CN112801350A - 基于不确定度的深度学习超短时风电功率预测方法 - Google Patents
基于不确定度的深度学习超短时风电功率预测方法 Download PDFInfo
- Publication number
- CN112801350A CN112801350A CN202110042233.8A CN202110042233A CN112801350A CN 112801350 A CN112801350 A CN 112801350A CN 202110042233 A CN202110042233 A CN 202110042233A CN 112801350 A CN112801350 A CN 112801350A
- Authority
- CN
- China
- Prior art keywords
- wind power
- data
- uncertainty
- time
- model
- 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 51
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 238000011160 research Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013531 bayesian neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于不确定度的深度学习超短时风电功率预测方法,其特征在于:S01、获取若干指定高度下、当前及过去连续的一定时间内多个时刻的风电数据,风电数据包括风速、风向;S02、对风电数据进行预处理;S03、将经预处理的当前及过去连续的一定时间内多个时刻各指定高度的风电数据输入训练好的贝叶斯深度学习超短时风电功率预测网络模型,模型输出各指定高度下的风电功率预测值、模型不确定度和偶然不确定度;S04、根据偶然不确定度、模型不确定度判断预测结果的可信程度;所述贝叶斯深度学习超短时风电功率预测网络模型的训练集中每个样本取连续的一定时间内多个时刻对应所述若干指定高度的风电数据,及该一定时间内最后时刻的风电功率。
Description
技术领域
本发明涉及一种基于不确定度的深度学习超短时风电功率预测方法。适用于风电场功率预测领域。
背景技术
国外在风电场功率预测领域有近20年的历史,较为成熟的研究有,丹麦Ris国家实验室开发的Prediktor、丹麦技术大学的WPPT(Wind Power Prediction Tool)、德国OlenBurg大学研发的Previent等等。我国在风电场功率预测领域的研究取得了一定的成果,成果多集中在统计模型算法的研究。
国内外使用深度学习技术进行风电功率预测研究的非常少,此类研究处正于起步阶段。现有的研究集中于采用深度学习算法预测风速的研究,少部分研究关注了风电功率的预测,且现有的风电功率预测精度不高。
总体而言,现阶段还未形成***化的功率预测大数据分析方法,缺乏建模数据、模型结构、建模思路、模型适应性等多方面的分析。并且目前深度学习模型用于风电功率预测***都是确定性***,模型无法展示预测结果的可信程度。在实际使用中,模型预测无法做到100%的准确,在预测错误的时候,盲目信任预测结果可能对发电机造成严重伤害。
发明内容
本发明要解决的技术问题是:针对上述存在的问题,提供一种基于不确定度的深度学习超短时风电功率预测方法,以解决现有技术风电功率预测精度不高和模型无法展示预测结果可信程度的问题。
本发明所采用的技术方案是:一种基于不确定度的深度学习超短时风电功率预测方法,其特征在于:
S01、获取若干指定高度下、当前及过去连续的一定时间内多个时刻的风电数据,风电数据包括风速、风向;
S02、对风电数据进行预处理;
S03、将经预处理的当前及过去连续的一定时间内多个时刻各指定高度的风电数据输入训练好的贝叶斯深度学习超短时风电功率预测网络模型,模型输出各指定高度下的风电功率预测值、模型不确定度和偶然不确定度;
S04、根据偶然不确定度、模型不确定度判断预测结果的可信程度;
所述贝叶斯深度学习超短时风电功率预测网络模型的训练集中每个样本取连续的一定时间内多个时刻对应所述若干指定高度的风电数据,及该一定时间内最后时刻的风电功率;
所述贝叶斯深度学习超短时风电功率预测网络模型通过在时间方向上对风电数据进行一维卷积处理提取特征,处理过去时刻的风速、风向对当前时刻的风电功率的影响;通过对不同时刻提取的特征进行注意力机制操作,处理不同时刻对当前风电功率影响程度大小;通过多次dropout蒙特卡洛采样,得到若干组对应所述若干指定高度的预测值;将若干组预测值的均值作为模型最终输出的指定高度下的风电功率预测值,若干组预测值的方差作为模型不确定度,模型的数据噪点作为偶然不确定度。
