【技术实现步骤摘要】
本专利技术属于电力功率预测，特别是涉及到一种基于深度学习的风电功率预测方法及装置。
技术介绍
1、目前高精度的风电功率预测仍然是解决风电不确定性和波动性最有效的方法之一。准确的风电预测既能够确保电力系统的稳定运行，提高风电消纳空间，又有利于提高风电在电力市场中的竞争力。
2、短期风电功率预测技术已经取得了显著的进展，其核心是利用数值天气预报数据nwp（如：风速和风向）以及历史风电场数据，预测一定时期内的风电功率输出。预测的时间范围通常在二十几小时到几天之间。短期风电功率的主要预测方法有：统计方法、物理方法、人工智能方法及组合方法。物理方法是通过风电场及其周围环境信息构建出与功率对应的物理模型，其受环境因素较大。统计方法主要是通过建立风电场历史数据和风电功率对应的映射关系来进行预测，较依赖于历史数据。深度神经网络比浅层机器学习预测精度更高，但是与浅层机器学习相比又存在着模型复杂和训练时间长的问题。将多种模型进行组合，能够获得更优越的性能。虽然上述的每种方法都有其特定的应用场景，但是每种模型往往都难以获得最优预测结果。
3、总的来说，机器学习方法在最近几年得到了广泛的研究和应用，短期风电功率预测技术也已经取得了显著的进步。但是由于影响风电出力的数值天气预报具有很大的不确定性，无论使用哪种方法，预测的准确性仍然是一个挑战，尤其是在山地等复杂地形和极端天气条件下。
技术实现思路
1、本专利技术提出一种基于深度学习的风电功率预测方法及装置，能够有效地处理风电场周边数值
2、为达到上述目的，本专利技术的技术方案是这样实现的：
3、一种基于深度学习的风电功率预测方法，包括：
4、s1、获取风电场历史并网功率数据，通过数据清洗剔除异常数据，归一化后记为并网功率数据y：，n为并网功率数据y的长度，然后划分训练集和训练集；
5、s2、获取与风电场历史并网功率数据同时段的风电场代表点的气象预报数据x，记为，t范围为[1,n]，；其中分别代表t时刻的风速、风向、温度、大气压强、湿度，并同时段对应划分训练集和验证集；
6、s3、获取与风电场历史并网功率数据同时段的覆盖全部风电场范围的网格化数值天气预报数据g，记为；为t时刻大小的矩阵；n为经向网格点数，m为纬向网格点数，c是每个网格点的气象特征数量，并同时段对应划分训练集和验证集；
7、s4、构建cnn-tcn模型，将所述网格化数值天气预报数据g作为一个四维张量(n,n,m,c)输入到cnn模块中,将每个样本的特征转化为一维向量，将所述一维向量的样本与所述气象预报数据x、并网功率数据y通过合并层合并接入tcn模块，tcn模块的输出通过全连接层和输出层输出风电场的预测发电功率。
8、进一步的，所述cnn模块有两个卷积块，每个卷积块中，有一个带有c个特征的2d卷积层，每个核的大小为3x3，步长为1，填充方式为 "same"，对卷积层的输出使用激活函数relu和2x2的最大池化层，每个卷积块后，特征c的数量增加一倍。最后将特征输出到一个平展层，将每个样本的特征转化为一维向量。
9、进一步的，所述tcn模块设置一个64的滤波器，内核大小为2，步长为1，使用relu作为激活函数。
10、进一步的，所述cnn-tcn模型以平均绝对误差 mae作为损失函数，优化器使用adam，学习率设定为0.1，优化网络参数；
11、；其中i为序号，yi表示预测值，xi表示真实值。
12、本专利技术另一方面还提出了一种基于深度学习的风电功率预测装置，包括：
13、并网功率数据单元：获取风电场历史并网功率数据，通过数据清洗剔除异常数据，归一化后记为并网功率数据y：，n为并网功率数据y的长度，然后划分训练集和训练集；
14、气象预报数据单元：获取与风电场历史并网功率数据同时段的风电场代表点的气象预报数据x，记为，t范围为[1,n]，；其中分别代表t时刻的风速、风向、温度、大气压强、湿度，并同时段对应划分训练集和验证集；
15、网格化预报数据单元：获取与风电场历史并网功率数据同时段的覆盖全部风电场范围的网格化数值天气预报数据g，记为；为t时刻大小的矩阵；n为经向网格点数，m为纬向网格点数，c是每个网格点的气象特征数量，并同时段对应划分训练集和验证集；
16、模型单元：构建cnn-tcn模型，将所述网格化数值天气预报数据g作为一个四维张量(n,n,m,c)输入到cnn模块中,将每个样本的特征转化为一维向量，将所述一维向量的样本与所述气象预报数据x、并网功率数据y通过合并层合并接入tcn模块，tcn模块的输出通过全连接层和输出层输出风电场的预测发电功率。
