CN112949950A - 基于多元时空关联矩阵的集群风电功率映射预测方法 - Google Patents
基于多元时空关联矩阵的集群风电功率映射预测方法 Download PDFInfo
- Publication number
- CN112949950A CN112949950A CN202110473926.2A CN202110473926A CN112949950A CN 112949950 A CN112949950 A CN 112949950A CN 202110473926 A CN202110473926 A CN 202110473926A CN 112949950 A CN112949950 A CN 112949950A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- correlation matrix
- time
- space
- time correlation
- 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
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 149
- 238000013507 mapping Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 230000015654 memory Effects 0.000 claims abstract description 32
- 238000012821 model calculation Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000002441 reversible effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization 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
- 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
- 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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于多元时空关联矩阵的集群风电功率映射预测方法,包括如下步骤:获取包括时间参数和空间参数的待预测区域的风速数据和集群风电功率数据;根据风速数据中的空间参数形成风速多元时空关联矩阵;建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型;对风速多元时空关联矩阵进行模型计算,通过改变时间参数获得预测风速多元时空关联矩阵;建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵‑集群风电功率映射模型;将预测风速多元时空关联矩阵输入到映射模型中,以获得预测的集群风电功率。相对于现有技术,本发明对风速的时间信息和空间信息充分利用,大幅提升了预测精度。
Description
技术领域
本发明涉及集群风电功率预测技术领域,尤其涉及基于多元时空关联矩阵的集群风电功率映射预测方法。
背景技术
随着近些年可持续发展战略的提出,风能作为优质、清洁的能源得到了广泛的关注,大规模风电场的建设让用户使用了清洁可再生的电能,但也电力***带来了一些问题。由于风电出力的随机性和不确定性,并网后给电力***的稳定性造成了一定的影响。由于单个风机的出力较小,对电网的影响也较小,对其研究没有意义。大规模风机集群的出力较大,对于电力***稳定性的影响也较大,所以精准的风电功率预测对于电力***安全稳定运行十分重要。然而集群风电功率主要受风速的影响,所以高精度的风速预测模型,是获得高精度的集群风电功率预测结果的重要前提。在获得风速结果后,将风速结果转换为风功率也是重要的环节。
风速预测是指利用已知风速信息,通过计算、推导,得出对某一区域未来一段时间内的风速情况的预测值。风速预测的应用范围十分广阔,例如气象探测、灾难预警、风能利用等领域。尤其在电力应用方面,风能作为一种清洁、无污染的新能源,已经受到世界各国的广泛关注。然而,由于风能资源分布与电力负荷不匹配和电网消纳能力不足等问题,出现了很多“弃风限电”现象。弃风现象的加剧不仅造成了不可估量的经济损失,而且大大削弱了风电的市场竞争力。可靠的风电功率预测有利于电力调度部门调整总体调度计划,配置风力发电机组的合理出力,节约常规能源发电。同时,在电力市场中,风电功率预测的准确性也是降低发电成本和保持竞争力的关键因素。因此,改进风电场风速和功率预测方法成为了风电发展的研究重点,其中,风速预测和风速-风功率的映射是基础工作也是关键环节。
然而,现有的风速预测方法均是直接拟合风速序列与影响因素的模型,并没有深度挖掘风速序列本身的特性。尤其在对风速信息的利用方面,现有技术往往将空间信息和时间信息拆分开用以对风速进行分析,没有充分结合空间信息和时间信息的模型是存在明显瑕疵的,从而导致预测精度较低。现有的风速-风功率的映射方法是通过理想风机的风电转换曲线,将风速与风功率进行对应。但是现有方法并没有考虑实际风机出厂或安装的问题导致现有风机的出力不满足理想的转换曲线,或者出现弃风限电的情况,所以现有的风速-风功率的映射方法精度较低。
