一种基于多点NWP的深度学习功率预测方法技术

本发明专利技术公开了一种基于多点NWP的深度学习功率预测方法，所述基于多点NWP的深度学习功率预测方法包括以下步骤：(1)采集指定区域内功率预测所需数据；(2)将所述步骤(1)采集的数据进行预处理，得到训练深度学习网络所需数据集；(3)根据所述步骤(2)得到的数据集逐层训练深度学习网络的每一层，得到每层的网络参数；(4)将所述步骤(3)中得到的每层网络参数初始化一个深度神经网络，并进行微调，得到最终的深度学习功率预测模型；(5)将多点NWP数据输入所述步骤(4)中得到的深度学习功率预测模型，预测得到指定区域内任意风电机组、风电场、风电场群短期功率预测结果。

A deep learning power prediction method based on multi point NWP

The invention discloses a prediction method of learning power multi point NWP depth based on the multi point NWP based on the depth of learning power prediction method comprises the following steps: (1) acquisition specified power forecast area required data; (2) the steps (1) the data obtained. Deep learning training network required data set; (3) according to the steps of (2) data set obtained by training each layer of deep learning network, network parameters of each layer; (4) the step (3) in the initialization of each layer of the network parameters of a deep neural network, and fine-tuning, get the final power deep learning prediction model; (5) multi point NWP data input to the step (4) in the deep learning power prediction model, the predicted region designated any wind turbines, wind farm, wind farm group short-term power pre Measurement result.

