一种风功率预测方法技术

本发明专利技术公开了一种风功率预测方法，包括有两个部分：第一个部分是基于随机森林的特征信息选择，首先利用风电功率的特征信息(风速、风向、气温、气压、湿度、风电功率历史数值等)的历史样本训练随机森林模型，求出所有特征信息对应的预测重要性指标PI，之后以PI的大小为依据，选择出风电功率最优的特征信息集合Q；第二个部分是基于DNN模型的风电功率预测，也就是将风电功率最优的特征信息集合历史值作为输入，通过RBM的逐步训练与PSO的精调操作后，构建出合理的DNN网络，最后将集合Q的历史值组成的测试数据集作为DNN模型输入，通过计算得到待预测的风电功率数值，这个方法提高风功率的预测精度。

【技术实现步骤摘要】
一种风功率预测方法
本专利技术属于新能源
，涉及一种风功率预测方法。
技术介绍
21世纪以来，随着传统化石能源日渐枯竭，以风电为代表的可再生能源开始成为世界能源开发的趋势与潮流。可再生能源在以下几个方面有不可替代的作用：由于在发电过程中没有污染气体的排放，有效的保护了生态环境，其次也保证了确保国家的能源安全，最后由于它的成本一般较低，具有无可比拟的经济性。目前常用的风电功率预测方法存在一定不足，其体现在预测过程中，多数预测模型将风电场的所有历史数据作为模型输入，未能对特征信息(风电功率、风速、气温、气压等)进行重要性的排序与筛选，从而降低了预测精度与效果。此外相对优秀的启发式预测方法也存在着隐含层不足，无法深度捕捉模型输入与输出关系的问题。再次，风电功率数据受到风速、风向和气压等气象因素的影响，一些模型在对风功率数据进行分解的时候忽略了这些影响因素对风功率数据的影响，使得预测效果不佳。
技术实现思路
本专利技术的目的是提供一种风功率预测方法，解决了现有技术中存在的风功率的预测精度低的问题。本专利技术所采用的技术方案是，一种风功率预测方法，包括以下步骤：步骤1、将风电功率历史值、天气因素(风向、风速、气温、气压、湿度等)历史值等特征信息作为训练数据集用于训练随机森林RF；步骤2、计算出所有特征信息的PI值，利用序列的反向搜索方法挑选出风电功率最优特征信息集合Q；步骤3、将最优特征信息集合Q的历史值作为训练DNN网络的数据集，输入至DNN模型，完成DNN的初始化；步骤4、采用“逐层初始化”的思想，使用受限玻尔兹曼机(restrictedBoltzmannmachine,RBM)逐层对DNN网络进行粗略的预训练，通过RBM的计算得到与收敛解近似的隐含层权重系数w与阈值系数b。步骤5、通过粒子群优化算法(ParticleSwarmOptimization，PSO)对权重系数与阈值系数进行更为精细的调整，得到参数优良的DNN网络。步骤6、将最优特征信息集合Q组成的预测数据集作为DNN模型输入，通过计算得到待预测的风电功率数值。本专利技术的有益效果是：本专利技术是一种风功率预测方法，其预测模型主要有两个部分：第一个部分是基于随机森林的特征信息选择，首先利用风电功率的特征信息(风速、风向、气温、气压、湿度、风电功率历史数值等)的历史样本训练随机森林模型，求出所有特征信息对应的预测重要性指标PI，之后以PI的大小为依据，选择出风电功率最优的特征信息集合Q；第二个部分是基于DNN模型的风电功率预测，也就是将风电功率最优的特征信息集合历史值作为输入，通过RBM的逐步训练与PSO的精调操作后，构建出合理的DNN网络，最后将集合Q的历史值组成的测试数据集作为DNN模型输入，通过计算得到待预测的风电功率数值。该预测效果好，精度高。附图说明图1是本专利技术一种风功率预测方法的技术路线图。图2是本专利技术一种风功率预测方法中DNN模型的结构示意图。