CN113191091B - 基于混合深度学习机制的风速预测方法及***、设备 - Google Patents
基于混合深度学习机制的风速预测方法及***、设备 Download PDFInfo
- Publication number
- CN113191091B CN113191091B CN202110621411.2A CN202110621411A CN113191091B CN 113191091 B CN113191091 B CN 113191091B CN 202110621411 A CN202110621411 A CN 202110621411A CN 113191091 B CN113191091 B CN 113191091B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- neural network
- deep learning
- gate
- prediction
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 71
- 230000007246 mechanism Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 92
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000007787 long-term memory Effects 0.000 claims abstract description 9
- 230000006403 short-term memory Effects 0.000 claims abstract description 9
- 230000015654 memory Effects 0.000 claims description 38
- 125000004122 cyclic group Chemical group 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 7
- 230000007774 longterm Effects 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010248 power generation Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
本发明提供了一种基于混合深度学***衡了预测时间和预测准确度之间的矛盾,所得结果能够促进电网更加充分的利用风资源。
Description
技术领域
本发明涉及风速预测技术领域,具体地,涉及一种基于混合深度学习机制的风速预测方法及***、设备。
背景技术
在化石能源逐渐枯竭,现代生活所需用电量激增,环保问题日益引起重视的趋势下,世界各国均积极开展绿色可再生能源的研究与建设。而风能作为一种重要的绿色可再生能源,有可开发量大,污染较小,占地面积较小的特点,成为了世界各国大力投入建设的领域。目前,中国风电总装机容量位于世界第一位。
然而,风电受制于自然因素,其输出具有波动性与不可控性。随着风电并网容量的不断增加,其波动性对于电网电压、频率的影响不能完全通过电网的一次调节和二次调节而消除,对电网的安全性造成了威胁。同时,风电的随机波动性也会造成电能消纳难题,严重的会造成弃风现象,使得风电经济性下降。通过准确地预测风资源,可以预先掌握风速的变化情况,从而改善风电经济性,减小风电并网后对电网稳定性的影响。
风速预测方法主要分为物理模型与数据模型。物理模型能够基于天气预报以及历史天气数据预测未来的风电发电量。数据模型是目前较为主流的预测方法,常用方法包括自回归模型,支持向量机,人工神经网络等。近年来,基于长短期记忆神经网络的风电预测研究不断增加,并且取得了优于以往模型的结果。但基于长短期记忆神经网络的风电预测方式要求参数较多,且网络训练时间较长。对站点的天气数据测量能力,以及计算机计算能力都有较高的要求。
经过检索,专利文献CN112149859A公开了一种风速预测方法和风速预测装置,所述风速预测方法包括:获取目标区域在未来预设时间段的预测背景场数据和观测场数据;根据获取的预测背景场数据和观测场数据使用天气预报模式***来生成初始条件和边界条件;基于第一同化***对所述初始条件进行优化,并且相应地更新所述边界条件;基于优化后的初始条件以及更新的边界条件,使用天气预报模式***和第二同化***来获得目标区域在所述预设时间段的风速。该现有技术的不足之处在于大量依赖获取的预测背景场数据和观测场数据,也就是常规的主流预测方法,所需要的网络训练时间较长。
基于李相俊等人在《发电技术》一书中发表的文献《基于长短期记忆神经网络的风力发电功率预测方法》,该现有技术披露了一种融合深度学习算法的风力发电功率预测方法。以历史风力发电功率数据作为输入,建立风力发电功率预测模型,实现对未来一个时间刻度的风力发电功率预测。算例结果表明,与传统时序预测方法相比,基于长短期记忆神经网络的风力发电功率预测结果在各项指标中误差更小,但其时间最短间隔为1分钟,但现有操作中是时间间隔会较长,而时间间隔越长,预测难度越大。此外,该现有技术尚未涉及多种深度学习预测的混合,无法借助不同种深度学习方法的优势。
