一种风机运维数据驱动的LSTM-SA神经网络超短期功率预测方法技术

本发明专利技术公开了一种风机运维数据驱动的LSTM

【技术实现步骤摘要】
一种风机运维数据驱动的LSTM
‑
SA神经网络超短期功率预测方法


[0001]本专利技术涉及风机功率预测
，特别涉及一种风机运维数据驱动的LSTM
‑
SA神经网络超短期功率预测方法。

技术介绍

[0002]风能是重要的可再生能源，有助于我国弥补能源缺口，按期实现双碳目标。近年来，我国风力发电的规模不断扩大，稳居世界第一。但受到风资源等多因素的影响，风力发电具有波动性、间歇性和无序性，并网时会对电网稳定带来不利影响。为了减少风电波动，提高风能利用率，需要准确预测风电功率，采取合适的控制策略。
[0003]预测风电功率的方法包含物理方法、统计方法与人工智能方法。物理方法是根据风电场站地形地貌，将数值天气预报结果转化为实际环境条件下的风资源信息，根据风电机组性能参数计算预测功率。统计方法通过研究风电场的历史数据，建立数值天气预报气象要素与实际功率之间的统计关系，由此对风电功率进行预测。这两类方法依赖准确的天气预报和准确地统计关系，精度不高。
[0004]基于人工智能技术的功率预测方法无需建立物理模型，在拟合高维非线性样本空间时有很大优势。但人工智能的预测方法大部分由数据直接驱动，具备黑箱性质，物理可解释性差。文献【基于改进LSTM的风电功率预测模型研究】提出了优化神经网络模型来提高预测精度，文献【基于时序分解及机器学习的风电功率组合预测模型】提出了使用模态分解的方法进行数据增强，通过提高数据质量来提高模型的预测精度，文献【基于注意力机制的卷积神经网络
‑r/>长短期记忆网络的短期风电功率预测】使用CNN来增强数据，使用了注意力机制来优化模型参数权重，实现了更高精度的预测。
[0005]但这些方法仅利用单一数据变量搭建模型实现功率预测，没有考虑风机实际工作时，其他变量和功率的关系，存在预测精度不高、实用性不强等缺点。文献【Ultra short
‑
termprobabilityprediction ofwindpowerbased on LSTM network and condition normal distribution】利用历史风速和功率数据进行功率预测，建立预测误差的正态分布模型。文献【Wind Turbine DataAnalysis and LSTM
‑
Based Prediction in SCADA System】基于风和能量的关系，分别预测了功率相关的四个特征量：有功功率、风速、风向、理论功率。但并没有解决如何同时通过四个量来预测风机功率的问题。
[0006]文献【BANSAL J C，FARSWAN P.Wind farm layout using biogeography based optimization[J].Renewable Energy】在数据中加入气象因素和风机自身状态显著提高模型预测精度。但气象数据的加入会导致样本空间变大、计算复杂度增加、模型参数更加臃肿，造成LSTM训练的效率下降、效果变差。
[0007]因此，如何解决上述相关文献对风机功率预测存在的弊端，提供一种较为快速、准确的预测方法，成为同行从业人员亟需解决的问题。

