基于神经网络不平衡优化的短期风电功率预测方法及系统技术方案

本发明专利技术提出一种基于神经网络不平衡优化的短期风电功率预测方法及系统，涉及风电功率预测的技术领域，首先对风速时间序列、风向时间序列及风电功率时间序列预处理，得到特征向量，并构建神经网络，选定中间特征层，将特征向量作为神经网络的输入，对中间特征层进行特征张量相似性处理，提高了风电功率相近样本的特征相似性，使数据量少的风电功率样本可以依靠风电功率相近样本在神经网络中的传播增强拟合效果，提升了神经网络自身对不平衡风电序列样本的处理能力；对神经网络的训练损失进行多方向的不平衡优化，基于不平衡调整，扩展神经网络训练最优拟合参数的能力，使得神经网络泛化能力增强，提高风电功率的预测精度。提高风电功率的预测精度。提高风电功率的预测精度。

【技术实现步骤摘要】
基于神经网络不平衡优化的短期风电功率预测方法及系统


[0001]本专利技术涉及风电功率预测的
，更具体地，涉及一种基于神经网络不平衡优化的短期风电功率预测方法及系统。

技术介绍

[0002]一方面，当前电力负荷日益增长，能源短缺和环境恶化的情况愈发严重，另一方面，国家对清洁能源大力支持，具有污染少、能源利用效率高、安装地点灵活等优点的清洁能源分布式发电及其并网方式受到了越来越多的关注。
[0003]风能是典型的清洁能源，在分布式发电及并网中占据重要的地位，风电功率精准预测是实现风电并网以及电网经济调度的关键，因此，及时精准地预测风电功率动态具有重要意义，风电功率预测是指根据风速及相关因素的历史数据和当前状态，定性或定量地推测其此后的演化过程，可按时间尺度分为中长期、短期和超短期预测，其中，短期预测要求较高的精度。
[0004]目前，应用深度学习神经网络对风电功率进行预测是比较普遍且受欢迎的方法，如现有技术中公开了一种基于双向注意力和二次优化额度短期风功率预测方法，在该现有技术中，首先将风电功率子序列、风速子序列、风向正弦时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于神经网络不平衡优化的短期风电功率预测方法，其特征在于，包括：S1.采集原始风电场数据，从原始风电场数据中提取风速时间序列、风向时间序列及风电功率时间序列；S2.对风速时间序列、风向时间序列及风电功率时间序列进行预处理，得到特征向量，并将风电功率时间序列作为风电功率预测目标样本，将特征向量及风电功率时间序列均分别划分为训练集和验证集；S3.确定风电功率时间序列中风电功率之间的相邻耦合关系，获得耦合关系的累计影响贡献值序列；S4.构建神经网络，神经网络包括若干层，在若干层中选定中间特征层，以特征向量作为神经网络的输入，依次进入神经网络每一层，获得每一层的特征张量输出，并进行中间特征层的相似性处理，更新中间特征层的特征张量；S5.基于耦合关系的累计影响贡献值序列，确定神经网络的训练损失，对神经网络的训练损失进行多方向的不平衡优化，利用训练集训练神经网络，并利用验证集验证以选择方向，得到训练好的神经网络；S6.将特征向量输入训练好的神经网络，获得风电功率预测输出。2.根据权利要求1所述的基于神经网络不平衡优化的短期风电功率预测方法，其特征在于，步骤S2的过程包括：S21.将风向时间序列分解成风向正弦时间序列与风向余弦时间序列，分解公式为：其中，X
WD
为风向时间序列；X
SWD
为风向正弦时间序列，X
CWD
为风向余弦时间序列；S22.对风速时间序列、风向正弦时间序列、风向余弦时间序列、风电功率时间序序列进行归一化处理；S23.进行特征张量处理，提取连续n小时步长的风电功率特征、风速特征、风向正弦特征、风向余弦特征，作为特征向量，表达式为:征、风向余弦特征，作为特征向量，表达式为:其中，i表示时序，x
SLWPi
为张量中第i小时的风电功率特征，x
SLWSi
为张量中第i小时的风速特征，x
SWDi
为张量中第i小时的风向正弦特征，x
CWDi
为张量中第i小时的风向余弦特征；X
INPUT
表示特征张量；X
i
表示每个步长的特征张量。3.根据权利要求2所述的基于神经网络不平衡优化的短期风电功率预测方法，其特征在于，步骤S3中所述确定风电功率时间序列中风电功率之间的相邻耦合关系，获得耦合关系的累计影响贡献值序列的过程为：S31.设风电功率时间序列为：y＝[y1,...,y
t
,...,y
N
]，设定高斯卷积核功率范围参数
为σ，将风电功率时间序列中每两个风电功率大小之间的相邻耦合关系使用高斯卷积核函数k(y
i
,y
j
)表示，表达式为：其中，N表示风电功率时间序列内的样本总数量，y
t
为风电功率时间序列的t时刻的风电功率大小，y
i
为风电功率时间序列的i时刻的风电功率大小；y
j
表示风电功率时间序列的j时刻的风电功率大小；S32.计算风电功率时间序列的j时刻的风电功率对风电功率时间序列的i时刻的风电功率的耦合关系的累计影响贡献值，过程满足表达式：得到耦合关系的累计影响贡献值序列表示为：δ＝[δ1,...,δ
N
]其中，δ表示耦合关系的累计影响贡献值序列。4.根据权利要求3所述的基于神经网络不平衡优化的短期风电功率预测方法，其特征在于，步骤S4中所述构建的神经网络为CNN
‑
LSTM深度学习神经网络，CNN
‑
LSTM深度学习神经网络由依次连接的输入层、1通道卷积层Conv1、2通道卷积层Conv2、4通道卷积层Conv3、双层LSTM层、全连接层Linear1、激活函数层、全连接层Linear2和输出层组成，选取CNN
‑
LSTM神经网络中的全连接层Linear1作为中间特征层。5.根据权利要求4所述的基于神经网络不平衡优化的短期风电功率预测方法，其特征在于，步骤S4所述的以特征向量作为神经网络的输入，依次进入神经网络每一层，获得每一层的特征张量输出，并进行中间特征层的相似性处理，更新中间特征层的特征张量的过程为：S41.以特征向量为样本作为神经网络的输入，由输入层依次进入神经网络的每一层，获得每一层的特征张量输出，每一层的特征张量输出作为下一层的输入，统计每次迭代每个特征向量对应的中间特征层的特征张量，并将特征张量按S31中风电功率时间序列排列，得到第e代的中间特征层特征张量序列S42.将S31中风电功率时间序列作为风电功率预测目标样本，计算风电功率预测目标中位于第i个风电功率y
i
范围内的风电功率样本y
j
∈(y
i
‑
σ,y
i
+σ)所对应第e代的特征张量的均值与方差，计算表达式为：其中，μ
i
为第i个风电功率y
i
功率范围内的风电功率特征张量均值，为第i个风电功率y
i
功率范围内的风电功率特征张量方差，N
i
为第i个风电功率y...

【专利技术属性】
技术研发人员：孟安波，冼梓康，殷豪，翟广松，王陈恩，许炫淙，王鹏，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：