【技术实现步骤摘要】
一种基于多点NWP的深度学习功率预测方法
本专利技术涉及风电场的
，特别是涉及基于多点NWP的深度学习功率预测方法。
技术介绍
风电固有的波动性影响电力系统的安全、稳定和经济运行，是大规模风电并网的主要挑战。风电功率预测是解决该问题的必要手段之一，提高风电功率预测精度对新能源电力系统优化运行具有重要意义。功率预测模型是典型的回归预测模型，其本质是预测风况(即数值天气预报，NWP)与风电输出功率间的非线性回归函数，该函数可以通过端到端的学习来获得。但在学习过程中，回归函数类型、输入方式、输出方式、数据预处理方式、参数选择等问题等都将直接影响回归效果。NWP数据是风电功率预测中重要的输入数据，通常基于初始场经过数值计算得到。指定区域内多点NWP数据可以描述为在一种或多种初始场条件下，计算得到指定区域不同位置处、不同高度出的NWP数据集合。在建模路线方面现有技术存在以下问题：(1)现有的功率预测模型通常仅以一组NWP作为模型输入，建立其与风电场(或风电机组)输出功率一一对应的映射模型，这种一一对应的建模思路忽略了流场各位置间的联系(即风况时空相关性)、忽略了机组出力间的联系，极大地限制了预测精度的提升；(2)建模时往往只考虑单台机组或者单个风电场，未能将区域内所有的风电场风电机组考虑进来，极大的限制了模型的应用范围；(3)以往模型的学习能力难以满足对大规模数据的学习，往往未能充分挖掘数据的价值。因此希望有一种基于多点NWP的深度学习功率预测方法可以克服或至少减轻现有技术的上述缺陷。
技术实现思路
本专利技术的目的在于提供一种基于多点NWP的深度学习功率预测方法来克服现有技术中存在的上述问题。为实现上述目的，本专利技术提供一种基于多点NWP的深度学习功率预测方法，所述预测方法包括以下步骤：(1)采集指定区域内功率预测所需数据；(2)将所述步骤(1)采集的数据进行预处理，得到训练深度神经网络所需数据集；(3)以所述步骤(2)预处理后的多点NWP数据为输入，以所述步骤(2)预处理后指定区域内多台风电机组功率作为输出，搭建多对多映射的深度神经网络结构，所述深度神经网络结构表示复杂流场的时空耦合关系和机组出力间相互影响关系，并结合流场各位置间的联系和机组间出力的联系；(4)根据所述步骤(2)得到的数据集逐层训练深度神经网络的每一层，得到每层的网络参数；(5)将所述步骤(4)中得到的每层网络参数初始化步骤(3)搭建好的深度神经网络，并进行微调，得到最终的深度学习功率预测模型；(6)将多点NWP数据输入所述步骤(5)中得到的深度学习功率预测模型，预测得到指定区域内任意风电机组、风电场、风电场群短期功率预测结果。优选地，所述步骤(1)中所需数据包括：指定区域内所有风电机组实测功率数据、指定区域内所有风电机组实测风速数据、指定区域内所有风电机组桨距角数据和指定区域内多点NWP数据。优选地，所述步骤(2)中的数据预处理包括以下步骤：(21)通过插补算法插补所述步骤(1)中所采集的指定区域内实测数据的缺失值，删除无法插补的数据；(22)设置筛选规则，筛选经过所述步骤(21)插补后可用于模型训练的数据；(23)设置数据修正规则，修正经过步骤(22)筛选后不利于模型训练的训练数据；(24)在训练模型前将步骤(23)修正后的数据进行规范化。优选地，所述步骤(21)中实测数据包括指定区域内所有机组实测风速数据和指定区域内所有机组实测功率数据，所述插补算法包括：回归插补、插值插补和最近邻插补。优选地，所述步骤(22)中所述设置筛选规则用于保证所述训练数据能够反映真实发电情景，防止模型在训练时受到机组停机和风电场限电情况的影响，使深度学习模型学习真实的映射关系；所述步骤(22)中筛选出的所述数据满足风电机组处于正常的发电状态，并且所述步骤(22)中筛选出的所述数据为指定区域内实测功率数据以及实测功率数据所对应的指定区域内的同期多点NWP数据。优选地，所述步骤(23)中设置的所述修正规则用于修正所述步骤(22)中筛选出的真实发电情景下发电状态数据，通过所述机组实测风速数据和机组桨距角数据判断所述步骤(22)中筛选出的数据是否为正常发电状态，若是不正常发电状态则通过所述步骤(23)中设置的所述修正规则将所述机组实测功率值修正，所述修正规则包括功率回归算法修正、功率中位数值修正和功率插值修正。优选地，所述步骤(24)中的数据规范化方式包括数据归一化、数据白化和标准差标准化。优先的，所述步骤(3)中的所述深度神经网络的输入层由多点NWP的维数决定，输出层由指定区域内风电机组数量决定，中间的隐层数及隐层节点数通过参数调试得到。优选地，所述步骤(4)将所述步骤(2)中经过筛选后的指定区域内的多点NWP数据用于深度神经网络的逐层训练，得到深度网络的每层的初始化参数。优选地，所述步骤(5)包括以下步骤：(51)使用所述步骤(4)中得到的所述每层的初始化参数初始化步骤(3)搭建好的深度神经网络；(52)以经过筛选后的指定区域内的多点NWP作为输入，以经过筛选和修正后的指定区域内风电机组实测功率为输出，微调所述步骤(51)中初始化的所述深度神经网络，得到基于多点NWP的深度学习功率预测模型。优选地，所述步骤(6)包括以下步骤：(61)将指定区域内多点NWP数据输入所述步骤(52)中得到的基于多点NWP的深度学习功率预测模型，可得到指定区域内所有风电机组短期预测功率结果。(62)将指定区域内单一风电场内所有风电机组功率叠加获得该风电场的短期功率预测结果，将指定区域内所有风电场短期功率预测结果叠加得到整个区域或集群的短期功率预测结果。本专利技术的基于多点NWP的深度学习功率预测方法以指定区域内多点NWP作为输入增加了模型输入信息，并通过深度学习具备的复杂函数学习和逐层特征提取能力深度挖掘了多点NWP数据中所能提供的有用信息，指定区域内任意风电机组、风电场、风电场群功率作为输出实现了大规模的风电功率预测，建立起的功率预测模型既考虑到了机组间出力的相关关系同时能够考虑到复杂地形的影响，完成训练后的模型能够快速计算指定区域内未来的风电功率，大幅提升了预测效率，有利于电网实时调度和企业计划制定。附图说明图1是基于多点NWP的深度学习功率预测模型流程图。图2是风电场实测风速数据缺失位置示意图。图3是筛选前训练数据的风速-功率散点图。图4是筛选后训练数据的风速-功率散点图。图5是经过更正训练数据的风速-功率散点图。图6是降噪自动编码机模型示意图。图7是深度神经网络初始化和微调示意图图8是华北某区域内基于多点NWP的深度学习功率预测模型。图9是华北某区域内基于多点NWP的深度学习功率预测模型的预测结果图。具体实施方式为使本专利技术实施的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。下面结本文档来自技高网...

