本发明专利技术涉及一种基于深度置信网络分类方法的风功率爬坡预测模型。首先根据指定地理范围内的历史风功率爬坡事件在时间尺度和空间尺度上进行统计筛选，根据筛选结果提取出可以明显表征大风天气的特征量和特征指数组成参数指标库。进而采用深度信任网络进行分类分析，以建立用特征指标量判别分析导致风功率爬坡的爬坡气象分类模型。通过模型参数训练方法结合玻尔兹曼机(RBM)，并计算出爬坡气象分类结果，最后在气象类型历史数据所对应的气象模板分类基础上，用参数模板法补充缺失的爬坡气象数据。本发明专利技术将数值天气预报的结果进行爬坡气象分类研究，依据数值天气预报的数据输入为不同的爬坡气象提供了更准确的分类模型及数据修正。
【技术实现步骤摘要】
本专利技术属于风功率爬坡预测领域，涉及一种基于深度置信网络分类方法的风功率 爬坡预测方法。
技术介绍
专利技术一种适用于风功率爬坡预测的可为导致风功率爬坡的爬坡气象分类方法是 对现有风电有效、安全并网研宄所需要的重要组成部分。风力发电作为一种新兴的、大规模 应用的绿色能源，其自身固有的波动特性给发电和负荷平衡带了挑战。为了使风力发电和 其他常规能源发电一样具有便利的可调度性，准确可靠的风电功率预测系统是提高电力系 统对风电的接纳能力的必备选择。 风功率爬坡是指在较短时间内，风功率上升或下降幅度较大，对区域电能质量产 生影响且影响到电力调度计划的风功率波动过程。随着风力发电的快速发展，风电并网装 机容量的不断上升，受到自然气候不规律作用的风电功率波动对电力系统所产生的影响亟 需有效的分析研宄。其中，风功率爬坡预测是极为紧迫的环节。 风功率爬坡预测的核心问题是爬坡事件的预测，而爬坡事件的预测离不开对大风 (以及无风）气象的预报，这就取决于数值天气预报的预报准确度及分析方法的运用。 目前国内外在风功率爬坡预测的研宄中，并未有效地将各类引起爬坡的大风天气 进行内在的动力学和热力学分析，使得爬坡天气未被有效地提取跟踪出来，这就造成了部 分可以造成风功率大幅度波动的气象信息的缺失。因此需要提出针对风功率爬坡信息所对 应的不同时空尺度下的各类爬坡气象分类方法，以期待得出更为精准的风功率爬坡预报分 析结果所需的爬坡气象分类信息补充方案，而其中所面临的问题是在预报过程中的核心问 题。
技术实现思路
本专利技术主要是解决现有技术所存在的技术问题；提供了一种将数值天气预报的结 果进行爬坡气象分类研宄，依据数值天气预报的数据输入为不同的爬坡气象提供了更准确 的分类模型及数据修正的。 本专利技术的上述技术问题主要是通过下述技术方案得以解决的： ，其特征在于，包括以下 步骤： 步骤1，建立指定区域内基于数值天气预报数据的爬坡气象特征分析的参数指标 库，收集表征大风爬坡天气的特征指标量，所述表征爬坡气象的特征指标量由参数类型决 定，所述参数类型包括：稳定度指标、热力指标、动力学指标以及热力/动力综合指标；模型 的建立针对指定区域的采样，采样后建立参数指标库；所述稳定度指标、热力指标、动力学 指标以及热力/动力综合指标中，各个指标包括的对流参数如下： 所述稳定度指标包括最佳对流有效位能参数；所述热力指标包括沙氏指数和K指 数；所述动力学指标包括密度加权平均垂直风切变和涡生参数；所述热力/动力综合指标 包括风暴强度指数和理查德逊数；通过各种气象特征指标，建立大风天气判别分析模型，模 型的采样时间为每15分钟一次，且按数值天气预报每六个小时跟踪修正一次，判别函数值 按照判别准则进行分类，并结合历史统计值进行统计检验； 步骤2,根据步骤1所建立的爬坡气象特征分析的参数指标库，运用数值分类方 法在指定区域范围内建立用特征指标量判别分析导致风功率爬坡的爬坡气象分类模型，所 述判别方法是基于深度信任网络进行分类分析模型建立；深度置信网络即运用数值分类方 法，在指定区域范围内建立用特征指标量判别分析导致风功率爬坡的爬坡气象分类模型； 步骤3,根据步骤2所运用到的数值分类方法在对爬坡气象分类模型建立后根据 