所述对风电数据进行预处理包括数据清洗和归一化处理,数据清洗包括对少量缺失数据的填补和异常值的剔除。
所述异常值的剔除通过桨距角上临界曲线辨识方法。
所述数据填补通过相关性计算了解不同风电机组间的相关程度,通过相关性最高的机组来插补缺失机组数据。
所述通过相关性计算了解不同风电机组间的相关程度,通过相关性最高的机组来插补缺失机组数据,包括:
分段求取相关性并对排序名次进行统计的相关性排序方法,通过该方法得出机组间相关性排名列表,按照列表中的名次来确定最适合用于插补的数据点。
一种基于不确定度的深度学习超短时风电功率预测***,其特征在于,包括:
数据获取模块,用于获取若干指定高度下、当前及过去连续的一定时间内多个时刻的风电数据;
预处理模块,用于对风电数据进行预处理;
风电功率预测模块,用于将经预处理的当前及过去连续的一定时间内多个时刻的风电数据输入训练好的贝叶斯深度学习超短时风电功率预测网络模型,模型输出各指定高度下的风电功率预测值、模型不确定度和偶然不确定度;
预测结果可信度判定模块,用于根据偶然不确定度、模型不确定度判断预测结果的可信程度;
用于训练所述贝叶斯深度学习超短时风电功率预测网络模型的训练集中每个样本取连续的一定时间内多个时刻对应所述若干指定高度的风电数据,及该一定时间内最后时刻的风电功率;
所述贝叶斯深度学习超短时风电功率预测网络模型通过在时间方向上对风电数据进行一维卷积处理提取特征,处理过去时刻的风速、风向对当前时刻的风电功率的影响;通过对不同时刻提取的特征进行注意力机制操作,处理不同时刻对当前风电功率影响程度大小;通过多次dropout蒙特卡洛采样,得到若干组对应所述若干指定高度的预测值;将若干组预测值的均值作为模型最终输出的指定高度下的风电功率预测值,若干组预测值的方差作为模型不确定度,模型的数据噪点作为偶然不确定度。
所述预处理模块包括数据清洗模块和归一化处理模块,数据清洗模块括对少量缺失数据的填补和异常值的剔除。
所述异常值的剔除通过桨距角上临界曲线辨识方法。
所述数据填补通过相关性计算了解不同风电机组间的相关程度,通过相关性最高的机组来插补缺失机组数据。
所述通过相关性计算了解不同风电机组间的相关程度,通过相关性最高的机组来插补缺失机组数据,包括:
分段求取相关性并对排序名次进行统计的相关性排序方法,通过该方法得出机组间相关性排名列表,按照列表中的名次来确定最适合用于插补的数据点。
本发明的有益效果是:本发明利用预处理好的风电数据,通过贝叶斯深度学***均取值,保护发电机的安全。
附图说明
图1为实施例的流程图。
图2为实施例中的***框图。
图3为实施例中贝叶斯深度学习超短时风电功率预测网络模型的结构示意图。
1、数据获取模块;2、预处理模块;201、数据清洗模块;202、归一化处理模块;3、风电功率预测模块;4、预测结果可信度判定模块。
具体实施方式
本实施例为一种基于不确定度的深度学习超短时风电功率预测方法,具体包括以下步骤:
S01、获取四个高度(10m、30m、50m、80m)下、当前及过去连续一小时中4个时刻(每隔15分钟)的风电数据,风电数据包括风速、风向等。
S02、对风电数据进行预处理,包括数据清洗和对数据进行归一化处理,数据清洗包括对少量缺失数据的填补和异常值的剔除。
S021、异常值剔除:对获取的风电数据包括风速、风向进行异常值剔除,异常值剔除主要是通过桨距角上临界曲线辨识方法。
桨距角上临界曲线是区分正常功率—桨距角数据与异常功率—桨距角数据的曲线,在某一功率值P下,其正常桨距角β应有的上界值β(P),大于这个上界值即将该数据点视为异常桨距角数据点,小于上界值即视为正常桨距角数据点。
通过基于密度的DBSCAN聚类方法将机组的功率—桨距角数据集C聚类为几个簇C1、C2、C3、……、Cn;选取最下方的数据簇,该数据簇即为正常桨距角数据Cr;设置网格,计算网格内正常桨距角数据密度,网格长度L为10(功率轴),宽度W为0.5(桨距角轴);找到桨距角数据密度最后一个不为零的网格,其上界就是β(P)。
S022、数据填补:对连续时段中间少量缺失或者异常数据剔除后进行填补。
通过相关性计算了解不同风电机组间的相关程度,从而通过相关性最高的机组来插补缺失机组数据。
但是由于两个时间序列值的相关性系数计算不允许出现NAN数据,然而NAN数据在机组实测风速数据中随机出现,造成两台机组的实测风速数据序列间并不能直接求取相关性系数。
为解决相关性系数求解困难问题,本实施例采用分段求取相关性并对排序名次进行统计的相关性排序方法,通过该方法得出机组间相关性排名列表,按照列表中的名次来确定最适合用于插补的数据点。具体实施步骤如下:
1)实测风速数据矩阵分段;
2)数据分段后,将矩阵中没有缺失的数据列合并为新的矩阵用于相关性计算;
3)计算无缺失数据列间的相关性,并对相关性排序;
4)通过无缺失数据列排序情况与数据缺失情况反溯得到一次机组实测风速相关性排名情况;
