一种基于深度学习的风电功率超短期条件概率预测方法技术

本发明专利技术公开了一种基于深度学习的风电功率超短期条件概率预测方法，该方法首先将风电功率历史数据划分训练集和验证集；然后利用训练样本对深度置信网络模型进行训练，同时使用粒子群优化算法对网络结构参数进行寻优，得到最佳预测模型结构；其次将验证集输入训练好的模型，输出值为待预测时刻风电功率预测值；最后根据提出的条件，筛选出新的数据集，根据中心极限定理，结合概率论知识计算出概率预测区间。本发明专利技术是基于深度学习的风电功率超短期条件概率预测方法，基于点预测的基础上考虑一定条件结合概率论和数理统计知识，计算功率输出区间，给电网工作人员提供了更多的决策信息。

【技术实现步骤摘要】
一种基于深度学习的风电功率超短期条件概率预测方法
本专利技术属于新能源消纳技术，具体涉及一种基于深度学习的风电功率超短期条件概率预测方法。
技术介绍
随着经济的快速发展，环境问题的日益恶化，世界各国开始寻找可再生能源替代化石能源。由于生物质能、潮汐能已经核能等新能源存在各自的局限性，风能其易获取、资源分布广以及回报收益快等优点而受到重点开发利用。在早期，电网对风电可以足额消纳，但是随着海上风电以及国家政策的支持，风电迎来了一个新的发展时期。这时电网能否对风电足额消纳成了一个亟待解决的问题，而风电功率的预测就是解决这一问题的关键。有效的对风电功率预测，对于电网的安全经济调度、电力市场和风电场的运行都有重要意义。基于深度学习的风电功率超短期条件概率预测需要区间构建因素对于预测区间质量的影响，考虑一定条件的误差筛选。过宽或者过窄的预测区间，风电功率超短期概率预测将没有实际意义，从而失去应用价值，造成不必要的损失。目前，对于风电功率的预测已经出现了很多方法，主要可以分为以下两类：一是统计学习方法，利用风电场历史数据及数值天气预报等数据建本文档来自技高网...

【技术保护点】
1.一种基于深度学习的风电功率超短期条件概率预测方法，其特征在于，包括以下步骤：/n(1)采集风电场的历史风功率数据向量，并且划分训练样本和验证集，所述的训练样本由采样点的风电历史功率数据生成输入向量，由相应的历史功率值作为输出；/n(2)对训练样本进行数据归一化处理，得到各成分与输入输出的回归模型，对回归模型使用粒子群优化算法进行参数优化，建立深度置信网络-粒子群优化算法模型；/n(3)将训练集和验证集分别输入向量输入到训练优化后的深度置信网络-粒子群优化算法模型，验证集输出，且根据深度置信网络-粒子群优化算法模型建立风电功率超短期预测模型，计算风电功率输出预测值Y；/n(4)分析训练集预测...

【技术特征摘要】
1.一种基于深度学习的风电功率超短期条件概率预测方法，其特征在于，包括以下步骤：
(1)采集风电场的历史风功率数据向量，并且划分训练样本和验证集，所述的训练样本由采样点的风电历史功率数据生成输入向量，由相应的历史功率值作为输出；
(2)对训练样本进行数据归一化处理，得到各成分与输入输出的回归模型，对回归模型使用粒子群优化算法进行参数优化，建立深度置信网络-粒子群优化算法模型；
(3)将训练集和验证集分别输入向量输入到训练优化后的深度置信网络-粒子群优化算法模型，验证集输出，且根据深度置信网络-粒子群优化算法模型建立风电功率超短期预测模型，计算风电功率输出预测值Y；
(4)分析训练集预测误差，计算训练集和预测集的差e，将最小的一组取出，形成新的数据集，计算新数据集标准差和方差，以此类推，得到预测值Y得出风电功率预测区间[Yup,Ylow]；Yup为预测区间的上限，Ylow为预测区间下限值。


2.根据权利要求1所述的基于深度学习的风电功率超短期条件概率预测方法，其特征在于，步骤(1)根据特征影响因素的输出以及前10个采样点的历史功率构建向量，得到模型的训练样本，训练集向量为[X1,X2,…,X10,Y]；并且取前80％取出得到训练样本集，取后20％生成验证集。


3.根据权利要求1所述的基于深度学习的风电功率超短期条件概率预测方法，其特征在于，步骤(2)中粒子群优化算法寻优结构参数，约束条件为预测集再输入的预测误差最小emin，同时通过深度置信网络隐含层之间条件概率值计算，提取特征，从而建立最优预测模型，所述的最优预测模型为深度置信网络-粒子群...

【专利技术属性】
技术研发人员：孙永辉，王森，周衍，侯栋宸，张林闯，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32