发明内容
本发明的主要目的在于提供基于多元时空关联矩阵的集群风电功率映射预测方法,旨在解决现有集群风电功率预测方法对时间域和空间域的信息结合不足导致预测效果不佳的问题。
为实现上述目的,本发明提供的基于多元时空关联矩阵的集群风电功率映射预测方法,包括如下步骤:
获取包括时间参数和空间参数的待预测区域的风速数据和集群风电功率数据;
根据所述风速数据中的所述空间参数形成风速多元时空关联矩阵;
建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型;
对所述风速多元时空关联矩阵进行模型计算,通过改变所述时间参数获得预测风速多元时空关联矩阵;
建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型;
将所述预测风速多元时空关联矩阵输入到所述映射模型中,以获得集群风电功率。
优选地,所述获取包括时间参数和空间参数的待预测区域的风速数据的步骤,包括:
在数据库中下载不同经纬度在指定时段内的不同时刻下的气象数据;
根据所述待预测区域的经纬度,从所述气象数据中提取待预测区域的所述风速数据。
优选地,所述根据所述风速数据中的所述空间参数形成风速多元时空关联矩阵的步骤,包括:
将所述风速数据中的经度作为横坐标、所述风速数据中的纬度作为纵坐标,形成指定时段内的不同时刻下的所述风速多元时空关联矩阵。
优选地,所述建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型的步骤,包括:
利用python软件将不同时间下的所述风速多元时空关联矩阵组成风速多元时空关联矩阵序列;
对所述风速多元时空关联矩阵进行归一化处理,利用MinMaxScaler()函数,获得0-1间的风速数据;
将所述风速多元时空关联矩阵序列按照6:3:1的比例分为训练集、验证集和测试集;
建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型。
优选地,所述对所述风速多元时空关联矩阵进行模型计算,通过改变所述时间参数获得预测风速多元时空关联矩阵的步骤,包括:
通过输入当前时刻的前10个所述风速多元时空关联矩阵,得到下一时刻的风速多元时空关联矩阵。
优选地,所述建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型的步骤,包括:
读取所述风速多元时空关联矩阵与所述集群风电功率数据;
设置第一模型参数;
根据所述第一模型参数搭建所述基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型。
优选地,所述将所述预测风速多元时空关联矩阵输入到所述映射模型中,以获得集群风电功率的步骤,包括:
利用python软件中load_model()函数加载已经训练好的所述基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型;
将所述基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型中的预测风速多元时空关联矩阵输入到所述基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型中,以获得对应时刻的集群风电功率;
将所述集群风电功率进行反归一化处理,以获得最终的所述预测集群风电功率。
优选地,在数据库中下载不同经纬度在指定时段内的不同时刻下的气象数据的时间分辨率为15分钟。
优选地,所述建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型的步骤前,还包括:以灰度图的形式展示所述风速多元时空关联矩阵。
优选地,利用python软件cv2模块中的imread函数cv2.imread()将所述风速多元时空关联矩阵处理成灰度图的形式。
在本发明的技术方案中,同时获取了风速数据中的时间参数和空间参数,并通过空间参数获得风速多元时空关联矩阵,并将风速多元时空关联矩阵以可视化的方式间接获得了风速图像;通过建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型,通过改变时间参数,来获得预测风速多元时空关联矩阵;根据风速多元时空关联矩阵与集群风电功率的实时映射关系,建立风速多元时空关联矩阵-集群风电功率的映射模型;将预测的风速多元时空关联矩阵输入到映射模型中,以此来获得预测集群风电功率。相对于现有技术只是单独利用时间信息参数或空间参数,或仅仅对二者进行简单结合,本发明基于多元时空关联矩阵的集群风电功率映射预测方法对风速的时间信息和空间信息充分利用,并直接建立风速与风功率的映射关系,大幅提升了集群风电功率预测的精度。
附图说明
图1为本发明基于多元时空关联矩阵的集群风电功率映射预测方法第一实施例的流程示意图;
图2为预测风速图像与实测风速图像的对照示意图;
图3为本发明基于多元时空关联矩阵的集群风电功率映射预测方法的风速预测结果与现有技术的风速预测效果对比示意图;
图4为本发明基于多元时空关联矩阵的集群风电功率映射预测方法的集群风电功率预测结果与现有技术的预测效果对比示意图。
本发明目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1,本发明提供了基于多元时空关联矩阵的集群风电功率映射预测方法,包括如下步骤:
步骤S10,获取包括时间参数和空间参数的待预测区域的风速数据和集群风电功率数据;
步骤S20,根据所述风速数据中的所述空间参数形成风速多元时空关联矩阵;
步骤S30,建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型;
步骤S40,对所述风速多元时空关联矩阵进行模型计算,通过改变所述时间参数获得预测风速多元时空关联矩阵;
步骤S50,建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型;
步骤S60,将所述预测风速多元时空关联矩阵输入到所述映射模型中,以获得集群风电功率。
在本发明的技术方案中,同时获取了风速数据中的时间参数和空间参数,并通过空间参数获得风速多元时空关联矩阵,并将风速多元时空关联矩阵以可视化的方式间接获得了风速图像;通过建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型,通过改变时间参数,来获得预测风速多元时空关联矩阵;根据风速多元时空关联矩阵与集群风电功率的实时映射关系,建立风速多元时空关联矩阵-集群风电功率的映射模型;将预测的风速多元时空关联矩阵输入到映射模型中,以此来获得预测集群风电功率。相对于现有技术只是单独利用时间信息参数或空间参数,或仅仅对二者进行简单结合,本发明基于多元时空关联矩阵的集群风电功率映射预测方法对风速的时间信息和空间信息充分利用,并直接建立风速与风功率的映射关系,大幅提升了集群风电功率预测的精度。
所述时间参数指的是风速数据对应的时段,所述空间参数指的是风速数据对应的地理区域。所述获取包括时间参数和空间参数的待预测区域的风速数据的步骤,具体可以为:获取待预测区域在指定时段的风速数据。在相同时段内,不同地区的风速具有很大差异性,例如,相同时刻下,沿海地区与内陆地区的风速有很大差异,因此,进行某一待预测区域的风速预测时,需要获取相同区域的历史风速数据作为预测依据,而不能采用待预测区域以外的其他区域的历史风速数据作为预测依据,以保证风速预测的准确性。
请参阅表1,该表格显示的是利用本发明基于多元时空关联矩阵的集群风电功率映射预测方法和现有技术(LSTM预测方法和BPNN预测方法)同时对某区域预测连续4个小时的风速数据的对照,通过表格信息可以清楚看出本发明基于多元时空关联矩阵的集群风电功率映射预测方法的风速预测结果更加接近实测风速.
表1预测结果对照表
请参阅图2,该图为预测风速图像与实测风速图像的对照示意图,由该对照图可以看出本发明基于多元时空关联矩阵的集群风电功率映射预测方法的预测结果与实测结果非常相近。
请参阅图3,该图为本发明基于多元时空关联矩阵的集群风电功率映射预测方法的风速预测结果与现有技术的风速预测效果对比示意图,从该图中可以看出,相对于现有技术的预测效果,本发明的预测效果更为接近真实情况。
基于本发明基于多元时空关联矩阵的集群风电功率映射预测方法的第一实施例,本发明基于多元时空关联矩阵的集群风电功率映射预测方法的第二实施例中,所述步骤S10中所述获取包括时间参数和空间参数的待预测区域的风速数据的步骤,包括:
步骤S11,在数据库中下载不同经纬度在指定时段内的不同时刻下的气象数据;
步骤S12,根据所述待预测区域的经纬度,从所述气象数据中提取待预测区域的所述风速数据。
其中,不同经纬度在指定时段内的不同时刻下的气象数据包括有时间参数和空间参数,同时还包含有时间参与和空间参数之间的对应关系。
所述步骤S10还包括:
步骤S13,构建待预测区域风速数据库。
其中,用于下载不同经纬度在指定时段内的不同时刻下的气象数据的所述数据库为哥白尼气候数据储存库。通过经纬度信息确定待预测风速区域的具体的平面位置,将该区域内的风速数据单独摘取出来。所述风速数据包括瞬时风速数据和风向数据,结合瞬时风速和风向,沿时间轴,可以得知待预测区域内的风的发展趋势。并将摘取出来的风速数据存入待预测区域风速数据库,以便后续提取。
本实施例中,所述空间参数包括经度、纬度,作为本技术方案的进一步扩展,所述空间参数还可以进一步包括海拔高度。加入海拔高度作为空间参数后,本发明可以对待预测区域范围内的不同海拔高度下的风速进行精准预测,以为地面作业、无人机作业或航空等提供风速参数。
基于本发明基于多元时空关联矩阵的集群风电功率映射预测方法的第一实施例,本发明基于多元时空关联矩阵的集群风电功率映射预测方法的第三实施例中,所述步骤S20包括:
步骤S21,将所述风速数据中的经度作为横坐标、所述风速数据中的纬度作为纵坐标,形成指定时段内的不同时刻下的所述风速多元时空关联矩阵。
风速数据中的经度和纬度能够唯一确定平面位置,结合对应位置在某一时刻下的风速信息,就能形成该风速下的风速多元时空关联矩阵。通过改变时间参数,可以形成指定时段内的不同时刻下的平面风速多元时空关联矩阵。
所述步骤S20还包括:
步骤S22,根据时间的先后顺序,将对应时刻的所述风速多元时空关联矩阵整理成风速多元时空关联矩阵集。
当需要提取某一时刻的风速多元时空关联矩阵时,只需从风速多元时空关联矩阵集中输入对应的时间信息即可。
本实施例中,所述风速数据包括瞬时风速信息和风向信息,单独选取瞬时风速信息与经纬度进行结合,可以得到不同时刻下每个坐标点的瞬时风速多元时空关联矩阵,将相邻坐标点的瞬时风速相连,并沿时间轴更新瞬时风速信息,可以得到对应时刻下全区域的风速变化趋势。而单独选取风向信息与经纬度进行结合,可以得到不同时刻下每个坐标点的风向矩阵,将相邻坐标点的风向所指方向相连,并沿时间轴更新风向信息,可以得到对应时刻下全区域的风向变化趋势即风的走势。作为本技术方案的进一步扩展,将经度作为x轴坐标、纬度作为y轴坐标的同时将海拔高度作为z轴坐标,构建形成三维风速多元时空关联矩阵,能够从立体空间上反映风的发展趋势。