5)重复(2)到(4)过程,直至计算完成所有分段数据的相关性计算和相关性的排名。
6)统计每台机组相关性排名第一、第二到第N的机组。
7)通过相关性排名第一概率最大的机组插补缺失数据,若相关性排名第一概率最大的机组同样缺失数据,则用排名第二概率最大的机组来插补,依次类推。
S023、数据归一化:数据归一化是数据预处理中的基础性工作,不同的原始数据往往有不同的量纲和取值范围,数值间的差别可能很大,不进行规范化处理可能会影响数据分析的结果。为了消除数据量纲和取值范围的差异,需要进行归一化。
对于风速/气温/气压等数据,采用最大最小值归一化方法;对于风向数据,数值天气预报中的风向是0-360度的数据,在360-0度间的数值变化并不平滑,不符合实际的风速变化情况,不利于神经网络的训练,本实施例分别取风向角的正弦值与余弦值进行归一化计算。
S03、利用训练好的贝叶斯深度学习超短时风电功率预测网络模型进行风电功率预测,将经预处理的当前及过去连续一小时中4个时刻个时刻各高度的风电数据输入训练好的贝叶斯深度学习超短时风电功率预测网络模型,模型输出各指定高度下的风电功率预测值、模型不确定度和偶然不确定度。
贝叶斯深度学习超短时风电功率预测网络模型将过去一个小时的风速、风向和当前时刻的风速、风向融合在一起,通过在时间方向上对风电数据进行一维卷积处理提取特征,处理过去时刻的风速、风向对当前时刻的风电功率的影响;
通过对不同时刻提取的特征进行注意力机制操作,处理不同时刻对当前风电功率影响程度大小;
通过多次dropout蒙特卡洛采样,得到若干组对应所述若干指定高度的预测值;
将若干组预测值的均值作为模型最终输出的指定高度下的风电功率预测值,若干组预测值的方差作为模型不确定度,模型的数据噪点作为偶然不确定度。
本实施例采用的注意力机制是与深度残差网络(Deep Residual Network)相关的方法,基本思路是将注意力机制应用到ResNet中,并且使网络能够训练的比较深。本例中注意力机制是软注意力基本的加掩码(mask)机制,该注意力机制的mask借鉴了残差网络的想法,不只根据当前网络层的信息加上mask,还把上一层的信息传递下来,防止mask之后的信息量过少引起的网络层数不能堆叠很深的问题。通过给每个特征元素都找到其对应的注意力权重和每个时刻对应的权重,就可以同时形成了空间域和时间域的注意力机制。
S04、当模型不确定度或者偶然不确定度比用于训练贝叶斯深度学***均不确定度高出50%时,则判断该数据的预测可信程度低。
本实施例中贝叶斯深度学习超短时风电功率预测网络模型的构建及训练方法包括:
A、贝叶斯深度学习超短时风电功率预测网络模型的构建包括:
为了构建贝叶斯深度学习超短时风电功率预测网络模型,将普通深度卷积神经网络的权值和偏置由定值变为分布。对于贝叶斯深度学习超短时风电功率预测网络模型的训练,即给定一个训练集D={(X1,Y1),…,(XN,YN)},想获得模型权重的后验分布p(W|X,Y),可以由贝叶斯公式得到:
先验分布p(W)被设定为标准正态分布。但是由于边际分布p(Y|X)需要在整个W进行积分,而深度学习卷积网络层数深,权重参数数量大,这些权重构成的空间非常复杂,积分结果很难求出,因此真实权重后验概率分布求不出来。通过采用变分推断的方法近似求出模型后验分布,即采用一个简单点的分布qθ(W)去近似后验概率的分布p(W|X,Y),为了能够使近似后验分布尽可能接近真实后验分布,计算二者之间的KL散度并且通过优化使得二者之间的KL散度尽可能小。最小化KL散度等价于最小化负的ELBO(negative evidencelower bound),也就是最小化-∫qθ(W)logp(Y|X,W)dW+KL[qθ(W)|p(W)],最后得到最佳近似后验分布
但是在贝叶斯神经网络中用来近似后验的变分方法在计算上会大大增加参数的数量,而优化变分推断方法的后验分布和优化利用dropout正则化网络模型是等价的,因此采用dropout正则化手段作为贝叶斯近似手段获取到模型后验分布。
在获得模型近似后验分布后,测试使用时,由于近似后验分布比较复杂,采用dropout蒙特卡洛模拟手段(例如50次前向传播)进行采样获取在下的分类结果分布。通过获取分类结果的均值和方差,获取到分类结果和模型不确定度。
B、贝叶斯深度学习超短时风电功率预测网络模型的训练包括:
获取大量四个高度(10m、30m、50m、80m)不同时刻的风速、风向等风电数据;
在输入网络模型前,需要对风电数据进行预处理,包括数据清洗和数据归一化处理;
将获取的数据按照4:1比例拆分为训练集和测试集,为了能够更加科学地测试模型性能,每个季节分别按照4:1拆分。训练集中每个样本取连续一个小时中4个时刻(每隔15分钟)的风电数据;
贝叶斯深度学习超短时风电功率预测网络模型的特征融合部分采取数据融合,将四个高度的连续一个小时中4个时刻的风速、风向作为提取特征信息部分的输入,输出下一个时刻的预测功率值.