【技术保护点】
一种基于多点NWP的深度学习功率预测方法，其特征在于，所述预测方法包括以下步骤：(1)采集指定区域内功率预测所需数据；(2)将所述步骤(1)采集的数据进行预处理，得到训练深度神经网络所需数据集；(3)以所述步骤(2)预处理后的多点NWP数据为输入，以所述步骤(2)预处理后指定区域内多台风电机组功率作为输出，搭建多对多映射的深度神经网络结构，所述深度神经网络结构表示复杂流场的时空耦合关系和机组出力间相互影响关系，并结合流场各位置间的联系和机组间出力的联系。(4)根据所述步骤(2)得到的数据集逐层训练深度神经网络的每一层，得到每层的网络参数；(5)将所述步骤(4)中得到的每层网络参数初始化步骤(3)搭建好的深度神经网络，并进行微调，得到最终的深度学习功率预测模型；(6)将多点NWP数据输入所述步骤(5)中得到的深度学习功率预测模型，预测得到指定区域内任意风电机组、风电场、风电场群短期功率预测结果。

【技术特征摘要】
1.一种基于多点NWP的深度学习功率预测方法，其特征在于，所述预测方法包括以下步骤：(1)采集指定区域内功率预测所需数据；(2)将所述步骤(1)采集的数据进行预处理，得到训练深度神经网络所需数据集；(3)以所述步骤(2)预处理后的多点NWP数据为输入，以所述步骤(2)预处理后指定区域内多台风电机组功率作为输出，搭建多对多映射的深度神经网络结构，所述深度神经网络结构表示复杂流场的时空耦合关系和机组出力间相互影响关系，并结合流场各位置间的联系和机组间出力的联系。(4)根据所述步骤(2)得到的数据集逐层训练深度神经网络的每一层，得到每层的网络参数；(5)将所述步骤(4)中得到的每层网络参数初始化步骤(3)搭建好的深度神经网络，并进行微调，得到最终的深度学习功率预测模型；(6)将多点NWP数据输入所述步骤(5)中得到的深度学习功率预测模型，预测得到指定区域内任意风电机组、风电场、风电场群短期功率预测结果。2.如权利要求1所述的基于多点NWP的深度学习功率预测方法，其特征在于：所述步骤(1)中所需数据包括：指定区域内所有风电机组实测功率数据、指定区域内所有风电机组实测风速数据、指定区域内所有风电机组桨距角数据和指定区域内多点NWP数据。3.如权利要求2所述的基于多点NWP的深度学习功率预测方法，其特征在于：所述步骤(2)中的数据预处理包括以下步骤：(21)通过插补算法插补所述步骤(1)中所采集的指定区域内实测数据的缺失值，删除无法插补的数据；(22)设置筛选规则，筛选经过所述步骤(21)插补后可用于模型训练的数据；(23)设置数据修正规则，修正经过步骤(22)筛选后不利于模型训练的训练数据；(24)在训练模型前将步骤(23)修正后的数据进行规范化。4.如权利要求3所述的基于多点NWP的深度学习功率预测方法，其特征在于：所述步骤(21)中实测数据包括指定区域内所有机组实测风速数据和指定区域内所有机组实测功率数据，所述插补算法包括：回归插补、插值插补和最近邻插补。5.如权利要求4所述的基于多点NWP的深度学习功率预测方法，其特征在于：所述步骤(22)中所述设置筛选规则用于保证所述训练数据能够反映真实发电情景，防止模型在训练时受到机组停机和风电场限电情况的影响，使深度学习模型学习真实的映射关系；所述步骤(22)中筛选出的所述...

【专利技术属性】
技术研发人员：刘永前，张浩，阎洁，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京,11