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 ...
【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
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。