基于王炜等人在《可再生能源》一书中发表的文献《基于LSTM循环神经网络的风力发电预测》披露了基于AGC自动发电控制的要求,选取每15min为一个数据采集点,构建大数据集,建立了基于LSTM结构的循环神经网络超短期风力发电预测模型,并每15min根据最新实际采集数据更新数据集,实现了预测网络的滚动更新。最后通过某风电场的实际数据进行验证。但是该现有技术所需数据量较大,数据种类复杂,预测精度有限,不具备风电预测的普适性。此外,该文献尚未考虑风速变化量对于风电功率预测的影响。
因此,亟需研发设计一种能够兼顾神经网络训练速度与预测精确度的风速预测方法与***。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于混合深度学***衡了预测时间和预测准确度之间的矛盾,使得结果可以促进电网更加充分的利用风资源。
根据本发明提供的一种基于混合深度学习机制的风速预测方法,包括如下步骤:
步骤S1:收集历史风力数据进行预处理;
步骤S2:经过预处理的历史风力数据输入至混合深度学习机制进行训练;
步骤S3:将训练完成的预测模型进行风速预测。
优选地,步骤S1中利用归一化方法对历史风力数据进行预处理,获得待输入的风速及风速变化量。
优选地,步骤S2中的混合深度学习机制包括长短期记忆神经网络与门控循环单元神经网络,长短期记忆深度学习神经网络适应长期时间序列的风力数据预测,门控循环单元深度学习神经网络适应短期时间序列的风力数据预测。
优选地,步骤S2包括如下步骤:
步骤S2.1:将预处理后的历史风力数据输入门控循环单元神经网络;
步骤S2.2:将门控循环单元神经网络的每个时间步长的隐藏状态作为一个时间序列;
步骤S2.3:将每个时间步长的隐藏状态输入长短期记忆神经网络;
步骤S2.4:长短期记忆神经网络将最后一个时间步长的隐藏状态传递至输出层,输出预测结果。
根据本发明提供的一种基于混合深度学习机制的风速预测***,包括:
模块M1:收集历史风力数据进行预处理;
模块M2:经过预处理的历史风力数据输入至混合深度学习机制进行训练;
模块M3:将训练完成的预测模型进行风速预测。
优选地,混合深度学习机制包括长短期记忆神经网络结构和门控循环单元神经网络结构,经过预处理的历史风力数据由门控循环单元神经网络结构训练之后,再由长短期记忆神经网络结构训练。
优选地,门控循环单元神经网络结构包括重置门与更新门,仅当需要过去信息,更新隐藏状态时重置门打开,其他时间重置门关闭;当更新门关闭时,完成隐藏状态的更新,当更新门打开时,隐藏状态不更新。
优选地,长短期记忆神经网络结构包括遗忘门,仅当需要保存过去信息时,遗忘门开启,否则处于关闭状态。
优选地,长短期记忆神经网络结构还包括输入门和输出门,基本结构式为:
其中,i(t)表示输入门,f(t)表示遗忘门,o(t)表示输出门,W表示各类门结构接收输入值,U表示各类门结构隐藏状态,V表示各类门结构细胞状态时的权重矩阵,b表示偏置,σ代表各类门结构的激励函数,g(t)代表激活函数,x(t)为第t个时间步长的输入,h(t)为时刻t的隐藏状态,表征短期记忆,c(t)为时刻t的细胞状态,表征长期记忆。
根据本发明提供的一种基于混合深度学习机制的风速预测设备,包含上述的基于混合深度学习机制的风速预测***。
与现有技术相比,本发明具有如下的有益效果:
1、本发明提出的预测方法能够降低预测模型对数据的依赖,仅通过历史风速数据及风速的变化量预测未来的风速,需要输入的数据较少便可获得较好的预测效果。
2、本发明通过结合长短期记忆深度学***衡了预测时间和预测准确度之间的矛盾,所得结果可以促进电网更加充分的利用风资源。
3、本发明通过混合深度学习预测方案,既发挥了不同深度学习的优势,减轻了训练负担,又获得了较小的预测误差。
4、本发明不仅对短期风速预测有效,通过修改时间步长,也可用于中长期风速预测。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明中基于混合深度学习机制的风速预测方法的流程示意图;
图2为本发明中基于混合深度学习机制的风速预测***的长短期记忆神经网络结构示意图;
图3为本发明中基于混合深度学习机制的风速预测***的门控循环单元神经网络结构示意图;
图4为本发明中基于混合深度学习机制的风速预测方法的训练过程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1所示,本发明提供的一种基于混合深度学习机制的风速预测方法,包括如下步骤:
步骤S1:收集历史风力数据,利用归一化方法对历史风力数据进行预处理,获得待输入的风速及风速变化量。归一化公式如下:
V'=(V-Vmin)/(VMax-Vmin) (1)
其中,V’为归一化处理后的风速值,V为风速真实值,VMax为风速最大值,Vmin为风速最小值。
为了提高预测准确度,本发明首次将风速变化量作为混合深度学习神经网络的输入,风速变化量定义式如下:
ΔV(t)=V(t)-V(t-1) (2)
其中,ΔV(t)为t时间步长的风速变化量;V(t)和V(t-1)分别为t和t-1时间步长的风速。与风速相似,使用公式(1)将风速变化量进行归一化。