本实施例在训练贝叶斯深度学习超短时风电功率预测网络模型时采用:
A、使用Mean Square Error(MSE)Loss+偶然不确定度(aleatoric uncertainty)+模型不确定度(model uncertainty)损失(L=LCEL+Laleatoric+Lmodle)作为损失函数;
B、使用sub-sampling梯度下降算法作为卷积神经网络的学习算法;
C、每个卷积神经网络训练50个epoch,训练参数和优化器与分割模型相同;
D、为了能够增大训练数据量,每次取连续五个时刻数据(间隔15分钟),4个用于训练,最后一个用于计算损失;下一组训练数据往后移动一个时刻,以此类推;
E、在每层卷积操作中加入L2 Weight Decay正则化。
本实施例训练中通过多次dropout蒙特卡洛,得到预测分布,即四组对应四个高度的预测值(见表1)。
表1
10 | 30 | 50 | 80 | |
1 | 352 | 316 | 324 | 371 |
2 | 313 | 328 | 331 | 340 |
…… | …… | …… | …… | …… |
n | 334 | 343 | 317 | 329 |
…… | …… | …… | …… | …… |
最终风电功率预测值的为四个高度上的预测值均值,方预测值差为模型不确定度,模型噪声节点学习得到的是数据噪声为该样本的偶然不确定度。
本实施例中训练好的贝叶斯深度学习超短时风电功率预测网络模型网络结构具体各层结构如表2所示;
表2
输入 | layer | |
卷积层 | 4×4×2 | 1×3卷积,32,步长1 |
卷积层 | 4×4×32 | 1×3卷积,64,步长1 |
Dropout层 | 4×4×64 | |
残差模块 | 4×4×64 | ×2 |
残差模块 | 4×4×64 | ×2 |
Dropout层 | 4×4×64 | |
残差模块 | 4×4×64 | ×2 |
残差模块 | 4×4×128 | ×2 |
Dropout层 | 4×4×128 | |
卷积层 | 4×4×128 | 1×3卷积,32,步长1 |
卷积层 | 4×4×32 | 1×3卷积,1,步长2 |
分类层 | 4+4(噪声) | 全连接层 |
本实施例还提供一种基于不确定度的深度学习超短时风电功率预测***,包括数据获取模块、预处理模块、风电功率预测模块和预测结果可信度判定模块,其中数据获取模块用于获取若干指定高度下、当前及过去连续的一定时间内多个时刻的风电数据;预处理模块用于对风电数据进行预处理;风电功率预测模块用于将经预处理的当前及过去连续的一定时间内多个时刻的风电数据输入训练好的贝叶斯深度学习超短时风电功率预测网络模型,模型输出各指定高度下的风电功率预测值、模型不确定度和偶然不确定度;预测结果可信度判定模块用于根据偶然不确定度、模型不确定度判断预测结果的可信程度。
本实施例还提供一种存储介质,如ROM/RAM、磁碟、光盘等,该存储介质上存储可供处理器执行的计算机程序,该计算机程序被执行时实线本实施例中基于不确定度的深度学习超短时风电功率预测方法的步骤。
本实施例还提供一种基于不确定度的深度学习超短时风电功率预测设备,可以是个人计算机,服务器,或者网络设备等,具有存储器和处理器,存储器上存储可供处理器执行的计算机程序,该计算机程序被执行时实线本实施例中基于不确定度的深度学习超短时风电功率预测方法的步骤。
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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;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各实施例技术方案的精神和范围。
Claims (10)
1.一种基于不确定度的深度学习超短时风电功率预测方法,其特征在于:
S01、获取若干指定高度下、当前及过去连续的一定时间内多个时刻的风电数据,风电数据包括风速、风向;
S02、对风电数据进行预处理;
S03、将经预处理的当前及过去连续的一定时间内多个时刻各指定高度的风电数据输入训练好的贝叶斯深度学习超短时风电功率预测网络模型,模型输出各指定高度下的风电功率预测值、模型不确定度和偶然不确定度;
S04、根据偶然不确定度、模型不确定度判断预测结果的可信程度;
所述贝叶斯深度学习超短时风电功率预测网络模型的训练集中每个样本取连续的一定时间内多个时刻对应所述若干指定高度的风电数据,及该一定时间内最后时刻的风电功率;
所述贝叶斯深度学习超短时风电功率预测网络模型通过在时间方向上对风电数据进行一维卷积处理提取特征,处理过去时刻的风速、风向对当前时刻的风电功率的影响;通过对不同时刻提取的特征进行注意力机制操作,处理不同时刻对当前风电功率影响程度大小;通过多次dropout蒙特卡洛采样,得到若干组对应所述若干指定高度的预测值;将若干组预测值的均值作为模型最终输出的指定高度下的风电功率预测值,若干组预测值的方差作为模型不确定度,模型的数据噪点作为偶然不确定度。