图3是本专利技术一种风功率预测方法中粒子群算法的流程示意图。具体实施方式下面结合附图和具体实施方式对本专利技术进行详细说明。一种风功率预测方法，如图1所示，包括以下步骤：步骤1.1、以初始风电功率特征信息集合作为输入，以此训练随机森林。待训练完成后，可以得到所有特征信息的PI值，此时利用测试集评估随机森林算法的预测精度Pall，并把这个值设定为预测阈值。步骤1.2、把所有特征信息的PI值按从大到小的顺序进行排序。排序完成后，将前10个PI值对应的特征信息导入至初始为空集合的粗选特征信息集合Qpre中，同时把这些特征信息从初始的特征集合M中删除。步骤1.3:使用再一次训练随机森林，并得到测试的预测误差式中的右上角标i代表信息集合Qpre的特征信息个数。步骤1.4：判断的大小关系，若那么就向特征信息集合中再添加十个特征信息构成一个新的集合如果就不再向Qpre中添加特征信息，否则就继续在M内选择重要性最大的前十个特征信息进行添加。步骤1中特征信息Fj在第i颗决策树的PI值：PIi(Fj)＝OOBerrori'-OOBerrori(1)按照同样的原理对随机森林中的每一颗决策树求取对应的PI值，最后对所有求得的PI值进行平均处理，其结果就是特征信息Fj的PI值：袋外数据误差(OOBerror)，如式(3)：式中：n是数据样本的总个数；yr是数据样本的实际值；yp是数据样本的预测值。步骤2、建立特征集合；如表1所示。风功率的大小会受到风速、温度和风向等特征因素的影响，因此，风功率经会受到不同特征的影响；表1影响特征名称及表示方法表中温度、湿度、气压、风向正弦、风向余弦为预测时刻的测量值，St与Pt为历史值，代表t分钟前的风速或风电功率，例如S0代表t时刻的风速测量值(需要注意的是，待预测时刻记为t+1)，S30代表30分钟前的风速测量值，P30代表30分钟前的风电功率测量值。之后使用RF计算每个特征信息对应的PI大小并以从大到小的顺序进行排列，随机森林中种群个数ntree为默认值500，候选分割特征信息集合维度步骤3.1、在利用DNN网络进行风电功率预测时，风能与空气密度之间密不可分，大气温度、湿度与气压以及其他参数又会影响到空气密度，故DNN模型输入数据应该含有风速，风向，温度，气压和湿度等数据。那么首先需要对所有数据进行归一化处理，(1)风速归一化一般情况下，风机在3米/秒至25米/秒之间的风速区间运行，并且陆地上的最大风速通常小于等于30米/秒。显然，不同区域的最大风速不同。风速可以归一化如下：式中：Vg——经规范化以后获得的风速值，Vt——从数值天气预报得到的风速值，Vmax——实际运行的最大风速值。(2)风向归一化风向规范化的方法如图1-3所示：以北方向为x轴正方向，东方向为y轴正方向。风向的sin在0°至180°之间为正，从180°至360°为负；风向的cos在0°至90°和270°至360°之间为正，在90°至270°之间为负。据此，组合正弦风向以及余弦风向后即可表示全部的风向。(3)气温归一化气温规范化的措施与风速规范化的措施大体相同，如下式所示式中：Tg——规范化后的气温值，Tt——数值天气预报得到的气温，|Tt|max——对气温取绝对值后的最大值。(4)气压归一化气压归一化与风速、气温归一化的途径相同，如下式所示式中：Prg——归一化后的气压值；Prt——是从数值天气预报得到的气压值，Prmax——气象观测的最高气压。(5)湿度值的标准化对湿度值进行标准化的方法与上述几个变量的标准化方法基本一致：式中：Hg——Ht经过标准化后的值，Ht——从数值天气预报得到的湿度值，Hmax——最大湿度值。之后将本文档来自技高网...