基于本发明基于多元时空关联矩阵的集群风电功率映射预测方法的第一实施例,本发明基于多元时空关联矩阵的集群风电功率映射预测方法的第四实施例中,所述步骤S30包括:
步骤S31:利用python软件将不同时间下的所述风速多元时空关联矩阵组成风速多元时空关联矩阵序列;
步骤S32:对所述风速多元时空关联矩阵进行归一化处理,利用MinMaxScaler()函数,获得0-1间的风速数据;
步骤S33:将所述风速多元时空关联矩阵序列按照6:3:1的比例分为训练集、验证集和测试集;
步骤S34:建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型。
其中,所述步骤S32如式1所示;
式中,s(t)和s'(t)分别表示归一化前后的风速大小。
另外,所述基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型共有五层网络,前四层为ConvLSTM层,用于捕捉风速多元时空关联矩阵的时间、空间序列信息;第五层为输出层,用Conv2D作为输出,用于获取下一时刻的风速多元时空关联矩阵。
所述步骤S34后,还包括:
步骤S35:设置第二模型参数,包括卷积核的大小、Filter的数量等;
步骤S36:将连续的10个所述风速多元时空关联矩阵作为输入,下一时刻的1个所述风速多元时空关联矩阵作为标签来输出,进行模型的训练;
步骤S37:在模型的训练过程中,利用MSE来计算结果的损失,即用来计算模型的精度;
步骤S38:当模型的损失小到一定阈值后,利用python中torch.save()函数保存模型。
基于本发明基于多元时空关联矩阵的集群风电功率映射预测方法的第一实施例,本发明基于多元时空关联矩阵的集群风电功率映射预测方法的第五实施例中,所述步骤S40包括:
步骤S41,通过输入当前时刻的前10个所述风速多元时空关联矩阵,得到下一时刻的风速多元时空关联矩阵。
所述步骤S41,包括:
步骤S41a,利用python软件中load_model()函数加载已经训练好的模型;
步骤S41b,将当前时刻的前10个风速多元时空关联矩阵输入到模型中,得到下一时刻的风速多元时空关联矩阵,即预测的风速多元时空关联矩阵。
所述步骤S41后,还包括:
步骤S42,将预测风速多元时空关联矩阵进行反归一化处理,以得到最终的预测风速多元时空关联矩阵;
步骤S43,以灰度图的形式对所述预测风速多元时空关联矩阵进行可视化展示。
基于本发明基于多元时空关联矩阵的集群风电功率映射预测方法的第一实施例,本发明基于多元时空关联矩阵的集群风电功率映射预测方法的第六实施例中,所述步骤S50包括:
步骤S51,读取所述风速多元时空关联矩阵与所述集群风电功率数据;
步骤S52,设置第一模型参数;
步骤S53,根据所述第一模型参数搭建所述基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型。
所述步骤S53,包括:
步骤S53a,对集群风电功率数据进行归一化处理,利用MinMaxScaler()函数,获得0-1间的风电功率数据。
步骤S53b:将风速多元时空关联矩阵和集群风电功率数据按照6:3:1的比例分为训练集、验证集和测试集。
步骤S53c:建立所述基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型。
其中,所述基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型共有五层网络,前两层为ConvLSTM层,用于捕捉风速多元时空关联矩阵的时间、空间序列信息;第三层为LSTM层,第四、五两层为全连接层,用于输出对应的风功率数据。
所述步骤S53c后,还包括:
步骤S53d:设置第二模型参数,包括卷积核的大小、Filter的数量、神经元的数量等;
步骤S53e:将1个所述风速多元时空关联矩阵作为输入,对应时刻的集群风电功率数据作为标签来输出,进行模型的训练;
步骤S53f:在模型的训练过程中,利用MSE来计算结果的损失,即用来计算模型的精度;
步骤S53g:当模型的损失小到一定阈值后,利用python中torch.save()函数保存模型。
通过深度学习等算法对风速序列、集群风电功率进行预测,通过对历史风速、风功率数据样本的训练、参数的优化,获得精度较高的预测结果。由于不同经纬度坐标的风速具有相关性,通过对不同坐标下的风速多元时空关联矩阵序列进行深度学习,不仅可以将时间参数的信息考虑在内,还可以学习到空间参数信息的相关性,二者互相支撑,这对于提高预测精度有较大作用。
基于本发明基于多元时空关联矩阵的集群风电功率映射预测方法的第一实施例,本发明基于多元时空关联矩阵的集群风电功率映射预测方法的第七实施例中,所述步骤S60,包括:
步骤S61:利用python软件中load_model()函数加载已经训练好的所述基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型;