17、进一步的，所述模型单元中，cnn模块有两个卷积块，每个卷积块中，有一个带有c个特征的2d卷积层，每个核的大小为3x3，步长为1，填充方式为 "same"，对卷积层的输出使用激活函数relu和2x2的最大池化层，每个卷积块后，特征c的数量增加一倍。最后将特征输出到一个平展层，将每个样本的特征转化为一维向量。
18、进一步的，所述模型单元中，所述tcn模块设置一个64的滤波器，内核大小为2，步长为1，使用relu作为激活函数。
19、进一步的，所述模型单元中，所述cnn-tcn模型以平均绝对误差 mae作为损失函数，优化器使用adam，学习率设定为0.1，优化网络参数；
20、；其中i为序号，yi表示预测值，xi表示真实值。
21、与现有技术相比，本专利技术具有如下的有益效果：
22、本专利技术通过cnn-tcn（convolutional neural networks-temporalconvolutional networks）结构，结合了cnn和tcn的特性，能同时处理空间和时间序列数据。tcn的引入改善了cnn对时间序列数据的处理能力有限的问题，大大提高了计算效率，能够有效地处理风电场周边数值天气预报数据的空间和时间特征，提高复杂地形和天气条件下的风电功率预测准确性。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的风电功率预测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的风电功率预测方法，其特征在于，所述CNN模块有两个卷积块，每个卷积块中，有一个带有c个特征的2D卷积层，每个核的大小为3x3，步长为1，填充方式为 "same"，对卷积层的输出使用激活函数ReLU和2x2的最大池化层，每个卷积块后，特征c的数量增加一倍；最后将特征输出到一个平展层，将每个样本的特征转化为一维向量。
3.根据权利要求1所述的基于深度学习的风电功率预测方法，其特征在于，所述TCN模块设置一个64的滤波器，内核大小为2，步长为1，使用ReLU作为激活函数。
4.根据权利要求1所述的基于深度学习的风电功率预测方法，其特征在于，所述CNN-TCN模型以平均绝对误差 MAE作为损失函数，优化器使用Adam，学习率设定为0.1，优化网络参数；
5.一种基于深度学习的风电功率预测装置，其特征在于，包括：
6.根据权利要求5所述的基于深度学习的风电功率预测装置，其特征在于，所述模型单元中，CNN模块有两个卷积块，每个卷积块中，
7.权利要求5所述的基于深度学习的风电功率预测装置，其特征在于，所述模型单元中，所述TCN模块设置一个64的滤波器，内核大小为2，步长为1，使用ReLU作为激活函数。
8.权利要求5所述的基于深度学习的风电功率预测装置，其特征在于，所述模型单元中，所述CNN-TCN模型以平均绝对误差 MAE作为损失函数，优化器使用Adam，学习率设定为0.1，优化网络参数；
...【技术特征摘要】
1.一种基于深度学习的风电功率预测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的风电功率预测方法，其特征在于，所述cnn模块有两个卷积块，每个卷积块中，有一个带有c个特征的2d卷积层，每个核的大小为3x3，步长为1，填充方式为 "same"，对卷积层的输出使用激活函数relu和2x2的最大池化层，每个卷积块后，特征c的数量增加一倍；最后将特征输出到一个平展层，将每个样本的特征转化为一维向量。
3.根据权利要求1所述的基于深度学习的风电功率预测方法，其特征在于，所述tcn模块设置一个64的滤波器，内核大小为2，步长为1，使用relu作为激活函数。
4.根据权利要求1所述的基于深度学习的风电功率预测方法，其特征在于，所述cnn-tcn模型以平均绝对误差 mae作为损失函数，优化器使用adam，学习率设定为0.1，优化网络参数；
5.一种基于...
【专利技术属性】
技术研发人员：向婕，施长剑，吴媛，
申请(专利权)人：国能日新科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。