在本发明中,利用前200分钟的风速与风速变化量,预测后10分钟的风速,故混合深度学习神经网络的输入(X(t))包括风速和风速变化量,输出为预测的风速(Y(t)),具体为,
其中,一个时间步长代表10分钟。
步骤S2:经过预处理的历史风力数据输入至混合深度学习机制进行训练;混合深度学习机制包括长短期记忆神经网络与门控循环单元神经网络,长短期记忆深度学习神经网络适应长期时间序列的风力数据预测,门控循环单元深度学习神经网络适应短期时间序列的风力数据预测。具体包括如下步骤:
步骤S2.1:将预处理后的历史风力数据X(t=1)…X(t=n))输入门控循环单元神经网络;
步骤S2.2:将门控循环单元神经网络的每个时间步长的隐藏状态h(t=1)至h(t=n)作为一个时间序列;
步骤S2.3:将每个时间步长的隐藏状态输入长短期记忆神经网络;
步骤S2.4:长短期记忆神经网络将最后一个时间步长的隐藏状态h(t=n)传递至输出层,输出预测结果。
步骤S3:将训练完成的预测模型进行风速预测。
本发明融合了门控循环单元神经网络与长短期记忆神经网络,兼顾了神经网络训练速度与预测精确度。采用经过归一化的风速与风速变化量作为输入数据,在仅需要历史风力数据的基础上,通过挖掘数据关系,实现风速精准预测。基于准确预测的风速,作为电网调度,制定发电计划的依据,改善风能的经济性,降低风电并网对电网稳定性的影响。
本发明还提供了一种基于混合深度学习机制的风速预测***,包括:模块M1:收集历史风力数据进行预处理;模块M2:经过预处理的历史风力数据输入至混合深度学习机制进行训练;模块M3:将训练完成的预测模型进行风速预测。
其中,混合深度学习机制包括长短期记忆神经网络结构和门控循环单元神经网络结构,经过预处理的历史风力数据由门控循环单元神经网络结构训练之后,再由长短期记忆神经网络结构训练。历史数据经过预处理作为混合深度学习预测机制的输入,经神经网络学习,得到预测结果。
如图2所示,长短期记忆神经网络结构针对依赖于时间的序列数据预测具有独特的优势,包括遗忘门、输入门和输出门,基本结构式如下:
其中,i(t)表示输入门,f(t)表示遗忘门,o(t)表示输出门,W表示各类门结构接收输入值,U表示各类门结构隐藏状态,V表示各类门结构细胞状态时的权重矩阵,b表示偏置,σ代表各类门结构的激励函数,g(t)代表激活函数,x(t)为第t个时间步长的输入,h(t)为时刻t的隐藏状态,表征短期记忆,c(t)为时刻t的细胞状态,表征长期记忆。
由于长短期记忆神经网络结构具备细胞结构c(t),设误差函数为E,则有:
由上面公式可知,长短期记忆神经网络结构在反向传播的过程中梯度不会消失,因此长短期记忆神经网络结构适应长期时间序列的预测。此外,由于输入门、遗忘门和输出门,长短期记忆神经网络仅当需要保存过去信息时,遗忘门开启,否则处于关闭状态,从而实现了快速遗忘过去无用信息这一功能,因此,长短期记忆神经网络对短时期时间序列的预测也具有良好效果。
如图3所示,门控循环单元神经网络结构包括重置门与更新门,仅当需要过去信息,更新隐藏状态时重置门打开,其他时间重置门关闭;当更新门关闭时,完成隐藏状态的更新,当更新门打开时,隐藏状态不更新。能够克服长短期记忆神经网络结构有输入门、输出门和遗忘门等三个门结构以及细胞结构,参数较多,训练时间较长。门控循环单元神经网络结构在性能与长短期记忆神经网络接近的前提下,参数较少,可以有效缩短训练时间。门控循环单元神经网络结构的具体结构式如下:
其中,W,U分别为重置门、更新门、隐藏层的权重矩阵;f代表激活函数;r(t)为重置门;z(t)为更新门;x(t)为输入;h(t)为隐藏状态。
根据上述式子(4)和(5),重置门r(t)的作用与长短期记忆神经网络的输入/输出门类似,仅当需要过去信息,更新隐藏状态时重置门打开,其他时间重置门关闭,从而实现了有选择性地保留过去信息这一功能。更新门z(t)的作用与长短期记忆神经网络结构中的遗忘门类似,当更新门关闭(z(t)=0)时,完成隐藏状态的更新,而当更新门打开时h(t)=h(t-1),隐藏状态不更新,引入更新门实现了快速遗忘过去信息这一功能,使得门控循环单元神经网络对短期时间序列预测有效。
实施例1:
本发明使用Solargis公司提供的上海2015年风速数据(10分钟间隔),将数据预处理后,取前90%数据为训练集,后10%数据为测试集。
按照表一的数据结构建立混合深度学习神经网络,分别将预处理后的训练集输入神经网络,进行训练,训练过程如图4所示。将训练好的混合深度学习神经网络预测模型在测试集上进行测试,其结果如表2所示。
表1:混合深度学习神经网络参数
表2混合深度学习神经网络与LSTM深度学习预测误差
从表2可以得出,相较于单独的LSTM深度学***均绝对误差降低了1.22%,平均绝对百分误差降低了5.87%,均方根误差降低了1.83%。
本发明还提供了一种基于混合深度学习机制的风速预测设备,包含上述的基于混合深度学习机制的风速预测***。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的***及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (5)
