一种基于门控循环单元的超短期风电功率预测方法技术

本发明专利技术公开了一种基于门控循环单元的超短期风电功率预测方法，具体按照以下步骤实施：步骤1、对获取的风电功率和风速数据进行预处理；步骤2、搭建基于GRU与全连接层的模型；步骤3、使用经过预处理的数据训练步骤2搭建的模型，获得能够反映输入的风速数据、风电功率数据与输出的风电功率数据之间关系的模型参数和权重，得到用于超短期风电功率预测的模型；步骤4、利用步骤3得到的用于超短期风电功率预测的模型对特定时间的风速功率进行预测。本发明专利技术的预测方法可以处理更长的时间序列。明的预测方法可以处理更长的时间序列。明的预测方法可以处理更长的时间序列。

【技术实现步骤摘要】
一种基于门控循环单元的超短期风电功率预测方法


[0001]本专利技术属于电力系统测量与控制
，涉及一种基于门控循环单元的超短期风电功率预测方法。

技术介绍

[0002]风能作为可再生能源之一，是实现“碳达峰”、“碳中和”的重要手段。然而，由于其发电功率的波动性、随机性和间歇性，对电力系统稳定运行带来巨大挑战。因此需要对风电功率进行准确预测，从而合理地调度整个电力系统，实现对风电的消纳，研究具有巨大的理论价值与实践价值。
[0003]目前风电功率的预测方法主要分为三类：物理方法，统计方法和数据驱动方法。(1)物理方法即通过收集风电场的风向，风速和气压等多维物理数据，对这些物理数据进行分析，推导出预测的风电功率数值。但由于分析模型与历史数据之间的关联性不大，所以适用于短期风电功率预测，且预测精度较低。(2)统计方法，即运用统计原理，建立历史数据与预测数据之间的联系，譬如小波模型以及卡尔曼滤波模型等。此类预测的精度也较低。(3)基于数据驱动的方法，即使用采获的原始数据，基于深度学习模型，不断优化调节模型参数，获得预测模型后实现风电功率的准确预测。

