-19 | 河北工业大学 | 可持续学习风机出力预测方法、***、设备及存储介质 |
CN113705031A (zh) * | 2021-06-15 | 2021-11-26 | 西安电子科技大学 | 基于深度学习的纳米天线阵列电磁性能预测方法 |
CN113887843A (zh) * | 2021-12-07 | 2022-01-04 | 中国电力科学研究院有限公司 | 一种风电场输出功率的群体预测方法和*** |
CN114006369A (zh) * | 2021-10-28 | 2022-02-01 | 华北电力大学 | 区域风光场站功率联合预测方法、装置、电子设备和存储介质 |
CN114418243A (zh) * | 2022-03-28 | 2022-04-29 | 南方电网数字电网研究院有限公司 | 分布式新能源云端网格预测方法与*** |
CN114465231A (zh) * | 2022-02-14 | 2022-05-10 | 南京邮电大学盐城大数据研究院有限公司 | 一种海上风力发电的电力接入方法及*** |
CN114781708A (zh) * | 2022-04-11 | 2022-07-22 | 东南大学 | 一种基于轻量级自编码网络的短期风功率预测方法 |
CN114861990A (zh) * | 2022-04-18 | 2022-08-05 | 云南电网有限责任公司电力科学研究院 | 风电功率预测模型建模方法、装置和设备 |
CN115189356A (zh) * | 2022-09-13 | 2022-10-14 | 国能日新科技股份有限公司 | 基于大气环流稳定状态的风、光功率预测订正方法及装置 |
CN116565865A (zh) * | 2023-07-11 | 2023-08-08 | 湖南大学 | 一种基于深度误差反馈学习的风电功率预测方法 |
CN116581756A (zh) * | 2023-07-13 | 2023-08-11 | 华北电力大学 | 风电功率预测方法、模型训练方法、装置、设备及介质 |
CN117878928A (zh) * | 2024-03-12 | 2024-04-12 | 国能日新科技股份有限公司 | 一种基于深度学习的风电功率预测方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930177A (zh) * | 2012-11-23 | 2013-02-13 | 南京信息工程大学 | 一种基于精细边界层模式的复杂地形风电场风速预测方法 |
CN104077632A (zh) * | 2014-06-23 | 2014-10-01 | 华北电力大学 | 一种基于深度神经网络的风电场功率预测方法 |
US20150154504A1 (en) * | 2012-12-17 | 2015-06-04 | Arizona Board Of Regents On Behalf Of Arizona State University | Support vector machine enhanced models for short-term wind farm generation forecasting |
CN106779226A (zh) * | 2016-12-23 | 2017-05-31 | 东北大学 | 一种基于混核机器学习的风机批功率预测方法 |
CN108629056A (zh) * | 2017-03-17 | 2018-10-09 | 中国电力科学研究院 | 一种风电功率预测方法及*** |
CN110276472A (zh) * | 2019-05-21 | 2019-09-24 | 南方电网调峰调频发电有限公司 | 一种基于lstm深度学习网络的海上风电功率超短期预测方法 |
CN111224431A (zh) * | 2019-12-16 | 2020-06-02 | 深圳合纵能源技术有限公司 | 一种基于数值天气预报的海岛微电网风储联合优化调度算法 |
CN111753893A (zh) * | 2020-06-12 | 2020-10-09 | 国网福建省电力有限公司 | 一种基于聚类和深度学习的风电机组功率集群预测方法 |
CN111832812A (zh) * | 2020-06-27 | 2020-10-27 | 南通大学 | 一种基于深度学习的风电功率短期预测方法 |
CN111861023A (zh) * | 2020-07-28 | 2020-10-30 | 南方电网科学研究院有限责任公司 | 基于统计学的混合风电功率预测方法、装置 |
CN111881568A (zh) * | 2020-07-22 | 2020-11-03 | 旻投(上海)数据科技有限公司 | 一种提高风功率预测精度的方法及*** |
-
2021
- 2021-01-07 CN CN202110015294.5A patent/CN112348292B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930177A (zh) * | 2012-11-23 | 2013-02-13 | 南京信息工程大学 | 一种基于精细边界层模式的复杂地形风电场风速预测方法 |
US20150154504A1 (en) * | 2012-12-17 | 2015-06-04 | Arizona Board Of Regents On Behalf Of Arizona State University | Support vector machine enhanced models for short-term wind farm generation forecasting |
CN104077632A (zh) * | 2014-06-23 | 2014-10-01 | 华北电力大学 | 一种基于深度神经网络的风电场功率预测方法 |
CN106779226A (zh) * | 2016-12-23 | 2017-05-31 | 东北大学 | 一种基于混核机器学习的风机批功率预测方法 |
CN108629056A (zh) * | 2017-03-17 | 2018-10-09 | 中国电力科学研究院 | 一种风电功率预测方法及*** |
CN110276472A (zh) * | 2019-05-21 | 2019-09-24 | 南方电网调峰调频发电有限公司 | 一种基于lstm深度学习网络的海上风电功率超短期预测方法 |
CN111224431A (zh) * | 2019-12-16 | 2020-06-02 | 深圳合纵能源技术有限公司 | 一种基于数值天气预报的海岛微电网风储联合优化调度算法 |
CN111753893A (zh) * | 2020-06-12 | 2020-10-09 | 国网福建省电力有限公司 | 一种基于聚类和深度学习的风电机组功率集群预测方法 |
CN111832812A (zh) * | 2020-06-27 | 2020-10-27 | 南通大学 | 一种基于深度学习的风电功率短期预测方法 |
CN111881568A (zh) * | 2020-07-22 | 2020-11-03 | 旻投(上海)数据科技有限公司 | 一种提高风功率预测精度的方法及*** |