1.一种基于混合深度学习机制的风速预测方法,其特征在于,包括如下步骤:
步骤S1:收集历史风力数据进行预处理;
步骤S2:经过预处理的历史风力数据输入至混合深度学习机制进行训练;
步骤S3:将训练完成的预测模型进行风速预测;
所述步骤S1中利用归一化方法对历史风力数据进行预处理,获得待输入的风速及风速变化量;
所述步骤S1:收集历史风力数据,利用归一化方法对历史风力数据进行预处理,获得待输入的风速及风速变化量,归一化公式如下:
V'=(V-Vmin)/(VMax-Vmin) (1)
其中,V’为归一化处理后的风速值,V为风速真实值,VMax为风速最大值,Vmin为风速最小值;
将风速变化量作为混合深度学习神经网络的输入,风速变化量定义式如下:
ΔV(t)=V(t)-V(t-1) (2)
其中,ΔV(t)为t时间步长的风速变化量;V(t)和V(t-1)分别为t和t-1时间步长的风速;使用公式(1)将风速变化量进行归一化;
包括,利用前200分钟的风速与风速变化量,预测后10分钟的风速,故混合深度学习神经网络的输入(X(t))包括风速和风速变化量,输出为预测的风速(Y(t)),具体为,
其中,一个时间步长代表10分钟;所述步骤S2中的混合深度学习机制包括长短期记忆神经网络与门控循环单元神经网络,所述长短期记忆深度学习神经网络适应长期时间序列的风力数据预测,所述门控循环单元深度学习神经网络适应短期时间序列的风力数据预测;
所述长短期记忆神经网络结构还包括输入门和输出门,基本结构式为:
其中,i(t)表示输入门,f(t)表示遗忘门,o(t)表示输出门,W表示各类门结构接收输入值,U表示各类门结构隐藏状态,V表示各类门结构细胞状态时的权重矩阵,b表示偏置,σ代表各类门结构的激励函数,g(t)代表激活函数,x(t)为第t个时间步长的输入,h(t)为时刻t的隐藏状态,表征短期记忆,c(t)为时刻t的细胞状态,表征长期记忆;
门控循环单元神经网络结构的具体结构式如下:
其中,W,U分别为重置门、更新门、隐藏层的权重矩阵;f代表激活函数;r(t)为重置门;z(t)为更新门;x(t)为输入;h(t)为隐藏状态;
所述基于混合深度学习机制的风速预测方法,是一个两层的深度学习。
2.根据权利要求1所述的基于混合深度学习机制的风速预测方法,其特征在于,所述步骤S2包括如下步骤:
步骤S2.1:将预处理后的历史风力数据输入门控循环单元神经网络;
步骤S2.2:将门控循环单元神经网络的每个时间步长的隐藏状态作为一个时间序列;
步骤S2.3:将每个时间步长的隐藏状态输入长短期记忆神经网络;
步骤S2.4:长短期记忆神经网络将最后一个时间步长的隐藏状态传递至输出层,输出预测结果。
3.一种基于混合深度学习机制的风速预测***,其特征在于,包括:
模块M1:收集历史风力数据进行预处理;
模块M2:经过预处理的历史风力数据输入至混合深度学习机制进行训练;
模块M3:将训练完成的预测模型进行风速预测;
所述混合深度学习机制包括长短期记忆神经网络结构和门控循环单元神经网络结构,经过预处理的历史风力数据由所述门控循环单元神经网络结构训练之后,再由所述长短期记忆神经网络结构训练;
所述门控循环单元神经网络结构包括重置门与更新门,仅当需要过去信息,更新隐藏状态时重置门打开,其他时间重置门关闭;当更新门关闭时,完成隐藏状态的更新,当更新门打开时,隐藏状态不更新;
所述模块M1中利用归一化方法对历史风力数据进行预处理,获得待输入的风速及风速变化量;
所述模块M1:收集历史风力数据,利用归一化方法对历史风力数据进行预处理,获得待输入的风速及风速变化量,归一化公式如下:
V'=(V-Vmin)/(VMax-Vmin) (1)
其中,V’为归一化处理后的风速值,V为风速真实值,VMax为风速最大值,Vmin为风速最小值;
将风速变化量作为混合深度学习神经网络的输入,风速变化量定义式如下:
ΔV(t)=V(t)-V(t-1) (2)
其中,ΔV(t)为t时间步长的风速变化量;V(t)和V(t-1)分别为t和t-1时间步长的风速;使用公式(1)将风速变化量进行归一化;
包括,利用前200分钟的风速与风速变化量,预测后10分钟的风速,故混合深度学习神经网络的输入(X(t))包括风速和风速变化量,输出为预测的风速(Y(t)),具体为,
其中,一个时间步长代表10分钟;所述步骤S2中的混合深度学习机制包括长短期记忆神经网络与门控循环单元神经网络,所述长短期记忆深度学习神经网络适应长期时间序列的风力数据预测,所述门控循环单元深度学习神经网络适应短期时间序列的风力数据预测;
所述长短期记忆神经网络结构还包括输入门和输出门,基本结构式为:
其中,i(t)表示输入门,f(t)表示遗忘门,o(t)表示输出门,W表示各类门结构接收输入值,U表示各类门结构隐藏状态,V表示各类门结构细胞状态时的权重矩阵,b表示偏置,σ代表各类门结构的激励函数,g(t)代表激活函数,x(t)为第t个时间步长的输入,h(t)为时刻t的隐藏状态,表征短期记忆,c(t)为时刻t的细胞状态,表征长期记忆;
门控循环单元神经网络结构的具体结构式如下:
其中,W,U分别为重置门、更新门、隐藏层的权重矩阵;f代表激活函数;r(t)为重置门;z(t)为更新门;x(t)为输入;h(t)为隐藏状态;
