基于生成对抗网络GAN的风力发电功率预测方法技术

本发明专利技术是有关于风力发电功率的预测技术，具体为使用生成对抗网络GAN的方法来进行风力发电功率的预测方法。本发明专利技术公开了使用了生成对抗网络ForGAN来处理风力发电预测的时间信息的技术方案，通过对风力发电数据进行预处理，去除掉风力发电中的杂音，找到风力发电的规律，通过周期性，季节性时间特征对风力发电进行分解，通过ForGAN对时间序列进行生成，最后对ForGAN生成的结果进行监测，从而实现对风力发电的预测。力发电的预测。

【技术实现步骤摘要】
基于生成对抗网络GAN的风力发电功率预测方法


[0001]本专利技术是有关于风力发电功率的预测，具体为使用生成对抗网络GAN的方法来进行风力发电功率的预测方法。

技术介绍

[0002]地球上有许多可再生能源，包括太阳能、风能等许多其他能源，但所有的可再生能源都有一个共同的特点，那就是不容易收集，而且有很大的不便。与其他能源相比，风力易于获取，使用条件无限，应用不存在重大技术障碍。同时，它是取之不尽的。它是目前世界上广泛应用的一种新型绿色能源。风力发电正在成为可再生能源系统的支柱。此外，风力发电还具有环境友好性，经济高效，安全等特点。通过使用风力发电，会减少制造业、工业和化工厂等许多领域的碳排放。
[0003]深度学习以人工神经网络为框架，是一种对数据进行表征学习的算法，深度学习从2006年起在各行各业中掀起了大浪潮，即深度学习被人们广泛地运用于各个领域。生成对抗网络(Generative adversarial networks)是深度学习领域的一个重要生成模型，即两个网络(生成器和鉴别器)在同一时间训练并且在极小化极大算法(minimax)中进行竞争。这种对抗方式避免了一些传统生成模型在实际应用中的一些困难，巧妙地通过对抗学习来近似一些不可解的损失函数。近年来，深度学习在风力预测研究的作用发挥的越来越广泛，利用计算机来预测风力发电功率对于能源研究具有重要的意义和价值。