2.根据权利要求1所述的基于不确定度的深度学习超短时风电功率预测方法,其特征在于:所述对风电数据进行预处理包括数据清洗和归一化处理,数据清洗包括对少量缺失数据的填补和异常值的剔除。
3.根据权利要求2所述的基于不确定度的深度学习超短时风电功率预测方法,其特征在于:所述异常值的剔除通过桨距角上临界曲线辨识方法。
4.根据权利要求2所述的基于不确定度的深度学习超短时风电功率预测方法,其特征在于:所述数据填补通过相关性计算了解不同风电机组间的相关程度,通过相关性最高的机组来插补缺失机组数据。
5.根据权利要求4所述的基于不确定度的深度学习超短时风电功率预测方法,其特征在于,所述通过相关性计算了解不同风电机组间的相关程度,通过相关性最高的机组来插补缺失机组数据,包括:
分段求取相关性并对排序名次进行统计的相关性排序方法,通过该方法得出机组间相关性排名列表,按照列表中的名次来确定最适合用于插补的数据点。
6.一种基于不确定度的深度学习超短时风电功率预测***,其特征在于,包括:
数据获取模块,用于获取若干指定高度下、当前及过去连续的一定时间内多个时刻的风电数据;
预处理模块,用于对风电数据进行预处理;
风电功率预测模块,用于将经预处理的当前及过去连续的一定时间内多个时刻的风电数据输入训练好的贝叶斯深度学习超短时风电功率预测网络模型,模型输出各指定高度下的风电功率预测值、模型不确定度和偶然不确定度;
预测结果可信度判定模块,用于根据偶然不确定度、模型不确定度判断预测结果的可信程度;
用于训练所述贝叶斯深度学习超短时风电功率预测网络模型的训练集中每个样本取连续的一定时间内多个时刻对应所述若干指定高度的风电数据,及该一定时间内最后时刻的风电功率;
所述贝叶斯深度学习超短时风电功率预测网络模型通过在时间方向上对风电数据进行一维卷积处理提取特征,处理过去时刻的风速、风向对当前时刻的风电功率的影响;通过对不同时刻提取的特征进行注意力机制操作,处理不同时刻对当前风电功率影响程度大小;通过多次dropout蒙特卡洛采样,得到若干组对应所述若干指定高度的预测值;将若干组预测值的均值作为模型最终输出的指定高度下的风电功率预测值,若干组预测值的方差作为模型不确定度,模型的数据噪点作为偶然不确定度。
7.根据权利要求6所述的基于不确定度的深度学习超短时风电功率预测***,其特征在于:所述预处理模块包括数据清洗模块和归一化处理模块,数据清洗模块括对少量缺失数据的填补和异常值的剔除。
8.根据权利要求7所述的基于不确定度的深度学习超短时风电功率预测***,其特征在于:所述异常值的剔除通过桨距角上临界曲线辨识方法。
9.根据权利要求7所述的基于不确定度的深度学习超短时风电功率预测方法,其特征在于:所述数据填补通过相关性计算了解不同风电机组间的相关程度,通过相关性最高的机组来插补缺失机组数据。
10.根据权利要求9所述的基于不确定度的深度学习超短时风电功率预测方法,其特征在于,所述通过相关性计算了解不同风电机组间的相关程度,通过相关性最高的机组来插补缺失机组数据,包括:
分段求取相关性并对排序名次进行统计的相关性排序方法,通过该方法得出机组间相关性排名列表,按照列表中的名次来确定最适合用于插补的数据点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110042233.8A CN112801350B (zh) | 2021-01-13 | 2021-01-13 | 基于不确定度的深度学习超短时风电功率预测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110042233.8A CN112801350B (zh) | 2021-01-13 | 2021-01-13 | 基于不确定度的深度学习超短时风电功率预测***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801350A true CN112801350A (zh) | 2021-05-14 |
CN112801350B CN112801350B (zh) | 2022-09-06 |
Family
ID=75810405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110042233.8A Active CN112801350B (zh) | 2021-01-13 | 2021-01-13 | 基于不确定度的深度学习超短时风电功率预测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801350B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689030A (zh) * | 2021-08-03 | 2021-11-23 | 广东工业大学 | 一种基于双向注意力和二次优化的短期风功率预测方法 |