所述基于混合深度学习机制的风速预测***,为一个两层的深度学习。
4.根据权利要求3所述的基于混合深度学习机制的风速预测***,其特征在于,所述长短期记忆神经网络结构包括遗忘门,仅当需要保存过去信息时,遗忘门开启,否则处于关闭状态。
5.一种基于混合深度学习机制的风速预测设备,其特征在于,包含权利要求3至4中任一项所述的基于混合深度学习机制的风速预测***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110621411.2A CN113191091B (zh) | 2021-06-03 | 2021-06-03 | 基于混合深度学习机制的风速预测方法及***、设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110621411.2A CN113191091B (zh) | 2021-06-03 | 2021-06-03 | 基于混合深度学习机制的风速预测方法及***、设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191091A CN113191091A (zh) | 2021-07-30 |
CN113191091B true CN113191091B (zh) | 2022-12-09 |
Family
ID=76976196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110621411.2A Active CN113191091B (zh) | 2021-06-03 | 2021-06-03 | 基于混合深度学习机制的风速预测方法及***、设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191091B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780661B (zh) * | 2021-09-14 | 2023-11-21 | 中国电建集团华东勘测设计研究院有限公司 | 一种针对突变风速的风电超短期功率预测方法 |
CN114997498A (zh) * | 2022-06-07 | 2022-09-02 | 上海交通大学 | 基于深度学习与对冲算法的海上风资源在线预测方法 |
CN115330040A (zh) * | 2022-08-05 | 2022-11-11 | 江苏润和软件股份有限公司 | 基于深度学习的综合能源分布式风力发电预测方法及*** |
Citations (3)
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 |
CN110059867A (zh) * | 2019-03-27 | 2019-07-26 | 华中科技大学 | 一种swlstm结合gpr的风速预测方法 |
CN112561058A (zh) * | 2020-12-15 | 2021-03-26 | 广东工业大学 | 基于Stacking-集成学习短期光伏功率预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070228B (zh) * | 2019-04-25 | 2021-06-15 | 中国人民解放军国防科技大学 | 一种神经元分支进化的bp神经网络风速预测方法 |
CN111222677A (zh) * | 2019-10-22 | 2020-06-02 | 浙江运达风电股份有限公司 | 一种基于长短期记忆时间神经网络的风速预测方法及*** |
CN112329979A (zh) * | 2020-09-23 | 2021-02-05 | 燕山大学 | 一种基于自适应深度残差网络的超短期风电功率预测方法 |
-
2021
- 2021-06-03 CN CN202110621411.2A patent/CN113191091B/zh active Active
Patent Citations (3)
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 |
CN110059867A (zh) * | 2019-03-27 | 2019-07-26 | 华中科技大学 | 一种swlstm结合gpr的风速预测方法 |
CN112561058A (zh) * | 2020-12-15 | 2021-03-26 | 广东工业大学 | 基于Stacking-集成学习短期光伏功率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113191091A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113191091B (zh) | 基于混合深度学习机制的风速预测方法及***、设备 | |
CN109711620B (zh) | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 | |