历史数据训练模型的参数，模型参数训练方法结合的是玻尔兹曼机，并计算出爬坡气象分 类结果，具体方法是： 深度信任网络的相邻两层构成玻尔兹曼机，网络权值的调整方式采用从底向上的 方向，如图4所示；权值调整的过程，即是优化如下能量函数： E(X，h) =_b'x_c'h_h'Wx_x'Ux_h'Uh 其中，h为潜变量；为确入向量；W,U,V为权值矩阵；为了优化该能量函数，采用梯 度下降的方法：【主权项】1. ，其特征在于，包括w下步 骤： 步骤1，建立指定区域内基于数值天气预报数据的爬坡气象特征分析的参数指标库，收 集表征大风爬坡天气的特征指标量，所述表征爬坡气象的特征指标量由参数类型决定，所 述参数类型包括；稳定度指标、热力指标、动力学指标W及热力/动力综合指标；模型的建 立针对指定区域的采样，采样后建立参数指标库；所述稳定度指标、热力指标、动力学指标 W及热力/动力综合指标中，各个指标包括的对流参数如下： 所述稳定度指标包括最佳对流有效位能参数；所述热力指标包括沙氏指数和K指数； 所述动力学指标包括密度加权平均垂直风切变和祸生参数；所述热力/动力综合指标包括 风暴强度指数和理查德逊数；通过各种气象特征指标，建立大风天气判别分析模型，模型的 采样时间为每15分钟一次，且按数值天气预报每六个小时跟踪修正一次，判别函数值按照 判别准则进行分类，并结合历史统计值进行统计检验； 步骤2,根据步骤1所建立的爬坡气象特征分析的参数指标库，运用数值分类方法在指 定区域范围内建立用特征指标量判别分析导致风功率爬坡的爬坡气象分类模型，所述判别 方法是基于深度信任网络进行分类分析模型建立；深度置信网络即运用数值分类方法，在 指定区域范围内建立用特征指标量判别分析导致风功率爬坡的爬坡气象分类模型； 步骤3,根据步骤2所运用到的数值分类方法在对爬坡气象分类模型建立后根据历史 数据训练模型的参数，模型参数训练方法结合的是玻尔兹曼机，并计算出爬坡气象分类结 果，具体方法是： 深度信任网络的相邻两层构成玻尔兹曼机，网络权值的调整方式采用从底向上的方 向，如图4所示；权值调整的过程，即是优化如下能量函数： E(X,h) =-b'X-C'h-h'Wx-x'Ux-h'Uh 其中，h为潜变量；为确入向量；W，U，V为权值矩阵；为了优化该能量函数，采用梯度下 降的方法：其中，八vf，巧为神经元状态值；嫁为权值； 在使用梯度下降法取得能量极小值之后，可W得到对称的权值矩阵W。;最后根据输入 向量X，由玻尔兹曼机的输出可W得到潜变量h，既是需要的低维数据； 步骤4,根据步骤3所运用到参数训练结果及爬坡气象分类结果，进一步结合气象类型 历史数据所对应的气象模板，补充缺失的爬坡气象数据，所设及的方法是参数模板法。2. 根据权利要求1所述的，其 特征在于，所述步骤2中，深度置信网络基于W下定义： 深度信任网络是一个多层网络，包含多个可见层和隐层；该网络的每一层都是由若干 个神经元组成，该些神经元中，两个相邻层级的神经元之间有连接关系，同一层内的神经元 没有连接关系；深度信任网络采用结构，如图4所示； 深度信任网络的每个神经元采用logistic函数决定输入与输出之间的关系：其中，Si为神经元的开断状态；《u为神经元之间的连接权值；bi为偏置量。3. 根据权利要求1所述的，其 特征在于，所述步骤4中，结合气象类型历史数据所对应的气象模板，补充缺失的爬坡气象 数据；参数模板法是将强对流天气的特征量及特征曲线组成参数模板，将判别出的爬坡气 象与参数模板库相对应，确定爬坡气象的类型并按照对应的特征曲线修正原始气象数据。4. 根据权利要求3所述的，其 特征在于，所述步骤4中，参数模板法的判别过程包括： 步骤4. 1、特征量提取分析；特征分量的取值类型有取值范围和取值点两类，引入特征 向量；X= {Xi,X2,…，X。}，Y= {y。72,…，y。}，分别代表输入和输出对强对流本文档来自技高网...