技术实现思路

[0004]本专利技术的目的是提供一种基于门控循环单元的超短期风电功率预测方法，解决了现有技术中存在的物理方法和统计方法超短期预测精度低的问题；解决了现有基于数据驱动方法需要预先充分提取原始数据信息而导致的实现过程繁琐复杂的问题。
[0005]本专利技术所采用的技术方案是，一种基于门控循环单元的超短期风电功率预测方法，具体按照以下步骤实施：
[0006]步骤1、对获取的风电功率和风速数据进行预处理；
[0007]步骤2、搭建基于门控循环单元GRU与全连接层的模型；
[0008]步骤3、使用经过预处理的数据训练步骤2搭建的模型，获得能够反映输入的风速数据、风电功率数据与输出的风电功率数据之间关系的模型参数和权重，得到用于超短期风电功率预测的模型；
[0009]步骤4、利用步骤3得到的用于超短期风电功率预测的模型进行预测。
[0010]本专利技术的特点还在于：
[0011]步骤1具体按照以下步骤实施：
[0012]步骤1.1、采集一段时间内的风电功率及风速数据，并对风电功率和风速数据进行标准化预处理；
[0013]步骤1.2、将上述预处理后的数据选定一部分风电功率和风速数据作为模型输入数据，将后移特定时刻的风电功率和风速数据作为模型输出数据，同时，将总数据划分为训练集和测试集。
[0014]步骤1.1中标准化预处理采用以下公式：
[0015][0016]其中，X0为标准化预处理后的数据，X
min
为总数据中的最小值，X
max
为总数据中的最大值，X
i
为未处理之前的数据。
[0017]步骤2中模型结构具体包括输入层、隐含层和输出层，输入层为一层输入层，隐含层包含多层GRU层，输出层为一层全连接层。
[0018]步骤3具体为，将经过预处理的训练集的输入步骤2搭建的模型中，经过隐含层的前向传播计算，得到损失值Loss，之后再经过反向传播优化算法得到隐含层的共享参数。
[0019]损失值Loss计算如下式所示：
[0020][0021]其中，m为训练集的数据总数，p
t
代表t时刻风电功率的真实值，p
s
代表风电功率的预测值。
[0022]GRU计算如下式所示：
[0023]r(t)＝δ(W
Xr x(t)+W
ht h(t
‑
1)+b
z
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)，
[0024]r(t)＝δ(W
Xr x(t)+W
ht h(t
‑
1)+b
r
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)，
[0025][0026][0027]其中，z(t)、r(t)、g(t)分别代表隐含层内三个全连接层的输出；h(t)、h(t
‑
1)分别代表输出t时刻和t
‑
1时刻的状态量；x(t)为t时刻的输入量；W
xz
,W
xr
,W
xg
分别代表与输入量x(t)相连接的三个全连接层的权重矩阵；b
z
、b
r
、b
g
分别代表与输入量x(t)相连接的三个全连接层的偏置权重；代表逐元素乘法运算；δ代表logistics激活函数；tanh代表tanh激活函数。
[0028]本专利技术的有益效果是：本专利技术采用GRU网络建立风电功率数据之间的时序依赖关系，即时间序列的前段与后段之间的关联，同时由于GRU具有选择记忆与遗忘的功能，可以处理更长的时间序列，其中全连接层将GRU的输出做线性变化以得到最终所需要的风电功率预测结果。本专利技术的模型结构简单，无需对输入数据进行特征提取，实现过程简明，且准确率高。
附图说明
[0029]图1是本专利技术一种基于GRU深度学习的超短期风电功率预测方法的流程图；
[0030]图2是本专利技术基于GRU与全连接层的模型结构图；
[0031]图3为本专利技术GRU内部结构图；
[0032]图4为本专利技术损失函数的训练迭代更新图。
具体实施方式
[0033]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。
[0034]本专利技术一种基于门控循环单元的超短期风电功率预测方法，如图1所示，具体按照以下步骤实施：
[0035]步骤1、对获取的风电功率和风速数据进行预处理；具体按照以下步骤实施：
[0036]步骤1.1、对风电功率和风速数据进行标准化预处理；标准化预处理采用以下公式：
[0037][0038]其中，X0为标准化预处理后的数据，X
min
为总数据中的最小值，X
max
为总数据中的最大值，X
i
为未处理之前的数据；
[0039]步骤1.2、将上述预处理后的数据选定一部分的风电功率和风速数据作为模型输入数据，将后移特定时刻的风电功率和风速数据作为模型输出数据，同时，将总数据划分为训练集和测试集；
[0040]步骤2、搭建基于GRU(Gated Recurrent Unit,GRU)与全连接层的模型，其中GRU为标准循环神经网络(RNN)的一种变体，其主要用来建立数据之间的时序依赖关系，即时间序列的前段与后段之间的关联，全连接层为将GRU的输出做线性变化以得到最终所需要的风电功率预测结果，模型结构具体包括输入层、隐含层和输出层，所述输入层为一层输入层，隐含层包含多层GRU层，输出层为一层全连接层；
[0041]步骤3、使用经过预处理的数据训练步骤2搭建的模型，获得能够反映输入的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于门控循环单元的超短期风电功率预测方法，其特征在于，具体按照以下步骤实施：步骤1、对获取的风电功率和风速数据进行预处理；步骤2、搭建基于门控循环单元GRU与全连接层的模型；步骤3、使用经过预处理的数据训练步骤2搭建的模型，获得能够反映输入的风速数据、风电功率数据与输出的风电功率数据之间关系的模型参数和权重，得到用于超短期风电功率预测的模型；步骤4、利用步骤3得到的用于超短期风电功率预测的模型进行预测。2.根据权利要求1所述的一种基于门控循环单元的超短期风电功率预测方法，其特征在于，所述步骤1具体按照以下步骤实施：步骤1.1、采集一段时间内的风电功率及风速数据，并对风电功率和风速数据进行标准化预处理；步骤1.2、将上述预处理后的数据选定一部分风电功率和风速数据作为模型输入数据，将后移特定时刻的风电功率和风速数据作为模型输出数据，同时，将总数据划分为训练集和测试集。3.根据权利要求2所述的一种基于门控循环单元的超短期风电功率预测方法，其特征在于，所述步骤1.1中标准化预处理采用以下公式：其中，X0为标准化预处理后的数据，X
min
为总数据中的最小值，X
max
为总数据中的最大值，X
i
为未处理之前的数据。4.根据权利要求2所述的一种基于门控循环单元的超短期风电功率预测方法，其特征在于，所述步骤2中模型结构具体包括输入层、隐含层和输出层，所述输入层为一层输入层，隐含层包含多层GRU层，输出层为一层全连接层。5.根据权利要求4所述的一种基于门控循环单元的超短期风电功率预测方法，其特征在于，所述步骤3具体为，将经过预处理的训练集的输入步骤2搭建的模型中，经过隐含层的前向传播计算，得到损...

【专利技术属性】
技术研发人员：邓亚平，林邵杰，王璐，贾颢，同向前，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：