一种基于LSTM-Attention网络的风电电网控制方法技术

本发明专利技术涉及一种基于LSTM‑Attention网络的风电电网控制方法，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。预测模型分为两个部分：注意力机制的LSTM网络和SE_CNN网络。首先，在对原始NWP数据进行标准化处理后作为预测模型的输入；其次，利用注意力机制的LSTM网络和SE_CNN网络分别提取时间序列NWP数据的整体特征和局部特征后进行特征融合，并利用分类器预测风速；最后，利用历史风速和风电功率的关系得到风电功率。与现有技术相比，本发明专利技术具有准确度高，速度快等优点。

A Control Method of Wind Power Grid Based on LSTM-Attention Network

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网络的风电电网控制方法。本专利技术的目的可以通过以下技术方案来实现：一种基于LSTM-Attention网络的风电电网控制方法，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。进一步地，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。进一步地，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。进一步地，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。进一步地，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。进一步地，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。进一步地，所述注意力机制的LSTM网络模型，其描述公式为：it＝sigmoid(whiht-1+wxixt+bi)ft＝sigmoid(whfht-1+wxixt+bf)ot＝sigmoid(whoht-1+whxxt+wcoct)ui＝tanh(Wshi+bs)式中，it、ft、ct、ot和ht分别为t时刻LSTM中的输入门、遗忘门、记忆单元、输出门和隐藏状态，ct-1为t-1时刻LSTM中的记忆单元，whi、wxi、bi、whf、wxi、bf、whc、wxc、bc、who、whx、wco为LSTM中的输入门、遗忘门、记忆单元、输出门和隐藏状态各自对应的待训练参数，xt为t时刻输入，ht-1为t-1时刻LSTM中的隐藏状态，ui为注意力机制的LSTM网络模型输出，αi为第i个概率分布值，v为特征表示，Ws为权值矩阵，bs为偏置量，tanh为非线性激活函数，us为随机初始化的时间，hi为第i个隐藏层输出。进一步地，所述SE-CNN网络模型中的压缩和奖惩网络子模块，其描述公式为：s＝σ(W2δ(W1z))式中，W和H分别表示图像的宽度和高度，zc为压缩通道的第c个元素压缩量，uc(i,j)为第i个通道第j个元素的输出，i和j均为自然数，W1和W2表示两个FC层，s为奖惩量，σ为sigmoid函数，δ为ReLU函数，z为压缩通道的所有压缩量。进一步地，所述步骤S2中的总网络模型包括多个超参数，所述多个超参数包括注意力机制的LSTM输入层维数、隐藏层个数、SE_CNN的Conv1D层卷积核数量和大小以及输出层维数。与现有技术相比，本专利技术具有以下优点：(1)精度高，本专利技术中首先，在对原始NWP数据进行标准化处理后作为预测模型的输入；其次，利用注意力机制的LSTM网络和SE_CNN网络分别提取时间序列NWP数据的整体特征和局部特征后进行特征融合，并利用分类器预测风速；最后，利用历史风速和风电功率的关系得到风电功率，该结果精度高，且获取速度快。(2)学习能力和泛化能力强，首先，在对原始NWP数据进行标准化处理后作为预测模型的输入；其次，利用注意力机制的LSTM网络和SE_CNN网络分别提取时间序列NWP数据的整体特征和局部特征后进行特征融合，并利用分类器预测风速；最后，利用历史风速和风电功率的关系得到风电功率，具有很强的学习和泛化能力，具有克服RNN无法掌握长期规律和捕捉长期特征的缺点，能够提取时间序列中的有用特征，提高网络表示能力，在风电电网
具有先进性和实用性。附图说明图1为本专利技术中的LSTM结构示意图；图2为本专利技术中注意力机制的LSTM结构示意图；图3为SE网络模块示意图；图4为本专利技术的总体网络模型结构示意图；图5为本专利技术的总体网络模型结构与其他网络模型的比较图1；图6为本专利技术的总体网络模型结构与其他网络模型的比较图2。具体实施方式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的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本专利技术保护的范围。实施例1.风电场输出功率的影响因素1.1风速和风电机组输出功率的关系风力涡轮机的输出功率取决于风速，风速在一段时间范围内变化，并取决于区域天气状况，季节变化和环境因素。穿过风力涡轮机的转子叶片(A)的总扫掠面积的风功率可以定义为：P＝CPAρv13/2式中，P为风电机组输出功率(KW)，CP为风机功率系数，v1为风速(m/s)，ρ为空气密度(kg/m3)，A为风机扫荡面积(m2)。通常，测量的风速数据是接近地球表面的速度，因此修改风速以获得风力机轴高度的速度，公式如下：其中，vH(t)是风塔测量的风速；H1和H0分别是风轮机轴的高度和风塔的高度；α是风切变指数(一般为1/7)。1.2风向和风电机组输出功率的关系风电场由很多风电机组组成，由于风能被风电机组风轮吸收，风轮后面的风速降低，这就是尾流。由于上风向的风电机组尾流的影响，下风向风电机组捕获的风能减少，相应风电机组的出力也降低。为了进一步定量分析风向对风电场输出功率的影响，定义风本文档来自技高网...

【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