一种基于条件生成对抗网络的短期风电功率预测方法技术

本发明专利技术涉及一种基于生成对抗网络的短期风电功率预测方法，包括：对短期气象尺度提取气象变量波动时序和历史风电功率时序生成特征矩阵作为条件数据，建立基于CNN

【技术实现步骤摘要】
一种基于条件生成对抗网络的短期风电功率预测方法


[0001]本专利技术涉及精准的短期风电功率预测
，尤其是涉及一种基于条件生成对抗网络的短期风电功率预测方法。

技术介绍

[0002]在构建以新能源为主体的新型电力系统发展趋势下，风电并网比例持续增长。由于风电功率具有较强的波动性和不确定性，给电网的规划、调度运行带来了巨大挑战。风电占比较低时，只需调整常规电源出力跟踪变化的负荷，就能较好地实现发电和用电之间的实时平衡，精准的短期风电功率预测技术可预测未来短时内风电波动时序，为电网制定合理的调度计划提供依据，减少弃风量，对于保障电网安全稳定运行，提高经济效益具有重要意义。
[0003]在风电场大规模并入电网后，需要由常规电源和风电共同满足负荷需求，在风电出力未知的情况下，常规电源需预留大量旋转备用容量来应对未知的风电波动和负荷需求，这极大地挤占了风电消纳空间，并对电力系统安全稳定运行带来影响。且由于风速和风向变化导致风电机组发电形成较大的随机性、波动性与非稳定性,给电网快速、有效、安全的调度增加了许多困难。如何充分学习非线性功率数据中隐含的深层关系，提高预测结果精度，制定合理的调度计划，协调解决电网调频是预测的主要难点。现有技术主要采用的方法有：基于BP神经网络的短期风电功率预测方法，BP神经网络能够以任意精度逼近任何非线性映射，学习和自适应未知信息，具有一定的容错性，但BP神经网络易陷入局部最小值，不能获得全局最优解；基于LSTM的超短期风电功率预测模型，LSTM模型能够兼顾数据时序性与非线性关系，通常情况下的预测结果准确率较为理想，但对于复杂度较高的数据样本难以挖掘其深层关系；传统生成对抗网络采用完全连接的神经网络作为生成器和判别器，只适用于比较简单的数据集，且GAN的学习过程过于自由，导致训练过程和学习结果都不稳定。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于条件生成对抗网络的短期风电功率预测方法，该方法通过条件生成对抗网络的博弈训练充分学习非线性功率数据中隐藏的深层关系，可进一步提高模型预测能力。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种基于条件生成对抗网络的短期风电功率预测方法，包括下列步骤：
[0007]1)选取风电场电站历史风电功率数据时序和历史气象数据时序，并对数据进行清洗；
[0008]2)利用随机森林法从步骤1)清洗后的数据中进行风电功率预测影响因素的筛选及重要程度判别，得到不同影响因素的权重，同时剔除掉对预测影响程度较低的因素，生成特征矩阵作为条件数据，建立并训练基于CNN
‑
LSTM
‑
CGAN改进型条件生成对抗网络的短期
风电功率预测模型；
[0009]3)对CNN
‑
LSTM
‑
CGAN改进型条件生成对抗网络的权值进行初始化，设定最大迭代次数；
[0010]4)利用CNN构建生成器，将步骤2)得到的条件数据和随机噪声数据同时输入生成器中的四层一维CNN网络，生成在条件数据约束下的功率数据；
[0011]5)利用LSTM构建判别器，将步骤4)得到的功率数据，与真实数据和条件数据一同引入LSTM网络进行对抗训练，在条件数据约束下，经过全连接层得到接近真实功率数据分布的初步预测结果；
[0012]6)引入特征损失函数，基于步骤5)得到的初步预测结果，计算CNN
‑
LSTM
‑
CGAN改进型条件生成对抗网络的预测误差，优化参数权重；
[0013]7)对步骤6)的迭代次数进行判断，若达到步骤3)设定的最大迭代次数，则迭代终止，输出CNN
‑
LSTM
‑
CGAN改进型条件生成对抗网络的参数，否则，令当前迭代次数+1，执行步骤4)；
[0014]8)利用训练好的短期风电功率预测模型进行预测，最终得到风电功率预测结果。
[0015]进一步的，步骤2)中利用随机森林法计算10m、30m、70m不同高度风速和温度、气压、湿度气象数据对历史风电功率波动影响的重要程度，进行特征选择，获取特征矩阵作为条件数据，具体步骤为：
[0016]21)从原始训练数据集中，应用bootstrap方法有放回地随机抽取K个新的自助本集，并由此构建K棵分类回归树，每次未被抽到的本组成K个OOB；
[0017]22)每一棵树的每个节点处随机抽取m
ny
个特征，作为随机的特征子集，计算该特征子集中每个特征蕴的信息量，在m
ny
个特征中选择一个最具有分类能力的特征进行节点分裂；
[0018]23)以Gini指数评分VIM
j(Gini)
，计算特征重要程度，Gini指数的计算公式为：
[0019][0020]式中：K表示一共有K个类别；P
mk
表示节点m中类别k所占的比例；
[0021]特征X
j
