一种神经网络风电功率预测方法及系统技术方案

一种神经网络风电功率预测方法及系统，包括：采集预测时刻的数值天气预报数据；将数值天气预报数据代入预先构建的预测模型中得到风电功率预测值；预测模型是基于主成分分析法和神经网络进行构建的。本发明专利技术的技术方案有效提高了预测精度，表明其在基于数值天气预报的风电功率预测上有一定的可行性和先进性，在处理大样本数据具有一定的优势。

【技术实现步骤摘要】
一种神经网络风电功率预测方法及系统
本专利技术属于风电功率预测
，具体涉及一种神经网络风电功率预测方法及系统。
技术介绍
风电产业持续快速发展，装机容量不断增加。由于风能具有波动性、间歇性，发电功率波动会造成电压、频率波动和电能质量问题，同时也存在可再生能源机组、电站和电站群的控制，与电网的配合控制，接入电网安全稳定运行的问题。当风电的穿透率较小时，风功率的波动性不会对电网造成明显影响。随着风电的快速发展，当风电的穿透率高于极限比例时，接入电网的风电机组将对电力系统的安全稳定运行和电能质量造成严重威胁。为保证电网安全稳定运行，制定发电和调度计划时必须通过风电功率短期预测技术以预留备用出力平衡风功率波动的影响。高精度的风电功率预测可以减小风电接入对电网备用容量的要求，增强电网消纳风电的能力。风力发电功率预测的准确性直接关系到电网的供需平衡，是风电场并网运行的重要前提。常用于风功率预测的数据挖掘算法主要有反向传播网络(Back-PropagationNetwork，简称BP网络)、支持向量机方法等。BP神经网络训练时学习新样本有遗忘旧样本的趋势，即网络的学习和记忆具有不稳定性，当给一个训练结束的BP网络提供新的记忆模式时，会破坏已经调整完毕的网络连接权重，导致已经记忆的学习模式信息消失，出现了网络记忆不稳定这一缺陷。
技术实现思路
为了解决现有技术中所存在的上述不足，本专利技术提供一种神经网络风电功率预测方法及系统。本专利技术提供的技术方案是：一种神经网络风电功率预测方法，包括：采集预测时刻的数值天气预报数据；将所述数值天气预报数据代入预先构建的预测模型中得到风电功率预测值；所述预测模型是基于主成分分析法和神经网络进行构建的。优选的，所述预测模型的构建，包括：根据主成分分析方法对预先采集的历史时刻数值天气预报数据进行降维处理；基于将降维处理的历史时刻数值天气预报数据和预先采集的风电场历史输出功率数据对神经网络模型进行训练，得到神经网络模型内部参数；基于训练好的神经网络模型构建预测模型；其中，所述历史时刻数值天气预报数据和预先采集的风电场历史输出功率数据进行了归一化处理。优选的，所述基于降维处理的历史时刻数值天气预报数据和预先采集的风电场历史输出功率数据进行训练，得到神经网络模型内部参数，包括：将降维处理的历史时刻数值天气预报数据设为神经网络模型的输入数据，将风电场历史输出功率数据设为神经网络模型的输出数据；基于所述输入数据、所述输出数据和预设的内部参数初始值计算所述神经网络模型准确率，并判断是否满足预设的神经网络模型准确率要求；当满足所述神经网络模型准确率要求时，神经网络模型训练结束，获得所述神经网络模型的内部参数；否则，重新调整预设的内部参数初始值，进行下一次计算神经网络模型准确率直至满足要求后，神经网络模型训练结束，获得所述神经网络模型的内部参数；其中，内部参数，包括了：隐藏层层数、隐藏层节点数、网络记忆参数、迭代次数参数以及防拟合参数。优选的，所述降维处理，包括：根据降维前的数值天气预报数据计算对应的特征值和贡献率；将贡献率累加，确定累加的贡献率大于预设条件，则从所述降维前的数值天气预报数据中选取作为降维后的数值天气预报数据；基于降维后的数值天气预报数据和所述特征值计算特征向量，并计算所述降维后的数值天气预报数据对应的主成分变量。优选的，所述主成分变量如下式计算：式中，ZN×p为主成分变量，Um×p为对应的特征向量，X*为标准矩阵。优选的，所述将所述数值天气预报数据代入预先构建的预测模型，包括：将所述数值天气预报数据进行归一化处理；基于主成分分析方法将归一化处理的所述数值天气预报数据进行降维处理，将降维处理的数值天气预报数据代入所述预测模型。优选的，所述将所述数值天气预报数据代入预先构建的预测模型中得到风电功率预测值之后，还包括：根据所述数值天气预报数据对应时刻的风电功率预测值和风电功率实际值计算所述预测模型的标准绝对值平均误差和标准均方根误差评价所述预测模型的准确率。优选的，所述数值天气预报数据,包括:空气密度、压强、温度、风速和风向。本专利技术的另一目的在于提出一种神经网络风电功率预测系统，包括：数据采集模块和预测代入模块；所述数据采集模块，用于采集预测时刻的数值天气预报数据；所述预测代入模块，用于将所述数值天气预报数据代入预先构建的预测模型中得到风电功率预测值；其中，所述预测模型是基于主成分分析法和神经网络进行构建的。优选的，还包括，模型构建模块，所述模型构建模块，用于根据主成分分析方法对预先采集的历史时刻数值天气预报数据进行降维处理；基于将降维处理的历史时刻数值天气预报数据和预先采集的风电场历史输出功率数据对神经网络模型进行训练，得到神经网络模型内部参数；基于训练好的神经网络模型进行预测模型的构建。优选的，所述预测代入模块包括，归一化处理子模块和数据处理子模块；所述归一化处理子模块，用于将所述数值天气预报数据进行归一化处理；所述数据处理子模块，用于基于主成分分析方法将归一化处理的所述数值天气预报数据进行降维处理，将降维处理的数值天气预报数据代入所述预测模型。优选的，所述数据处理子模块，包括：第一计算单元、判断选取单元和第二计算单元；所述第一计算单元，用于根据降维前的数值天气预报数据计算对应的特征值和贡献率；所述判断选取单元，用于将贡献率累加，确定累加的贡献率大于预设条件，则从所述降维前的数值天气预报数据中选取作为降维后的数值天气预报数据；所述第二计算单元，用于基于降维后的数值天气预报数据和所述特征值计算特征向量，并计算所述降维后的数值天气预报数据对应的主成分变量。与最接近的现有技术相比，本专利技术提供的技术方案具有以下有益效果：本专利技术的技术方案通过采集预测时刻的数值天气预报数据；将所述数值天气预报数据代入预先构建的预测模型中得到风电功率预测值；所述预测模型是基于主成分分析法和神经网络进行构建的。该方法实现了对模型的多维输入数据进行特征提取，得到维数降低的新输入变量，能够减小其分量间的相关性，较好地揭示风功率的规律，减小计算的复杂性，增强模型的泛化性能。本专利技术的技术方案有效提高了预测精度，基于数值天气预报的风电功率预测上有一定的可行性和先进性，在处理大样本数据具有一定的优势。本专利技术的技术方案可以使电网调度方优化电网调度，减少备用容量，节省燃料，使得电网可靠经济运行，同时可以在很大程度上避免或减轻风电供电的不可靠性所带来的一系列影响，并且风电场可以依照预测结果，选择无风或低风时期对设备进行维修，提高设备利用率和可靠性。附图说明图1为本专利技术的方法流程图；图2为本专利技术的模型建立与基于模型预测功率的流程图；图3为本专利技术的LSTM存储单元的基本结构示意图；图4为本专利技术的LSTM预测模型的结构示意图；图5为本专利技术的LSTM与PCA-LSTM预测结果对比图。具体实施方式为了更好地理解本专利技术，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清楚、完整地描述，显然，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。基于数值天气预报的LSTM模型的建立与预测流程如图2所示，首先对算例的原始数据进行异常检验修正、归一化等预处理，进而通过主成分分析确定模型的输入数据，根据预测时间尺度确定训练集和测试集本文档来自技高网...