技术实现思路

[0004]本专利技术公开了使用了生成对抗网络ForGAN来处理风力发电预测的时间信息的技术方案，通过对风力发电数据进行预处理，去除掉风力发电中的杂音，找到风力发电的规律，通过周期性，季节性时间特征对风力发电进行分解，通过ForGAN对时间序列进行生成，最后对ForGAN生成的结果进行监测，从而实现对风力发电的预测。
[0005]本专利技术是采用如下技术方案实现的：一种基于生成对抗网络GAN的风力发电功率预测方法，包括如下步骤：
[0006](1)数据预处理
[0007]通过SCADA系统收集某风力发电系统发电功率的时间序列，对于SCADA系统在收集风力发电功率数据产生的信号中断、设备损坏或程序中断这些传输故障引起的数据错误和数据缺失，使用近期平均值通过发生数据错误和缺失的时间段附近的时间信息对小段缺失值进行补全，并通过线性模型对由设备损毁造成的大段的时间空缺进行补充；
[0008](2)数据去噪
[0009]通过非线性阈值处理法对步骤(1)采集到的时间序列去噪，具体是通过选择Daubechies正交小波基对步骤(1)预处理后的时间序列进行小波变换，小波变换后有用信号的能量集中于少数小波系数上，之后选择三～五层分阶层对得到的小波系数使用软阈值法进行阈值处理，将较小的小波系数置零，而对较大的小波系数向零收缩；得到去噪后的风
力发电功率时间序列；
[0010](3)通过神经网络模型对风力发电功率进行预测
[0011]将步骤(2)得到的去噪后的风力发电功率时间序列数据做为神经网络生成器G的数据输入，以及用于规范生成器G和鉴别器D的输入条件，用于GAN神经网络的训练，进而构建出GAN神经网络模型，并套用以下神经网络的训练公式进行神经网络的训练和测试：
[0012][0013]所述GAN神经网络包括生成器G和鉴别器D，这些组件在对抗过程中同时训练，G以随机的噪声向量z为输入，训练生成一个分布符合真实数据分布的样本的同时优化D以区分生成数据和真实数据；通过最小化生成器G生成的样本的判别误差和最大化鉴别器D的判别准确度的方式，使得生成器G能够模拟出来真实的风力功率预测结果；
[0014]上式中第一个E表示鉴别器的期望，xt+1表示预测出的风力发电功率结果，ρdata(xt+1)表示来自于真实数据的风力发电功率预测结果，log D(x|c)表示判别器在与生成器的风力发电功率数据输入c相同的前提下进行预测，第二个E表示的是生成器的期望，z～ρz(z)表示用于生成器训练的数据z服从噪声分布ρz(z)，G(z|c)表示生成器在与鉴别器D相同的风力发电功率数据输入c下进行预测，D(G(z|c))表示将生成的结果放进鉴别器进行判别，用鉴别器的结果来表示鉴别器鉴别生成数据的准确程度，log(1
‑
D(G(z|c)))是将鉴别器的鉴别风力预测数据的准确程度用做衡量生成器的准确程度。
[0015]上述第一步处理后的时间序列有助于后续预测结果的准确性；第二步中通过小波变换后有用信号的能量集中于少数小波系数上，而白噪声在小波变换域上仍然分散在大量小波系数之上。因而相对来说，有用信号的小波系数值必然大于那些能量分散且幅值较小的噪声的小波系数值。
[0016]而使用软阈值法将较小的小波系数置零，而对较大的小波系数向零收缩。软阈值法去噪后的估计信号是原始信号的近似最优估计，并且具有更广泛的适用性。第三步中通过使用GAN神经网络的结构就可以将通过复杂条件预测风力发电功率的任务转化成训练生成器的鉴别器的深度学习问题，从而减少了在预测风力发电中所需要考虑的风力发电功率的数据分布问题和影响风力发电的复杂现实因素。
具体实施方式
[0017]一种基于生成对抗网络GAN的风力发电功率预测方法，包括如下步骤：
[0018](1)数据预处理
[0019]通过SCADA系统收集某风力发电系统发电功率的时间序列，通常情况下，由scada系统在进行数据采集的过程中，可能会发生信号中断、设备损坏或程序中断等传输故障，都会使得收集到错误的数据或者引起数据缺失。为有效解决上述问题，本专利技术使用近期平均值通过发生数据错误和缺失的时间段附近的时间信息对小段缺失值进行补全，并通过线性模型对由设备损毁造成的大段的时间空缺进行补充；此处所述时间序列中的时间是年份、季度、月份或日期。
[0020](2)数据去噪
[0021]通过非线性阈值处理法对步骤(1)采集到的时间序列去噪，具体是通过选择
Daubechies正交小波基对步骤(1)预处理后的时间序列进行小波变换，小波变换后有用信号的能量集中于少数小波系数上，之后选择三层分阶层对得到的小波系数使用软阈值法进行阈值处理，将较小的小波系数置零，而对较大的小波系数向零收缩；得到去噪后的风力发电功率时间序列；
[0022]一般对分解得到的小波系数进行阈值处理，可以使用两种处理方法：硬阈值和软阈值法。
[0023]硬阈值法保留较大的小波系数并将较小的小波系数置零；软阈值法将较小的小波系数置零，而对较大的小波系数向零收缩。根据相关推导证明了软阈值法去噪后的估计信号是原始信号的近似最优估计，并且具有更广泛的适用性。
[0024](3)通过神经网络模型对风力发电功率进行预测
[0025]将步骤(2)得到的去噪后的风力发电功率时间序列数据做为神经网络生成器G的数据输入，以及用于规范生成器G和鉴别器D的输入条件，用于GAN神经网络的训练，进而构建出GAN神经网络模型，并套用以下神经网络的训练公式进行神经网络的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络GAN的风力发电功率预测方法，其特征在于，包括如下步骤：(1)数据预处理通过SCADA系统收集某风力发电系统发电功率的时间序列，对于SCADA系统在收集风力发电功率数据产生的信号中断、设备损坏或程序中断这些传输故障引起的数据错误和数据缺失，使用近期平均值通过发生数据错误和缺失的时间段附近的时间信息对小段缺失值进行补全，并通过线性模型对由设备损毁造成的大段的时间空缺进行补充；(2)数据去噪通过非线性阈值处理法对步骤(1)采集到的时间序列去噪，具体是通过选择Daubechies正交小波基对步骤(1)预处理后的时间序列进行小波变换，小波变换后有用信号的能量集中于少数小波系数上，之后选择三～五层分阶层对得到的小波系数使用软阈值法进行阈值处理，将较小的小波系数置零，而对较大的小波系数向零收缩；得到去噪后的风力发电功率时间序列；(3)通过神经网络模型对风力发电功率进行预测将步骤(2)得到的去噪后的风力发电功率时间序列数据做为神经网络生成器G的数据输入，以及用于规范生成器G和鉴别器D的输入条件，用于GAN神经网络的训练，进而构建出GAN神经网络模型，并套用以下神经网络的训练公式进行神经网络的训练和测试：所述GAN神...

【专利技术属性】
技术研发人员：李灯熬，赵菊敏，白晓东，
申请(专利权)人：山西省能源互联网研究院，
类型：发明
国别省市：