一种基于聚类和深度学习的风电机组功率集群预测方法技术

本发明专利技术涉及一种基于聚类和深度学习的风电机组功率集群预测方法。获取风电场中每个机组的实际运行数据，并进行归一化处理将归一化后的数据作为K‑means聚类的输入变量，比较选择最佳聚类数作为风电机组的集群个数；对于每组集群，选择其中一台机组作为该集群的代表机组，使用代表机组的变量数据建立所属集群的风电功率预测模型；采用深度学习框架搭建深度长短时记忆网络；根据预测模型的输入输出分别构造出相应的模型输入与对应的输出样本，并将构造的样本划分为训练样本与测试样本，用测试样本来对所训练好的预测模型进行性能测试，得到训练模型的性能评价指标；最后通过得到的最佳的训练模型即可预测出未来多个时间点的风电功率数据。

【技术实现步骤摘要】
一种基于聚类和深度学习的风电机组功率集群预测方法
本专利技术涉及一种基于聚类和深度学习的风电机组功率集群预测方法。
技术介绍
随着大规模风电并网，风电的不可预测性和随机性将会对电网的交易和调度带来较大的影响。在传统的电网中，不确定因素较少，在设计日前市场交易机制时，只根据负荷预测值确定次日的用电需求，随着风电并网容量的增加，风电随机性和波动性的影响也将增加，为了使电力交易具有更高的可执行性和经济效益、使调度计划具有更高的安全性和可靠性，需要在日前市场交易和调度中准确预测风电出力；另外，风电运营商为了减少出力偏差考核，也需要准确申报交易计划和出力计划。因此，对风电场功率预测技术进行研究具有重要的现实意义。在实际场景中，同一风电场中的风电机组一般分布位置不同，在不同地理位置上表现出不同的气候、尾流效应等影响因素，使各台机组位置处的风况不尽相同，从而表现出不同的出力特征。在以往的的风电场预测应用中，往往是通过单一代表位置的风况来映射整个风电场的输出功率，这样将会大大限制风电场功率预测的准确度。然而，对风电场中的每个机组单独建立预测模型，则会大大增加预测模型的数量和风电场功率预测的时间，反而不利于电力系统的动态实时管理。为了兼顾风电场预测的效率与精度，对风电场建立机组集群预测模型是具有重要实际意义。
技术实现思路
本专利技术的目的在于提供一种基于聚类和深度学习的风电机组功率集群预测方法，能够提高风电场预测的效率与精度。为实现上述目的，本专利技术的技术方案是：一种基于聚类和深度学习的风电机组功率集群预测方法，包括如下步骤：步骤S1、获取周期为一年、时间分辨率为10min的风电场中每个机组的实际运行数据，包括输出有功功率、测风塔风速、风向数据，并对采集到的有功功率、测风塔风速、风向数据进行归一化处理步骤S2、将归一化后的有功功率、测风塔风速、风向数据作为K-means聚类的输入变量，设置不同的聚类数来进行聚类，最后比较选择最佳聚类数作为风电机组的集群个数；步骤S3、对于每组集群，选择其中一台机组作为该集群的代表机组，使用代表机组的变量数据建立所属集群的风电功率预测模型；步骤S4、采用深度学习框架搭建深度长短时记忆网络，即深度LSTM模型；在模型搭建过程中，通过设计模型的输出方式使得风电功率的预测模型为直接多步预测，即可直接预测未来多个时间点的风电功率数据；步骤S5、风电功率的预测模型输入变量的选取，通过对采集到的三个变量数据，即有功功率、测风塔风速、风向数据进行归一化的结果作为预测模型的输入特征；根据预测模型的输入输出分别构造出相应的模型输入与对应的输出样本，并将构造的样本划分为训练样本与测试样本；用训练样本进行预测模型的训练，最后用测试样本来对所训练好的预测模型进行性能测试，得到训练模型的性能评价指标；步骤S6、通过步骤S5得到的最佳的训练模型即可预测出未来多个时间点的风电功率数据。