一种基于轻量级自编码网络的短期风功率预测方法技术

本发明专利技术公开了一种基于轻量级自编码网络的短期风功率预测方法，涉及测量技术领域，解决了风功率预测准确性较低的技术问题，其技术方案要点是通过轻量级自编码网络对短期风功率进行预测，具有特征学习效率高的优势，对于不同的风机的功率预测任务，适用性更强；能有效的提取复杂天气情况下的风功率信息，预测准确率高；参数量少，所需计算与存储成本小，网络结构轻量级，能够满足工业物联网对深度学习算法提出的“小，轻，快”的应用需求，可以较好的应用于各大风电场的短期风功率预测。用于各大风电场的短期风功率预测。用于各大风电场的短期风功率预测。

A short-term wind power prediction method based on lightweight self coding network

【技术实现步骤摘要】
一种基于轻量级自编码网络的短期风功率预测方法


[0001]本申请涉及测量
，尤其涉及一种基于轻量级自编码网络的短期风功率预测方法。

技术介绍

[0002]风电天然的随机性和波动性，使得在对其准确的发电功率预测上都存在难点和技术欠缺。风电预测理论的欠缺，间接地造成了弃风现象。因此准确的风功率预测不仅可以提高风电电场的利用效率，还可以服务于电力调度部门以确保高比例的风电能源接入后的电网安全、稳定和经济运行。目前，国内外学者对风功率预测问题作了大量的研究工作，但是面对复杂天气时，风电功率输出波动较大，风功率预测准确性较低，这对电网安全运行提出了严峻的挑战。