CN115130743A (zh) * | 2022-06-22 | 2022-09-30 | 国网山东省电力公司电力科学研究院 | 一种基于变分推断的风电机组调节速率预测方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650982A (zh) * | 2016-08-30 | 2017-05-10 | 华北电力大学 | 一种基于多点nwp的深度学习功率预测方法 |
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 |
CN109615146A (zh) * | 2018-12-27 | 2019-04-12 | 东北大学 | 一种基于深度学习的超短时风功率预测方法 |
CN109978222A (zh) * | 2019-01-04 | 2019-07-05 | 国网山东省电力公司电力科学研究院 | 一种基于贝叶斯网络的风电爬坡事件概率预测方法及*** |
CN110570030A (zh) * | 2019-08-22 | 2019-12-13 | 国网山东省电力公司经济技术研究院 | 基于深度学习的风电集群功率区间预测的方法及*** |
CN110942194A (zh) * | 2019-11-27 | 2020-03-31 | 徐州上若科技有限公司 | 一种基于tcn的风电预测误差区间评估方法 |
CN111695666A (zh) * | 2020-05-26 | 2020-09-22 | 河海大学 | 一种基于深度学习的风电功率超短期条件概率预测方法 |
CN112036658A (zh) * | 2020-09-09 | 2020-12-04 | 华东交通大学 | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 |
-
2021
- 2021-01-13 CN CN202110042233.8A patent/CN112801350B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650982A (zh) * | 2016-08-30 | 2017-05-10 | 华北电力大学 | 一种基于多点nwp的深度学习功率预测方法 |
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 |
CN109615146A (zh) * | 2018-12-27 | 2019-04-12 | 东北大学 | 一种基于深度学习的超短时风功率预测方法 |
CN109978222A (zh) * | 2019-01-04 | 2019-07-05 | 国网山东省电力公司电力科学研究院 | 一种基于贝叶斯网络的风电爬坡事件概率预测方法及*** |
CN110570030A (zh) * | 2019-08-22 | 2019-12-13 | 国网山东省电力公司经济技术研究院 | 基于深度学习的风电集群功率区间预测的方法及*** |
CN110942194A (zh) * | 2019-11-27 | 2020-03-31 | 徐州上若科技有限公司 | 一种基于tcn的风电预测误差区间评估方法 |
CN111695666A (zh) * | 2020-05-26 | 2020-09-22 | 河海大学 | 一种基于深度学习的风电功率超短期条件概率预测方法 |
CN112036658A (zh) * | 2020-09-09 | 2020-12-04 | 华东交通大学 | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 |
Non-Patent Citations (8)
Title |
---|
JIANG CHUN YUE: "Chaotic time series GA-VNN model of ultra short term wind power multi step prediction based on", 《POWER SYSTEM TECHNOLOGY》 * |
NIU D: "Ultra-Short-Term Wind-Power Forecasting Based on the Weighted Random Forest Optimized by the Niche Immune Lion Algorithm", 《ENERGIES》 * |