【技术保护点】
一种基于深度置信网络分类方法的风功率爬坡预测方法，其特征在于，包括以下步骤：步骤1，建立指定区域内基于数值天气预报数据的爬坡气象特征分析的参数指标库，收集表征大风爬坡天气的特征指标量，所述表征爬坡气象的特征指标量由参数类型决定，所述参数类型包括：稳定度指标、热力指标、动力学指标以及热力/动力综合指标；模型的建立针对指定区域的采样，采样后建立参数指标库；所述稳定度指标、热力指标、动力学指标以及热力/动力综合指标中，各个指标包括的对流参数如下：所述稳定度指标包括最佳对流有效位能参数；所述热力指标包括沙氏指数和K指数；所述动力学指标包括密度加权平均垂直风切变和涡生参数；所述热力/动力综合指标包括风暴强度指数和理查德逊数；通过各种气象特征指标，建立大风天气判别分析模型，模型的采样时间为每15分钟一次，且按数值天气预报每六个小时跟踪修正一次，判别函数值按照判别准则进行分类，并结合历史统计值进行统计检验；步骤2，根据步骤1所建立的爬坡气象特征分析的参数指标库，运用数值分类方法在指定区域范围内建立用特征指标量判别分析导致风功率爬坡的爬坡气象分类模型，所述判别方法是基于深度信任网络进行分类分析模型建立；深度置信网络即运用数值分类方法，在指定区域范围内建立用特征指标量判别分析导致风功率爬坡的爬坡气象分类模型；步骤3，根据步骤2所运用到的数值分类方法在对爬坡气象分类模型建立后根据历史数据训练模型的参数，模型参数训练方法结合的是玻尔兹曼机，并计算出爬坡气象分类结果，具体方法是：深度信任网络的相邻两层构成玻尔兹曼机，网络权值的调整方式采用从底向上的方向，如图4所示；权值调整的过程，即是优化如下能量函数：E(x,h)＝‑b′x‑c′h‑h′Wx‑x′Ux‑h′Uh其中，h为潜变量；为确入向量；W,U,V为权值矩阵；为了优化该能量函数，采用梯度下降的方法：∂logp(v0)∂ωij∞=⟨hj0(vi0-v→i0)⟩]]>其中，v0,为神经元状态值；为权值；在使用梯度下降法取得能量极小值之后，可以得到对称的权值矩阵W0；最后根据输入向量x，由玻尔兹曼机的输出可以得到潜变量h，既是需要的低维数据；步骤4，根据步骤3所运用到参数训练结果及爬坡气象分类结果，进一步结合气象类型历史数据所对应的气象模板，补充缺失的爬坡气象数据，所涉及的方法是参数模板法。...
【技术特征摘要】
【专利技术属性】
技术研发人员：熊一，查晓明，秦亮，欧阳庭辉，夏添，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。