Lin et al. | An improved moth-flame optimization algorithm for support vector machine prediction of photovoltaic power generation | |
Qin et al. | Stochastic optimal control scheme for battery lifetime extension in islanded microgrid via a novel modeling approach | |
CN102129511B (zh) | 一种基于matlab的风电场短期风速预测*** | |
CN104638672B (zh) | 一种考虑变量相关性的光伏穿透功率极限的确定方法 | |
CN105913151A (zh) | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 | |
CN112116130B (zh) | 一种基于可变结构深度学习框架的短期调度规则提取方法 | |
CN113537582B (zh) | 一种基于短波辐射修正的光伏功率超短期预测方法 | |
He et al. | Stochastic model predictive control of hybrid energy storage for improving AGC performance of thermal generators | |
CN114021848A (zh) | 一种基于lstm深度学习的发电量需求预测方法 | |
Wang et al. | Short-term photovoltaic power generation prediction based on lightgbm-lstm model | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN114358382B (zh) | 电力***等效惯量概率预测方法、装置、产品及存储介质 | |
CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制***、方法和介质 | |
Liu et al. | Real-time scheduling of renewable power systems through planning-based reinforcement learning | |
Li et al. | Long-term electricity consumption forecasting for future power systems combining system dynamics and impact equation | |
CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及*** | |
Yan et al. | Optimal design of energy system based on the forecasting data with particle swarm optimization | |
Ren et al. | An improved GM (1, 1) forecasting model based on Aquila Optimizer for wind power generation in Sichuan Province | |
Liu et al. | Multi-layer BiLSTM Photovoltaic Prediction Study Based on Improved PSO | |
Lian et al. | Trend-guided small hydropower system power prediction based on extreme learning machine | |
Dhayalini | Optimal allocation of distributed solar photovoltaic generation on electrical distribution system under uncertainties. | |
Tao et al. | Retracted: Research on Power System Active Power Scheduling Strategy Adapted to Large-Scale Wind Power Grid-Connected | |
Zhang et al. | Situation awareness and sensitivity analysis for absorption of grid-connected renewable energy power generation integrating robust optimization and radial basis function neural network |
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 |