步骤S62:将所述基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型中的预测风速多元时空关联矩阵输入到所述基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型中,以获得对应时刻的集群风电功率;
步骤S63:将所述集群风电功率进行反归一化处理,以获得最终的所述预测集群风电功率,如式2所示。
s(t)=s'(t)·max(s) (2)
请参阅图4,该图为本发明基于多元时空关联矩阵的集群风电功率映射预测方法的风功率预测结果与现有技术的预测效果对比示意图,从该图中可以看出,相对于现有技术的预测效果,本发明的预测效果更为接近真实的集群风电功率。
请参阅表2,该表格显示的是利用本发明基于多元时空关联矩阵的集群风电功率映射预测方法和现有技术(LSTM预测方法、BPNN预测方法、ConvLSTM-LSTM方法和ConvLSTM-BPNN方法)同时对某区域预测连续4个小时的风速数据的对照,通过表格信息可以清楚看出本发明基于多元时空关联矩阵的集群风电功率映射预测方法的风功率预测结果更加接近实测风功率数据。
表2预测结果对照表
基于本发明基于多元时空关联矩阵的集群风电功率映射预测方法的第二实施例,本发明基于多元时空关联矩阵的集群风电功率映射预测方法的第八实施例中,在数据库中下载不同经纬度在指定时段内的不同时刻下的所述气象数据的时间分辨率为15分钟。
时间分辨率是指对同一目标进行重复探测时,相邻两次探测的时间间隔。它能提供地物动态变化的信息,可用来对地物的变化进行监测,也可以为某些专题要素的精确分类提供附加信息。
通过改变所述时间分辨率可以获得不同时间点的气象数据,从而影响预测的精准度。根据风速预测值在不同用途中对精度要求,可以改变所述时间分辨率,从而获得满足对应要求的预测精度。所述时间分辨率还包括0.2小时、0.5小时、1小时、2小时、5小时和10小时。
基于本发明基于多元时空关联矩阵的集群风电功率映射预测方法的第一实施例至第八实施例中任一项,本发明基于多元时空关联矩阵的集群风电功率映射预测方法的第九实施例中,所述步骤S30前,还包括:
步骤S20a,以灰度图的形式展示所述风速多元时空关联矩阵。
优选地,在所述步骤S20a中,利用python软件cv2模块中的imread函数cv2.imread()将所述风速多元时空关联矩阵处理成灰度图的形式。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.基于多元时空关联矩阵的集群风电功率映射预测方法,其特征在于,所述预测方法包括如下步骤:
获取包括时间参数和空间参数的待预测区域的风速数据和集群风电功率数据;
根据所述风速数据中的所述空间参数形成风速多元时空关联矩阵;
建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型;
对所述风速多元时空关联矩阵进行模型计算,通过改变所述时间参数获得预测风速多元时空关联矩阵;
建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型;
将所述预测风速多元时空关联矩阵输入到所述映射模型中,以获得集群风电功率。
2.根据权利要求1所述的基于多元时空关联矩阵的集群风电功率映射预测方法,其特征在于,所述获取包括时间参数和空间参数的待预测区域的风速数据的步骤,包括:
在数据库中下载不同经纬度在指定时段内的不同时刻下的气象数据;
根据所述待预测区域的经纬度,从所述气象数据中提取待预测区域的所述风速数据。
3.根据权利要求1所述的基于多元时空关联矩阵的集群风电功率映射预测方法,其特征在于,所述根据所述风速数据中的所述空间参数形成风速多元时空关联矩阵的步骤,包括:
将所述风速数据中的经度作为横坐标、所述风速数据中的纬度作为纵坐标,形成指定时段内的不同时刻下的所述风速多元时空关联矩阵。
4.根据权利要求1所述的基于多元时空关联矩阵的集群风电功率映射预测方法,其特征在于,所述建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型的步骤,包括:
利用python软件将不同时间下的所述风速多元时空关联矩阵组成风速多元时空关联矩阵序列;
对所述风速多元时空关联矩阵进行归一化处理,利用MinMaxScaler()函数,获得0-1间的风速数据;将所述风速多元时空关联矩阵序列按照6:3:1的比例分为训练集、验证集和测试集;
建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型。
5.根据权利要求1所述的基于多元时空关联矩阵的集群风电功率映射预测方法,其特征在于,所述对所述风速多元时空关联矩阵进行模型计算,通过改变所述时间参数获得预测风速多元时空关联矩阵的步骤,包括:
通过输入当前时刻的前10个所述风速多元时空关联矩阵,得到下一时刻的风速多元时空关联矩阵。
6.根据权利要求1所述的基于多元时空关联矩阵的集群风电功率映射预测方法,其特征在于,所述建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型的步骤,包括:
读取所述风速多元时空关联矩阵与所述集群风电功率数据;
设置第一模型参数;
根据所述第一模型参数搭建所述基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型。
7.根据权利要求1所述的基于多元时空关联矩阵的集群风电功率映射预测方法,其特征在于,所述将所述预测风速多元时空关联矩阵输入到所述映射模型中,以获得集群风电功率的步骤,包括:
利用python软件中load_model()函数加载已经训练好的所述基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型;
将所述基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型中的预测风速多元时空关联矩阵输入到所述基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型中,以获得对应时刻的集群风电功率;
将所述集群风电功率进行反归一化处理,以获得最终的所述预测集群风电功率。
8.根据权利要求2所述的基于多元时空关联矩阵的集群风电功率映射预测方法,其特征在于,在数据库中下载不同经纬度在指定时段内的不同时刻下的气象数据的时间分辨率为15分钟。
9.根据权利要求1-8中任一项所述的基于多元时空关联矩阵的集群风电功率映射预测方法,其特征在于,所述建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型的步骤前,还包括:
以灰度图的形式展示所述风速多元时空关联矩阵。
10.根据权利要求9所述的基于多元时空关联矩阵的集群风电功率映射预测方法,其特征在于,利用python软件cv2模块中的imread函数cv2.imread()将所述风速多元时空关联矩阵处理成灰度图的形式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110473926.2A CN112949950A (zh) | 2021-04-29 | 2021-04-29 | 基于多元时空关联矩阵的集群风电功率映射预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110473926.2A CN112949950A (zh) | 2021-04-29 | 2021-04-29 | 基于多元时空关联矩阵的集群风电功率映射预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112949950A true CN112949950A (zh) | 2021-06-11 |
Family
ID=76233684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110473926.2A Pending CN112949950A (zh) | 2021-04-29 | 2021-04-29 | 基于多元时空关联矩阵的集群风电功率映射预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949950A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390116A (zh) * | 2013-08-07 | 2013-11-13 | 华北电力大学(保定) | 采用分步方式的光伏电站发电功率预测方法 |
CN106446494A (zh) * | 2016-05-11 | 2017-02-22 | 新疆大学 | 基于小波包‑神经网络的风光功率预测方法 |
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 |
CN111680838A (zh) * | 2020-06-08 | 2020-09-18 | 中国电力科学研究院有限公司 | 一种空调负荷聚合功率预测方法及*** |
CN111784041A (zh) * | 2020-06-28 | 2020-10-16 | 中国电力科学研究院有限公司 | 一种基于图卷积神经网络的风电功率预测方法及*** |
-
2021
- 2021-04-29 CN CN202110473926.2A patent/CN112949950A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390116A (zh) * | 2013-08-07 | 2013-11-13 | 华北电力大学(保定) | 采用分步方式的光伏电站发电功率预测方法 |
CN106446494A (zh) * | 2016-05-11 | 2017-02-22 | 新疆大学 | 基于小波包‑神经网络的风光功率预测方法 |
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 |
CN111680838A (zh) * | 2020-06-08 | 2020-09-18 | 中国电力科学研究院有限公司 | 一种空调负荷聚合功率预测方法及*** |
CN111784041A (zh) * | 2020-06-28 | 2020-10-16 | 中国电力科学研究院有限公司 | 一种基于图卷积神经网络的风电功率预测方法及*** |
Non-Patent Citations (4)
Title |
---|
CHEN, SZ: "A Wind Power Prediction Method Based on Deep Convolutional Network with Multiple Features", 《INTERNATIONAL CONFERENCE ON NEURAL INFORMATION PROCESSING》 * |