技术实现思路

[0003]本申请提供了一种基于轻量级自编码网络的短期风功率预测方法，其技术目的是提高复杂天气情况下的短期风功率预测精度，能较好的满足工程应用的需要。
[0004]本申请的上述技术目的是通过以下技术方案得以实现的：
[0005]一种基于轻量级自编码网络的短期风功率预测方法，包括：
[0006]S1：对数值天气预报中的时序数据进行拼接，形成多维风功率时序数据；
[0007]S2：将所述多维风功率时序数据输入到第一轻量级自编码网络进行训练，对所述多维风功率时序数据中互相耦合的非线性特征进行提取，并通过注意力机制对所述非线性特征进行筛选与强化，最终输出风功率预测数据；
[0008]S3：将所述多维风功率时序数据对应的风功率数据与所述风功率预测数据进行损失计算；
[0009]S4：重复S1至S3，直至迭代次数达到预设最大值或所述损失低于预设阈值，则完成对所述第一轻量级自编码网络的训练，得到第二轻量级自编码网络；
[0010]S5：向所述第二轻量级自编码网络输入未来时间内的数值天气预报，所述第二轻量级自编码网络输出短期风功率预测数据。
[0011]本申请的有益效果在于：本申请所述的基于轻量级自编码网络的短期风功率预测方法具有特征学习效率高的优势，对于不同的风机的功率预测任务，适用性更强；能有效的提取复杂天气情况下的风功率信息，预测准确率高；参数量少，所需计算与存储成本小，网络结构轻量级，能够满足工业物联网对深度学习算法提出的“小，轻，快”的应用需求，可以较好的应用于各大风电场的短期风功率预测。
附图说明
[0012]图1为本申请所述方法的流程图；
[0013]图2为本申请优选实施例的轻量级自编码网络的结构示意图；
[0014]图3为本申请优先实施例的短期风功率预测数据的结果示意图。
具体实施方式
[0015]下面将结合附图对本申请技术方案进行详细说明。
[0016]图1为本申请所述方法的流程图，如图1所示，基于轻量级自编码网络的短期风功率预测方法包括：
[0017]S1：对数值天气预报(NWP)中的时序数据进行拼接，形成多维风功率时序数据。
[0018]具体地，多维风功率时序数据包括风速、湿度、温度、风向和气压等时序数据，所述多维风功率时序数据的尺寸为N
×
L，分辨率为15分钟；其中,L表示时间步长，N表示多维风功率时序数据中数据的种类数量。
[0019]S2：将所述多维风功率时序数据输入到第一轻量级自编码网络进行训练，对所述多维风功率时序数据中互相耦合的非线性特征进行提取，并通过注意力机制对所述非线性特征进行筛选与强化，最终输出风功率预测数据。
[0020]具体地，轻量级自编码网络包括编码器和解码器，其结构示意图如图2所示。编码器包括3个级联的深度可分离卷积层和2个全连接层，全连接层与最后一个深度可分离卷积层连接。解码器包括级联的1个全连接层和3个深度可分离卷积层，全连接层与第一个深度可分离卷积层连接。编码器和解码器的卷积结构对称，深度可分离卷积层卷积核的尺寸例如为：15
×
1，7
×
1，3
×
1；卷积层数量和核尺寸不局限于此，可根据实际预测任务做针对性调成。
[0021]轻量级自编码网络采用的卷积操作为一维深度可分离卷积，其将标准一维卷积分解为深度卷积和点卷积，在保证特征有效提取的基础上极大地降低了模型参数量和计算量，减轻了模型应用的计算和存储负担。假设L
F
表示输入映射长度，L
k
表示卷积核尺寸，M表示输入映射通道数，N表示卷积核数量，则标准卷积的参数量和计算量分别为L
k
×
M
×
N和L
k
×
M
×
N
×
L
F
，而一维深度可分离卷积的参数量和计算量分别为L
k
×
M+1
×
M
×
N和L
k
×
M
×
L
F
+M
×
N
×
L
F
。
[0022]进行卷积操作提取特征过程中，采用通道注意力机制对提取的通道特征进行自适应加权，强化有利于预测的特征，弱化无关和冗余特征，提高特征学习的有效性。
[0023]S3：将所述多维风功率时序数据对应的风功率数据与所述风功率预测数据进行损失计算。
[0024]风功率预测数据为输出的一维向量，其尺寸为1
×
L。
[0025]损失计算采用的损失函数为均方损失MSE，均方损失MSE表示为：
[0026][0027]其中，y
t
表示所述多维风功率时序数据对应的风功率数据，表示所述风功率预测数据。
[0028]S4：重复S1至S3，直至迭代次数达到预设最大值或所述损失低于预设阈值，则完成对所述第一轻量级自编码网络的训练，得到第二轻量级自编码网络。
[0029]一般来说，当均方损失MSE低于预设阈值，第一轻量级自编码网络训练结束，此时多维风功率时序数据对应的风功率数据与风功率预测数据形成恒等映射。
[0030]S5：向所述第二轻量级自编码网络输入未来时间内的数值天气预报，所述第二轻量级自编码网络输出短期风功率预测数据。
[0031]作为具体实施例地，以江苏某风电场2020年1月1日至12月31日之间的实测数据做为数据集，获取的数据包括风速、湿度、温度、风向和风电功率等时间序列，时间分辨率为15分钟。通过交叉验证的方式找到适合本方法实际场景中的训练集、验证集、测试集。
[0032]得到的短期风功率预测结果如图3所示。由图3可知预测结果与实际风功率结果趋势基本相同，预测值与真实值吻合度较高，因此本申请所开发模型具有较为准确的短期风功率预测能力。
[0033]综上所述，本申请基于卷积神经网络设计了一种轻量级自编码网络的短期风功率预测模型，与传统的深度学习方法相比，本申请在面对复杂天气时具有更好的预测性能，更符合风电场的实际场景，满足工业物联网对深度学习算法的要求。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量级自编码网络的短期风功率预测方法，其特征在于，包括：S1：对数值天气预报中的时序数据进行拼接，形成多维风功率时序数据；S2：将所述多维风功率时序数据输入到第一轻量级自编码网络进行训练，对所述多维风功率时序数据中互相耦合的非线性特征进行提取，并通过注意力机制对所述非线性特征进行筛选与强化，最终输出风功率预测数据；S3：将所述多维风功率时序数据对应的风功率数据与所述风功率预测数据进行损失计算；S4：重复S1至S3，直至迭代次数达到预设最大值或所述损失低于预设阈值，则完成对所述第一轻量级自编码网络的训练，得到第二轻量级自编码网络；S5：向所述第二轻量级自编码网络输入未来时间内的数值天气预报，所述第二轻量级自编码网络输出短期风功率预测数据。2.如权利要求1所述的预测方法，其特征在于，所述步骤S1中，所述多维风功率时序数据包括风速、湿度、温度、风向和气压的时序数据，所述多维风功率时序数据的尺寸为N
×
L，分辨率为15分钟；其中,L表示时间步长，N表示多维风功率时序数据中数据的种类数量。3.如权利要求2所述的预测方法，其特征在于，所述第一轻量级自编码网络包括编码器和解码器，所述编码器包括3个级联的深度可分离卷积层和2个全连接层，所述解码器包括1个全连接层和3个深度可分离卷积层，所述编码器和所述解码器的卷积结构对...

【专利技术属性】
技术研发人员：邓艾东，史曜炜，姚中原，邓敏强，许猛，刘洋，丁雪，张顺，
申请(专利权)人：东南大学，
类型：发明
国别省市：