The invention relates to a wind power grid control method based on LSTM Attention network, which includes the following steps: S1: data preprocessing for different wind speed data; S2: building the total network model; S3: using historical data to train the total network model; S4: using the trained network model to obtain the wind power results; S5: verifying the wind power results and according to the wind power junction. As a result, corresponding measures are taken to control the wind power grid in different ways. The prediction model is divided into two parts: LSTM network of attention mechanism and SE_CNN network. Firstly, the original NWP data are standardized and processed as input of prediction model; secondly, the LSTM network and SE_CNN network of attention mechanism are used to extract the global and local features of time series NWP data respectively, then feature fusion is carried out, and wind speed is predicted by classifier; finally, wind power is obtained by using the relationship between historical wind speed and wind power. Compared with the prior art, the invention has the advantages of high accuracy and fast speed.
【技术实现步骤摘要】
一种基于LSTM-Attention网络的风电电网控制方法
本专利技术涉及风电电网控制
,尤其是涉及一种基于LSTM-Attention网络的风电电网控制方法。
技术介绍
随着化石燃料开采枯竭和减少温室气体排放的必要性,可再生能源得到广泛开发和利用。在过去的几十年中,风力发电是世界上增长最快的能源之一。由于风能具有随机性,波动性和间歇性的特点,风电的大规模并网将影响电力系统的安全性,稳定性以及电能质量。因此,准确的风力预测不仅具有科学研究价值,还对其在电力系统中的实时调整起着重要作用。风电预测主要基于风速预测,已有的风速预测技术主要分为物理方法,统计方法和混合方法。物理模型是基于数值天气预报数据,依据大气层空气运动的情况,对风电场进行精确的物理描述,需要大量的计算资源。传统统计方法通常利用历史序列(风电功率、历史风速、风向、气压、温度等)找到测量数据(风电功率或风速)的关系。混合方法是结合不同的模型的有用信息,呈现出优越的性能。传统的神经网络往往对输入变量和训练样本有着严格的要求,训练样本过多或过少都会影响训练效果。并且,当特征尺寸过大,难以有效提取高质量特征时,神经网络难以获得良好的效果。研究表明,实际应用过程中,并不能提供过多的训练数据,以及合适的训练样本与之相比,深度学习是人工神经网络的发展,可以很好地解决以上问题。通过学习海量数据并具有很强的学习和泛化能力,能够确定哪些特征是必不可少的,哪些特征可以在没有人力的情况下被省略。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于LSTM-Attention网络的风电电网控 ...
【技术保护点】
1.一种基于LSTM‑Attention网络的风电电网控制方法,其特征在于,包括以下步骤:S1:针对不同风速数据进行数据预处理;S2:建立总网络模型;S3:利用历史数据训练总网络模型;S4:利用经过训练的网络模型得出风电功率结果;S5:检验风电功率结果并根据风电功率结果对应措施对风电电网进行不同控制操作。
【技术特征摘要】
1.一种基于LSTM-Attention网络的风电电网控制方法,其特征在于,包括以下步骤:S1:针对不同风速数据进行数据预处理;S2:建立总网络模型;S3:利用历史数据训练总网络模型;S4:利用经过训练的网络模型得出风电功率结果;S5:检验风电功率结果并根据风电功率结果对应措施对风电电网进行不同控制操作。2.根据权利要求1所述的一种基于LSTM-Attention网络的风电控制方法,其特征在于,所述步骤S1中的数据预处理包括风速与风电机组输出功率的关系数据预处理、风向与风电机组输出功率的关系数据预处理和空气密度与风电机组输出功率的关系数据预处理。3.根据权利要求2所述的一种基于LSTM-Attention网络的风电控制方法,其特征在于,所述风速与风电机组输出功率的关系数据预处理,其描述公式为:P=CPAρv13/2式中,P为风电机组输出功率,CP为风机功率系数,v1为风速,ρ为空气密度,A为风机扫荡面积。4.根据权利要求2所述的一种基于LSTM-Attention网络的风电控制方法,其特征在于,所述风向与风电机组输出功率的关系数据预处理,其描述公式为:式中,η为风电场效率系数,pm为风电场在预设风速和预设风向下的实际输出功率,pf为风电场在预设风速和预设风向下的理想输出功率。5.根据权利要求2所述的一种基于LSTM-Attention网络的风电控制方法,其特征在于,所述空气密度与风电机组输出功率的关系数据预处理,其描述公式为:式中,P0为标准状态下空气的压力,T为热力学温度,Pb为饱和蒸气压,为相对空气湿度。6.根据权利要求1所述的一种基于LSTM-Attention网络的风电控制方法,其特征在于,所述步骤S2包括以下分步骤:S201:建立注意力机制的LSTM网络模型;S202:建立SE-CNN网络模型。7.根据权利要求4所述...
【专利技术属性】
技术研发人员:邵洁,钱勇生,季欣欣,李晓瑞,莫晨,程其玉,
申请(专利权)人:上海电力学院,
类型:发明
国别省市:上海,31
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。