技术实现思路

[0008]本专利技术的目的在于提供一种风机运维数据驱动的LSTM
‑
SA神经网络超短期功率预测方法，能解决风电训练数据较少，而精度要求较高的超短期功率预测难题。
[0009]为实现上述目的，本专利技术采取的技术方案为：
[0010]本专利技术提供一种风机运维数据驱动的LSTM
‑
SA神经网络超短期功率预测方法，包括以下步骤：
[0011]获得目标风力发电机的运维数据，对所述运维数据进行预处理；所述运维数据包括：风速、叶片偏转角、偏航角、湿度和温度；
[0012]将预处理后的风机运维数据，使用lasso算法和皮尔逊相关系数法进行特征筛选，获得对风电功率变化影响较大的筛选数据；
[0013]基于所述筛选数据，训练FNN模型，获得风机发电功率与所述筛选数据的函数关系；
[0014]基于训练获得的FNN模型，使用链式求导法则求得发电功率的变化率；
[0015]将所述发电功率的变化率和历史功率值一起作为训练集，对LSTM网络进行训练，采用注意力机制对LSTM网络模型进行优化，得LSTM
‑
SA神经网络模型；
[0016]基于LSTM
‑
SA神经网络模型对所述目标风力发电机的下一时刻输出功率进行预测。
[0017]进一步地，获得目标风力发电机的运维数据，对所述运维数据进行预处理，包括：
[0018]周期性的间隔预设时间采集目标风力发电机的运维数据；
[0019]去除所述运维数据的空值、异常值，并进行归一化处理。
[0020]进一步地，预处理后的风机运维数据使用lasso算法进行特征选择，将特征系数近似0或者等于0的运维数据筛除。
[0021]进一步地，所述lasso算法公式如下：
[0022][0023][0024](1)式中，s表示调和参数；y
i
为目标函数值，为风力发电机在i时刻输出的有功功率，α为y
i
的估计值，x
ij
为在i时刻，风机的状态特征数值，β为特征值x的系数，argmin意思是使得右式的值最小的取值。
[0025]进一步地，预处理后的风机运维数据使用皮尔逊相关系数法进行特征选择，保留相关系数接近1的运维数据。
[0026]进一步地，所述皮尔逊相关系数法公式如下：
[0027][0028](2)式中，x
i
为特征值，为该特征值的平均值，y
i
为目标值，为目标值的平均值。
[0029]进一步地，基于训练获得的FNN模型，使用链式求导法则求得发电功率的变化率，包括：
[0030]通过FNN求得功率P对风速S的偏导：
[0031][0032](11)式中，F(S,θ)表示隐函数；S表示风速；θ表示叶片偏转角；P'表示发电功率P的导数；
[0033]使用反向传播算法，损失函数Loss对全局求偏导，求得损失函数对风速S的偏导和损失函数对P的偏导；通过链式求导法则，进而求得P'，作为发电功率的变化率。
[0034]进一步地，对LSTM网络进行训练时：
[0035]梯度下降优化算法使用Adam，损失函数选择MSE，设置LSTM
‑
SA隐藏层为2层，隐藏层神经元为6个，LSTM层为1层，LSTM层后接SA层和全连接层。
[0036]与现有技术相比，本专利技术具有如下有益效果：
[0037]本专利技术实施例提供的一种风机运维数据驱动的LSTM
‑
SA神经网络超短期功率预测方法，使用风机的运维数据来提取发电功率与客观环境之间的关系，推导出了神经网络的对输入值的求导公式，以此公式来求得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风机运维数据驱动的LSTM
‑
SA神经网络超短期功率预测方法，其特征在于，包括以下步骤：获得目标风力发电机的运维数据，对所述运维数据进行预处理；所述运维数据包括：风速、叶片偏转角、偏航角、湿度和温度；将预处理后的风机运维数据，使用lasso算法和皮尔逊相关系数法进行特征筛选，获得对风电功率变化影响较大的筛选数据；基于所述筛选数据，训练FNN模型，获得风机发电功率与所述筛选数据的函数关系；基于训练获得的FNN模型，使用反向传播算法和链式求导法则求得发电功率的变化率；将所述发电功率的变化率和历史功率值一起作为训练集，对LSTM网络进行训练，采用注意力机制对LSTM网络模型进行优化，得LSTM
‑
SA神经网络模型；基于LSTM
‑
SA神经网络模型对所述目标风力发电机的下一时刻输出功率进行预测。2.根据权利要求1所述的一种风机运维数据驱动的LSTM
‑
SA神经网络超短期功率预测方法，其特征在于，获得目标风力发电机的运维数据，对所述运维数据进行预处理，包括：周期性的间隔预设时间采集目标风力发电机的运维数据；去除所述运维数据的空值、异常值，并进行归一化处理。3.根据权利要求1所述的一种风机运维数据驱动的LSTM
‑
SA神经网络超短期功率预测方法，其特征在于，预处理后的风机运维数据使用lasso算法进行特征选择，将特征系数近似0或者等于0的运维数据筛除。4.根据权利要求2所述的一种风机运维数据驱动的LSTM
‑
SA神经网络超短期功率预测方法，其特征在于，所述lasso算法公式如下：征在于，所述lasso算法公式如下：(1)式中，s表示调和参数；y
i
为目标函数...

【专利技术属性】
技术研发人员：黄峰，贾任远，游红，
申请(专利权)人：湖南工程学院，
类型：发明
国别省市：