SANTAMARIA-BONFIL G: "Wind Speed Forecasting For Wind Farms:A Method Based on Support Vector Regression", 《RENEWABLE ENERGY》 * |
张玉敏: "应对不确定性的机组组合决策理论研究", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
强硕: "风电功率预测方法研究综述", 《2017中国自动化大会(CAC2017)暨国际智能制造创新大会(CIMIC2017)论文集》 * |
沈惟舟: "基于机器学习的风电场短期风功率预测研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
熊图: "动态组合深度学习模型在短期负荷及光伏功率预测中的应用", 《可再生能源》 * |
黄伟: "基于组合算法的巴拉素风电场多尺度功率预测模型研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689030A (zh) * | 2021-08-03 | 2021-11-23 | 广东工业大学 | 一种基于双向注意力和二次优化的短期风功率预测方法 |
CN113689030B (zh) * | 2021-08-03 | 2022-05-27 | 广东工业大学 | 一种基于双向注意力和二次优化的短期风功率预测方法 |
CN115130743A (zh) * | 2022-06-22 | 2022-09-30 | 国网山东省电力公司电力科学研究院 | 一种基于变分推断的风电机组调节速率预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112801350B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112699913B (zh) | 一种台区户变关系异常诊断方法及装置 | |
CN110619360A (zh) | 一种考虑历史样本相似性的超短期风功率预测方法 | |
CN107194495B (zh) | 一种基于历史数据挖掘的光伏功率纵向预测方法 | |
CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
CN112801350B (zh) | 基于不确定度的深度学习超短时风电功率预测***及方法 | |
CN107609774B (zh) | 一种基于思维进化算法优化小波神经网络的光伏功率预测方法 | |
CN111709454B (zh) | 一种基于最优copula模型的多风电场出力聚类评估方法 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
CN108734359B (zh) | 一种风电功率预测数据预处理方法 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN113657662B (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
CN109242200B (zh) | 一种贝叶斯网络预测模型的风电功率区间预测方法 | |
CN113191918A (zh) | 基于时序生成对抗网络的月度风光发电功率场景分析方法 | |
CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及*** | |
CN115204444A (zh) | 基于改进聚类分析和融合集成算法的光伏功率预测方法 | |
CN116702937A (zh) | 一种基于K-means均值聚类及优化BP神经网络的光伏出力日前预测方法 | |
CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
CN115115090A (zh) | 一种基于改进lstm-cnn的风功率短期预测方法 | |
CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
CN112418504B (zh) | 一种基于混合变量选择优化深度信念网络风速预测方法 | |
CN116307139A (zh) | 一种优化与改进极限学习机的风电功率超短期预测方法 | |
CN113837096B (zh) | 一种基于ga随机森林的滚动轴承故障诊断方法 | |
CN114897260A (zh) | 基于lstm神经网络的短期风速预测模型建模方法及预测方法 | |
CN115296298A (zh) | 一种风电场功率预测方法 |
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 |