在节点m的重要性，即节点m分支前后的Gini指数变化量计算公式为：
[0022][0023]式中：GI
l
、GI
r
分别表示分支后两个新节点的Gini指数。
[0024]进一步的，步骤3)对CNN
‑
LSTM
‑
CGAN改进型条件生成对抗网络的权值进行初始化，具体步骤包括：
[0025]31)对卷积层进行高斯初始化，从均值为0，方差为1的高斯分布中采样，作为初始权值；
[0026]32)调用zero_state函数实现LSTM复合网络初始化。
[0027]进一步的，所述基于CNN
‑
LSTM
‑
CGAN改进型条件生成对抗网络的短期风电功率预测模型的目标函数为：
[0028]L
G
＝
‑
E
z,y
(D(G(z|y)|y))
[0029]L
D
＝
‑
E
x,y
(D(x|y))+E
z,y
(D(G(z|y)|y))
[0030]min
G
max
D
L
CGAN
＝E
x,y
(lnD(x|y))
[0031]+E
z,y
(ln(1
‑
D(G(z|y)|y)))
[0032]式中：G表示生成器，D表示神经网络，L
G
为生成器的损失函数，L
D
为神经网络的损失函数，x为真实功率数据，y为条件数据，z为噪声数据，L
CGAN
为CNN
‑
LSTM
‑
CGAN的损失函数，E
x,y
(
·
)表示对x、y分布本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于条件生成对抗网络的短期风电功率预测方法，其特征在于，包括下列步骤：1)选取风电场电站历史风电功率数据时序和历史气象数据时序，并对数据进行清洗；2)利用随机森林法从步骤1)清洗后的数据中进行风电功率预测影响因素的筛选及重要程度判别，得到不同影响因素的权重，同时剔除掉对预测影响程度较低的因素，生成特征矩阵作为条件数据，建立并训练基于CNN
‑
LSTM
‑
CGAN改进型条件生成对抗网络的短期风电功率预测模型；3)对CNN
‑
LSTM
‑
CGAN改进型条件生成对抗网络的权值进行初始化，设定最大迭代次数；4)利用CNN构建生成器，将步骤2)得到的条件数据和随机噪声数据同时输入生成器中的四层一维CNN网络，生成在条件数据约束下的功率数据；5)利用LSTM构建判别器，将步骤4)得到的功率数据，与真实数据和条件数据一同引入LSTM网络进行对抗训练，在条件数据约束下，经过全连接层得到接近真实功率数据分布的初步预测结果；6)引入特征损失函数，基于步骤5)得到的初步预测结果，计算CNN
‑
LSTM
‑
CGAN改进型条件生成对抗网络的预测误差，优化参数权重；7)对步骤6)的迭代次数进行判断，若达到步骤3)设定的最大迭代次数，则迭代终止，输出CNN
‑
LSTM
‑
CGAN改进型条件生成对抗网络的参数，否则，令当前迭代次数+1，执行步骤4)；8)利用训练好的短期风电功率预测模型进行预测，最终得到风电功率预测结果。2.根据权利要求1所述的基于条件生成对抗网络的短期风电功率预测方法，其特征在于，步骤2)中利用随机森林法计算10m、30m、70m不同高度风速和温度、气压、湿度气象数据对历史风电功率波动影响的重要程度，进行特征选择，获取特征矩阵作为条件数据，具体步骤为：21)从原始训练数据集中，应用bootstrap方法有放回地随机抽取K个新的自助本集，并由此构建K棵分类回归树，每次未被抽到的本组成K个OOB；22)每一棵树的每个节点处随机抽取m
ny
个特征，作为随机的特征子集，计算该特征子集中每个特征蕴的信息量，在m
ny
个特征中选择一个最具有分类能力的特征进行节点分裂；23)以Gini指数评分VIM
j(Gini)
，计算特征重要程度，Gini指数的计算公式为：式中：K表示一共有K个类别；P
mk
表示节点m中类别k所占的比例；特征X
j
在节点m的重要性，即节点m分支前后的Gini指数变化量计算公式为：式中：GI
l
、GI
r
分别表示分支后两个新节点的Gini指数。3.根据权利要求1所述的基于条件生成对抗网络的短期风电功率预测方法，其特征在于，步骤3)对CNN
‑
LSTM
‑
CGAN改进型条件生成对抗网络的权值进行初始化，具体步骤包括：31)对卷积层进行高斯初始化，从均值为0，方差为1的高斯分布中采样，作为初始权值；32)调用zero_state函数实现LSTM复合网络初始化。4.根据权利要求1所述的基于条件生成对抗网络的短期风电功率预测方法，其特征在于，所述基于CNN
‑
LSTM
‑
CGAN改进型条件生成对抗网络的短期风电功率预测模型的目标函
数为：L
G
＝
‑
E
z,y
(D(G(z|y)|y))L
D
＝
‑
E
x,y
(D(x|y))+E
z,y
(D(G(z|y)|y))min
G max
D L
CGAN
＝E
x,y
(lnD(x|y))+E
z,y

【专利技术属性】
技术研发人员：陈汝斯，刘海光，杨旋，李大虎，蔡德福，周悦，周鲲鹏，孙冠群，王尔玺，王文娜，张良一，
申请(专利权)人：国网湖北省电力有限公司国家电网有限公司，
类型：发明
国别省市：