JIAMING LIU: "Deep Learning Based Visualized Wind Speed Matrix Forecasting Model for Wind Power Forecasting", 《2020 IEEE 3RD STUDENT CONFERENCE ON ELECTRICAL MACHINES AND SYSTEMS (SCEMS)》 * |
WENZU WU: "Probabilistic Short-term Wind Power Forecasting Based on Deep Neural Networks", 《2016 INTERNATIONAL CONFERENCE ON PROBABILISTIC METHODS APPLIED TO POWER SYSTEMS (PMAPS)》 * |
尹瑞: "基于灵活性矩阵与优劣解距离的新能源功率预测评价方法", 《电力建设》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107247938B (zh) | 一种高分辨率遥感影像城市建筑物功能分类的方法 | |
EP2856339B1 (en) | Method and apparatus for forecasting solar radiation and solar power production using synthetic irradiance imaging | |
CN110705727B (zh) | 基于随机森林算法的光伏电站阴影遮挡诊断方法及*** | |
CN112329977A (zh) | 一种面向极端场景的风电功率预测*** | |
Haupt et al. | Big data and machine learning for applied weather forecasts: Forecasting solar power for utility operations | |
CN102254239A (zh) | 基于微地形风场分布及台风叠加效应的电网风灾预警*** | |
CN110346518B (zh) | 一种交通排放污染可视化预警方法及其*** | |
CN112906955B (zh) | 一种基于多源数据驱动的潮汐数据拟合方法 | |
CN113505521B (zh) | 一种耦合神经网络-数值模拟的城市内涝快速预报方法 | |
Feng et al. | Short-term global horizontal irradiance forecasting based on sky imaging and pattern recognition | |
Cheng | Hybrid solar irradiance now-casting by fusing Kalman filter and regressor | |
CN112183625A (zh) | 一种基于深度学习的pm2.5高精度时空预测方法 | |
Alimohammadi et al. | Multi-stage algorithm for uncertainty analysis of solar power forecasting | |
CN113984969A (zh) | 一种基于多源时空数据融合的空气质量预测方法及*** | |
CN111461423B (zh) | 一种高精度网格化空气质量推断方法、***、终端设备及存储介质 | |
CN116720156A (zh) | 基于图神经网络多模态气象数据融合的气象要素预报方法 | |
CN115358060A (zh) | 一种支持新能源发电功率高精度预测的高效算法框架 | |
Weekes et al. | Low‐cost wind resource assessment for small‐scale turbine installations using site pre‐screening and short‐term wind measurements | |
CN110059972B (zh) | 基于泛函深度信念网络的日太阳辐射资源评估方法 | |
CN115936238B (zh) | 一种全域风电中长期出力预测方法、***、设备及介质 | |
CN112070320A (zh) | 一种基于动态谐波回归的超短期风电功率预测方法及*** | |
CN112949950A (zh) | 基于多元时空关联矩阵的集群风电功率映射预测方法 | |
Wang et al. | Neural network based irradiance mapping model of solar PV power forecasting using sky image | |
Zhou et al. | Smart grid data mining and visualization | |
CN114004405A (zh) | 基于Elman神经网络和卫星云图的光伏功率预测方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210611 |
|
RJ01 | Rejection of invention patent application after publication |