【技术保护点】
1.一种风功率预测方法，其特征在于，包括以下步骤：/n步骤1、将风电功率历史值、天气因素即风向、风速、气温、气压、湿度历史值特征信息作为训练数据集用于训练随机森林RF，计算出所有特征信息的PI值，利用序列的反向搜索方法挑选出风电功率最优特征信息集合Q；/n步骤2、将最优特征信息集合Q的历史值作为训练DNN网络的数据集，输入至DNN模型，完成DNN的初始化；使用受限玻尔兹曼机逐层对DNN网络进行粗略的预训练，通过RBM的计算得到与收敛解近似的隐含层权重系数w与阈值系数b；/n步骤3、通过粒子群优化算法对权重系数与阈值系数进行更为精细的调整，得到参数优良的DNN网络；/n步骤4、将最优特征信息集合Q组成的预测数据集作为DNN模型输入，通过计算得到待预测的风电功率数值。/n

【技术特征摘要】
1.一种风功率预测方法，其特征在于，包括以下步骤：
步骤1、将风电功率历史值、天气因素即风向、风速、气温、气压、湿度历史值特征信息作为训练数据集用于训练随机森林RF，计算出所有特征信息的PI值，利用序列的反向搜索方法挑选出风电功率最优特征信息集合Q；
步骤2、将最优特征信息集合Q的历史值作为训练DNN网络的数据集，输入至DNN模型，完成DNN的初始化；使用受限玻尔兹曼机逐层对DNN网络进行粗略的预训练，通过RBM的计算得到与收敛解近似的隐含层权重系数w与阈值系数b；
步骤3、通过粒子群优化算法对权重系数与阈值系数进行更为精细的调整，得到参数优良的DNN网络；
步骤4、将最优特征信息集合Q组成的预测数据集作为DNN模型输入，通过计算得到待预测的风电功率数值。


2.根据权利要求1所述的一种风功率预测方法，其特征在于，所述步骤1具体包括：
步骤1.1、以初始风电功率特征信息集合作为输入，以此训练随机森林。待训练完成后，可以得到所有特征信息的PI值，此时利用测试集评估随机森林算法的预测精度Pall，并把这个值设定为预测阈值；
步骤1.2、把所有特征信息的PI值按从大到小的顺序进行排序。排序完成后，将前10个PI值对应的特征信息导入至初始为空集合的粗选特征信息集合Qpre中，同时把这些特征信息从初始的特征集合M中删除；
步骤1.3:使用再一次训练随机森林，并得到测试的预测误差式中的右上角标i代表信息集合Qpre的特征信息个数；
步骤1.4：判断的大小关系，若那么就向特征信息集合中再添加十个特征信息构成一个新的集合如果就不再向Qpre中添加特征信息，否则就继续在M内选择重要性最大的前十个特征信息进行添加。


3.根据权利要求1所述的一种风功率预测方法，其特征在于，所述步骤2具体包括：
步骤2.1、使用受限玻尔兹曼机时，采用目前常用的单步长交替GIbbs采样的对比散度算法(ContrastiveDivergence)进行训练，从而大大的提升RBM的训练速度。算法一开始的初值是已知的训练样本值，以此作为可见节点单元向量的初值状态，并记为vdata，之后使用式(20)计算出隐含层的初始状态值hdata：



式中：m——可见层的可见单元的个数；
在第一次对隐含层的所有单元完成迭代计算后，进行一次整体的交替GIbbs采样，也就是利用式(21)对所有可见单元的状态进行调整，从而得到vnew，之后利用之前的式(20)对隐含单元的状态进行调整，得到hnew；



由此，可以得到可见节点单元与隐含节点单元的权值更新公式、可见节点单元与隐含节点单元的阈值更新公式为：
Δwij＝s·(<vi·hj>data-<vi...

【专利技术属性】
技术研发人员：杨勇，秦睿，崔力心，马镇东，郑晶晶，周治伊，王永年，牛浩明，王伟，何欣，祁莹，张彦凯，刘文飞，张旭军，张刚，
申请(专利权)人：国网甘肃省电力公司电力科学研究院，国网甘肃综合能源服务有限公司，西安理工大学，
类型：发明
国别省市：甘肃;62