CN111861023A (zh) * | 2020-07-28 | 2020-10-30 | 南方电网科学研究院有限责任公司 | 基于统计学的混合风电功率预测方法、装置 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113515852A (zh) * | 2021-06-07 | 2021-10-19 | 河北工业大学 | 可持续学习风机出力预测方法、***、设备及存储介质 |
CN113705031A (zh) * | 2021-06-15 | 2021-11-26 | 西安电子科技大学 | 基于深度学习的纳米天线阵列电磁性能预测方法 |
CN114006369A (zh) * | 2021-10-28 | 2022-02-01 | 华北电力大学 | 区域风光场站功率联合预测方法、装置、电子设备和存储介质 |
CN113887843B (zh) * | 2021-12-07 | 2022-08-16 | 中国电力科学研究院有限公司 | 一种风电场输出功率的群体预测方法和*** |
CN113887843A (zh) * | 2021-12-07 | 2022-01-04 | 中国电力科学研究院有限公司 | 一种风电场输出功率的群体预测方法和*** |
CN114465231A (zh) * | 2022-02-14 | 2022-05-10 | 南京邮电大学盐城大数据研究院有限公司 | 一种海上风力发电的电力接入方法及*** |
CN114465231B (zh) * | 2022-02-14 | 2023-06-13 | 南京邮电大学盐城大数据研究院有限公司 | 一种海上风力发电的电力接入方法及*** |
CN114418243A (zh) * | 2022-03-28 | 2022-04-29 | 南方电网数字电网研究院有限公司 | 分布式新能源云端网格预测方法与*** |
CN114418243B (zh) * | 2022-03-28 | 2022-07-29 | 南方电网数字电网研究院有限公司 | 分布式新能源云端网格预测方法与*** |
CN114781708A (zh) * | 2022-04-11 | 2022-07-22 | 东南大学 | 一种基于轻量级自编码网络的短期风功率预测方法 |
CN114861990A (zh) * | 2022-04-18 | 2022-08-05 | 云南电网有限责任公司电力科学研究院 | 风电功率预测模型建模方法、装置和设备 |
CN115189356A (zh) * | 2022-09-13 | 2022-10-14 | 国能日新科技股份有限公司 | 基于大气环流稳定状态的风、光功率预测订正方法及装置 |
CN115189356B (zh) * | 2022-09-13 | 2022-12-02 | 国能日新科技股份有限公司 | 基于大气环流稳定状态的风、光功率预测订正方法及装置 |
CN116565865A (zh) * | 2023-07-11 | 2023-08-08 | 湖南大学 | 一种基于深度误差反馈学习的风电功率预测方法 |
CN116565865B (zh) * | 2023-07-11 | 2023-09-26 | 湖南大学 | 一种基于深度误差反馈学习的风电功率预测方法 |
CN116581756A (zh) * | 2023-07-13 | 2023-08-11 | 华北电力大学 | 风电功率预测方法、模型训练方法、装置、设备及介质 |
CN116581756B (zh) * | 2023-07-13 | 2023-12-12 | 华北电力大学 | 风电功率预测方法、模型训练方法、装置、设备及介质 |
CN117878928A (zh) * | 2024-03-12 | 2024-04-12 | 国能日新科技股份有限公司 | 一种基于深度学习的风电功率预测方法及装置 |
CN117878928B (zh) * | 2024-03-12 | 2024-05-14 | 国能日新科技股份有限公司 | 一种基于深度学习的风电功率预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112348292B (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348292B (zh) | 一种基于深度学习网络的短期风电功率预测方法和*** | |
CN108734331B (zh) | 基于lstm的短期光伏发电功率预测方法及*** | |
CN109063276B (zh) | 适用于长时域风速波动的风电场动态等值建模方法 | |
CN108336739B (zh) | 一种基于rbf神经网络的概率潮流在线计算方法 | |
Castellani et al. | Wind energy forecast in complex sites with a hybrid neural network and CFD based method | |
CN110601250B (zh) | 一种基于新能源电站接入点静态电压稳定性评估方法 | |
Sogabe et al. | Optimization of decentralized renewable energy system by weather forecasting and deep machine learning techniques | |
CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN112800683B (zh) | 基于卷积神经网络的***短路电流水平评估方法及*** | |
CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
CN112100922A (zh) | 一种基于wrf和cnn卷积神经网络的风资源预测方法 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN117117819A (zh) | 一种光伏发电短期功率预测方法、***、设备和介质 | |
CN114781709A (zh) | 测风数据插补方法及其装置及计算机可读存储介质 | |
CN117421871A (zh) | 海上风电潜力评估方法、装置和计算机设备 | |
CN115907131B (zh) | 一种北方地区电采暖负荷预测模型搭建方法和*** | |
CN116307018A (zh) | 一种基于wrf模式敏感性调参的风速预测方法及*** | |
CN115983478A (zh) | 分布式光伏发电功率预测分析方法、***、终端及介质 | |
CN110276478A (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN112036672B (zh) | 一种基于迭代订正的新能源发电超短期功率预测方法及*** | |
CN113887839A (zh) | 一种基于聚类的风电场超短期风功率预测方法及*** | |
CN114418167A (zh) | 一种基于高原山地多元气象新能源发电功率预测优化方法 | |
CN110705769B (zh) | 新能源发电功率预测优化方法和装置 | |
CN114004405A (zh) | 基于Elman神经网络和卫星云图的光伏功率预测方法及*** | |
CN115392101A (zh) | 一种综合能源随机场景生成方法及*** |
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 |