【技术实现步骤摘要】
一种基于深度学习的超短时风功率预测方法
本专利技术涉及风场风功率预测
，具体涉及一种基于深度学习的超短时风功率预测方法。
技术介绍
风电作为一种低成本、无污染、可再生能源，受到世界各国的青睐。以风电为代表的可再生能源，发展很快。据全球风能理事会(GWEC)统计数据显示，全球风电累计装机能力呈现逐年递增的趋势。因为风速变化的随机性，风电场出力具有很强的不稳定性，并且大型风力涡轮机不能储存电能，而且不受人为控制。这些客观存在的事实表明，虽然风力发电具有许多显而易见的优点，但同时也将造成负面影响，这些问题在某些程度上限制了风力发电发展的步伐。因此做好风电发电的预测和调控是风电并网稳定运行和有效消纳的重要条件。风功率预测按照预测时间尺度可以分为超短期预测和短期预测，超短期预测一般是预测以小时为单位，短期预测是预测以天为单位。这些预测数据需要上报到上级考核系统中用于电网调度。在实际预测中，因为风电随机性的特点导致上报的预测误差比较大，准确度比较低。因此为了解决大规模风电并网问题，提高风电场与电力系统的协调运行的稳定性，需要解决风功率预测准确性这个关键技术问题。风功率预...
【技术保护点】
1.一种基于深度学习的超短时风功率预测方法，其特征在于，包括以下步骤：步骤1：从风场获取风机功率历史信息以及包括风速、风向、温度、湿度构成的气象特征形成数据表；步骤2：补全数据表中缺失的风功率参数，具体步骤如下：步骤2.1：筛选出风功率小于阈值p的数据作为风机故障数据；步骤2.2：搭建三层由全连接层组成的神经网络模型；步骤2.3：设定神经网络的参数，包括第一层全连接层的输出通道数l1、第二层全连接层的输出通道数l2、第三层全连接层的输出通道数l3、各全连接层的输入层数nin和各全连接层的输出层数nout，初始化神经网络的权重在
【技术特征摘要】
1.一种基于深度学习的超短时风功率预测方法，其特征在于，包括以下步骤：步骤1：从风场获取风机功率历史信息以及包括风速、风向、温度、湿度构成的气象特征形成数据表；步骤2：补全数据表中缺失的风功率参数，具体步骤如下：步骤2.1：筛选出风功率小于阈值p的数据作为风机故障数据；步骤2.2：搭建三层由全连接层组成的神经网络模型；步骤2.3：设定神经网络的参数，包括第一层全连接层的输出通道数l1、第二层全连接层的输出通道数l2、第三层全连接层的输出通道数l3、各全连接层的输入层数nin和各全连接层的输出层数nout，初始化神经网络的权重在的范围内均匀分布；步骤2.4：采用梯度下降法更新神经网络模型需要学习的参数，即权重w和偏差b；步骤2.5：将数据批次设置为batch1，训练次数设置为maxt-iters，对神经网络模型进行训练，并保存maxt-iters次训练的神经网络模型；步骤2.6：计算maxt-iters次神经网络模型输出值的准确率acc，将准确率最高的神经网络模型输出；步骤2.7：将风机故障数据中的气象特征输入到输出的神经网络模型中，将输出的出风功率补全到数据表中；步骤3：搭建基于序列对序列的风功率预测模型，具体步骤如下：步骤3.1：以时间t为单位，将数据表中的数据分割成多组长度为l的序列，第一组序列中的温度、湿度以及该时刻的风功率作为输入特征，下一组序列中的风功率作为输出特征，随机分配训练集，测试集比例为k1∶k2；步骤3.2：对数据表中的数据进行归一化预处理；步骤3.3：搭建编码模型和译码模型并生成预测值；步骤3.4：搭建风功率预测模型的损失函数loss2：步骤3.5：采用梯度下降法更新风功率预测模型需要学习的参数，即权重W和偏差B；步骤3.6：将批次设置为batch2，最大迭代次数设置为itersmax，对风功率预测模型进行训练，并保存itersmax次训练的风功率预测模型；步骤3.7：计算itersmax次风功率预测模型的测试误差accuracy，将测试误差最小的风功率预测模型输出，用于预测风功率。2.根据权利要求1所述的基于深度学习的超短时风功率预测方法，其特征在于，所述步...
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。