在本专利技术一实施例中，所述步骤S1具体实现如下：获取风电场中每个机组的实际运行数据，包括风电机组的输出有功功率W、测风塔风速Vw、风向Dw，并对采集的三个数据进行归一化处理；三个数据归一化方式分别如下：Dw'＝cos(Dw)经过以上归一化处理，有功功率、测风塔风速、风向数据均被映射到[-1,1]之间，其中，Wmax、Wmin分别表示采集的有功功率的最大值和最小值，Vwmax、Vwmin分别表示采集的风速值的最大值和最小值，Dw表示监测的风向，即风向角度。在本专利技术一实施例中，所述步骤S2具体实现如下：将归一化后的有功功率W'、测风塔风速Vw'、风向Dw'作为K-means聚类的输入变量，设置不同的聚类数来进行聚类；假设风电场内机组数为N，在进行K-means聚类时，设置聚类数分别为1、2、…、来进行聚类，得到不同聚类数下的风电机组集群结果，为了选择最佳的聚类数目，利用手肘法进行确定；手肘法的核心指标是SSE，即：其中，Ci是第i个簇，p是Ci中的样本点，mi是Ci的质心，即Ci中所有样本的均值，SSE是所有样本的聚类误差，代表了聚类效果的好坏；当k小于真实聚类数时，由于k的增大会大幅增加每个簇的聚合程度，故SSE的下降幅度会很大，而当k到达真实聚类数时，再增加k则SSE的下降幅度会骤减，然后随着k值的继续增大而趋于平缓；SSE和k的关系图是一个手肘的形状，而这个肘部对应的kb值就是最佳分类数；即风电场内的风电机组被划分为了kb个集群。在本专利技术一实施例中，所述步骤S3具体实现如下：对于每组集群，选择其中一组机组作为该集群的代表机组，使用代表机组的变量数据建立所属集群的风电功率预测模型；即对于kb个集群来说，需要选择kb个机组来代表各自所属集群；每个集群内的代表机组由该机组的输出功率与集群内其他机组输出功率的相关性的平均值决定，即相关性平均值大的为代表机组；相关性大小由以下公式决定：式中，n为样本数量，和分别为x和y的均值，首先求出集群内机组输出功率两两之间的相关性系数rij，rij表示机组i与机组j输出功率的相关性系数，求得机组i与该集群内所有机组的相关性系数，并求和取其平均值，平均值大的一个机组选为代表机组，即：在本专利技术一实施例中，所述步骤S4具体实现如下：建立预测模型，采用LSTM作为基础层，其中每层LSTM单元内的参数计算方式如下：ft＝σ(Wf·[ht-1,xt]+bf)it＝σ(Wi·[ht-1,xt]+bi)ot＝σ(Wo·[ht-1,xt]+bo)ht＝ot·tanh(Ct)其中，xt为模型的输入向量；ht为每个LSTM单元的输出向量；ht-1表示上一个LSTM单元的输出；ft为遗忘门输出，值在0-1之间，0表示“完全舍弃”，1表示“完全保留”；σ表示激活函数，Wf、WC、Wo分别为遗忘门、更新门、输出门隐层神经元的权值，bf、bC、bo分别为遗忘门、更新门、输出门隐层神经元阈值；it为更新门sigmoid层的输出；为更新门中tanh层输出的一个向量；Ct为当前LSTM单元的更新了的状态值；Ct-1为上一个LSTM单元的状态值；ot为当前LSTM单元输出门sigmoid层的输出；ht为当前LSTM单元的输出门tanh层对应的输出向量；搭建多层次的LSTM深度预测网络，在模型搭建过程中，后一层选取前一层的输出作为输入，而在最后一层，只输出该层LSTM中最后一个单元的输出值，即前几个单元不输出；最后一个单元输出的ht，为一个n维的向量，该向量中的每个值组成了风电功率多步预测值。在本专利技术一实施例中，所述步骤S5中，样本随机取80％作为训练样本，20％作为测试样本，用训练好的预测模型进行性能测试，得到训练模型的性能评价指标，训练模型的性能性能指标为相分比误差MAPE和均方根误差RMSE值，指标值越小，说明预测精度越高，两指标的计算公式如下：相较于现有技术，本本文档来自技高网...