【技术保护点】
1.一种神经网络风电功率预测方法，其特征在于，包括：采集预测时刻的数值天气预报数据；将所述数值天气预报数据代入预先构建的预测模型中得到风电功率预测值；所述预测模型是基于主成分分析法和神经网络进行构建的。

【技术特征摘要】
1.一种神经网络风电功率预测方法，其特征在于，包括：采集预测时刻的数值天气预报数据；将所述数值天气预报数据代入预先构建的预测模型中得到风电功率预测值；所述预测模型是基于主成分分析法和神经网络进行构建的。2.如权利要求1所述的神经网络风电功率预测方法，其特征在于，所述预测模型的构建，包括：根据主成分分析方法对预先采集的历史时刻数值天气预报数据进行降维处理；基于将降维处理的历史时刻数值天气预报数据和预先采集的风电场历史输出功率数据对神经网络模型进行训练，得到神经网络模型内部参数；基于训练好的神经网络模型构建预测模型；其中，所述历史时刻数值天气预报数据和预先采集的风电场历史输出功率数据进行了归一化处理。3.如权利要求2所述的神经网络风电功率预测方法，其特征在于，所述基于降维处理的历史时刻数值天气预报数据和预先采集的风电场历史输出功率数据进行训练，得到神经网络模型内部参数，包括：将降维处理的历史时刻数值天气预报数据设为神经网络模型的输入数据，将风电场历史输出功率数据设为神经网络模型的输出数据；基于所述输入数据、所述输出数据和预设的内部参数初始值计算所述神经网络模型准确率，并判断是否满足预设的神经网络模型准确率要求；当满足所述神经网络模型准确率要求时，神经网络模型训练结束，获得所述神经网络模型的内部参数；否则，重新调整预设的内部参数初始值，进行下一次计算神经网络模型准确率直至满足要求后，神经网络模型训练结束，获得所述神经网络模型的内部参数；其中，内部参数，包括了：隐藏层层数、隐藏层节点数、网络记忆参数、迭代次数参数以及防拟合参数。4.如权利要求2所述的神经网络风电功率预测方法，其特征在于，所述降维处理，包括：根据降维前的数值天气预报数据计算对应的特征值和贡献率；将贡献率累加，确定累加的贡献率大于预设条件，则从所述降维前的数值天气预报数据中选取作为降维后的数值天气预报数据；基于降维后的数值天气预报数据和所述特征值计算特征向量，并计算所述降维后的数值天气预报数据对应的主成分变量。5.如权利要求4所述的神经网络风电功率预测方法，其特征在于，所述主成分变量如下式计算：式中，ZN×p为主成分变量，Um×p为对应的特征向量，X*为标准矩阵。6.如权利要求1所述的神经网络风电功率预测方法，其特征在于，所述将所述数值天气预报数据代入预先构建的预测模型，包括：...

【专利技术属性】
技术研发人员：屈小云，盛万兴，吴鸣，刘海涛，寇凌峰，徐毅虎，侯小刚，徐斌，骆晨，
申请(专利权)人：中国电力科学研究院有限公司，国家电网有限公司，国网安徽省电力有限公司，国网安徽省电力有限公司电力科学研究院，
类型：发明
国别省市：北京,11