【技术保护点】
1.一种基于聚类和深度学习的风电机组功率集群预测方法，其特征在于，包括如下步骤：/n步骤S1、获取周期为一年、时间分辨率为10min的风电场中每个机组的实际运行数据，包括输出有功功率、测风塔风速、风向数据，并对采集到的有功功率、测风塔风速、风向数据进行归一化处理；/n步骤S2、将归一化后的有功功率、测风塔风速、风向数据作为K-means聚类的输入变量，设置不同的聚类数来进行聚类，最后比较选择最佳聚类数作为风电机组的集群个数；/n步骤S3、对于每组集群，选择其中一台机组作为该集群的代表机组，使用代表机组的变量数据建立所属集群的风电功率预测模型；/n步骤S4、采用深度学习框架搭建深度长短时记忆网络，即深度LSTM模型；在模型搭建过程中，通过设计模型的输出方式使得风电功率的预测模型为直接多步预测，即可直接预测未来多个时间点的风电功率数据；/n步骤S5、风电功率的预测模型输入变量的选取，通过对采集到的三个变量数据，即有功功率、测风塔风速、风向数据进行归一化的结果作为预测模型的输入特征；根据预测模型的输入输出分别构造出相应的模型输入与对应的输出样本，并将构造的样本划分为训练样本与测试样本；用训练样本进行预测模型的训练，最后用测试样本来对所训练好的预测模型进行性能测试，得到训练模型的性能评价指标；/n步骤S6、通过步骤S5得到的最佳的训练模型即可预测出未来多个时间点的风电功率数据。/n...

【技术特征摘要】
1.一种基于聚类和深度学习的风电机组功率集群预测方法，其特征在于，包括如下步骤：
步骤S1、获取周期为一年、时间分辨率为10min的风电场中每个机组的实际运行数据，包括输出有功功率、测风塔风速、风向数据，并对采集到的有功功率、测风塔风速、风向数据进行归一化处理；
步骤S2、将归一化后的有功功率、测风塔风速、风向数据作为K-means聚类的输入变量，设置不同的聚类数来进行聚类，最后比较选择最佳聚类数作为风电机组的集群个数；
步骤S3、对于每组集群，选择其中一台机组作为该集群的代表机组，使用代表机组的变量数据建立所属集群的风电功率预测模型；
步骤S4、采用深度学习框架搭建深度长短时记忆网络，即深度LSTM模型；在模型搭建过程中，通过设计模型的输出方式使得风电功率的预测模型为直接多步预测，即可直接预测未来多个时间点的风电功率数据；
步骤S5、风电功率的预测模型输入变量的选取，通过对采集到的三个变量数据，即有功功率、测风塔风速、风向数据进行归一化的结果作为预测模型的输入特征；根据预测模型的输入输出分别构造出相应的模型输入与对应的输出样本，并将构造的样本划分为训练样本与测试样本；用训练样本进行预测模型的训练，最后用测试样本来对所训练好的预测模型进行性能测试，得到训练模型的性能评价指标；
步骤S6、通过步骤S5得到的最佳的训练模型即可预测出未来多个时间点的风电功率数据。


2.根据权利要求1所述的一种基于聚类和深度学习的风电机组功率集群预测方法，其特征在于，所述步骤S1具体实现如下：
获取风电场中每个机组的实际运行数据，包括风电机组的输出有功功率W、测风塔风速Vw、风向Dw，并对采集的三个数据进行归一化处理；三个数据归一化方式分别如下：






Dw'＝cos(Dw)
经过以上归一化处理，有功功率、测风塔风速、风向数据均被映射到[-1,1]之间，其中，Wmax、Wmin分别表示采集的有功功率的最大值和最小值，Vwmax、Vwmin分别表示采集的风速值的最大值和最小值，Dw表示监测的风向，即风向角度。


3.根据权利要求2所述的一种基于聚类和深度学习的风电机组功率集群预测方法，其特征在于，所述步骤S2具体实现如下：
将归一化后的有功功率W'、测风塔风速Vw'、风向Dw'作为K-means聚类的输入变量，设置不同的聚类数来进行聚类；假设风电场内机组数为N，在进行K-means聚类时，设置聚类数分别为来进行聚类，得到不同聚类数下的风电机组集群结果，为了选择最佳的聚类数目，利用手肘法进行确定；手肘法的核心指标是SSE，即：



其中，Ci是第i个簇，p是Ci中的样本点，mi是Ci的质心，即Ci中所有样本的均值，SSE是所有样本的聚类误差，代表了聚类效果的好坏；当k小于真实聚类数时，由于k的增大会大幅增加每个簇的聚合程度，故SSE的下降幅度会很大，而当k到达真实聚类数时，再增加...

【专利技术属性】
技术研发人员：王良缘，林芬，杨首晖，陈静，陈传彬，郑建辉，林舒嫄，林硕帆，欧亚，
申请(专利权)人：国网福建省电力有限公司，福州大学，
类型：发明
国别省市：福建;35