【技术实现步骤摘要】
本专利技术属于电力系统，更为具体地讲，涉及一种基于贝叶斯平均迁移学习的风电场输出功率预测方法。
技术介绍
1、近年来，为了克服全球不断升级的能源危机和环境恶化问题，风力发电的利用程度迅速提高。近年来，光伏、电池储能等可再生能源在配电网中的渗透率不断提高，然而，风力发电固有的间歇性和波动性对电力系统的安全运行提出了重大挑战。因此，准确的概率风力发电预测(wind power forecasting，简称wpf)对于估计未来风力发电输出(windpower output，简称wpo)和实现最优决策至关重要。可再生能源发电的间歇性和波动性导致配电网电压波动，给配电网电压控制带来挑战。
2、现有的wpf方法包括基于直接学习的方法和基于迁移学习的方法。基于直接学习的方法主要使用监督学习方法来构建新建风力发电场(newly built wind farm，简称nwf)和发电数据之间隐藏的数学关系。在学习过程中，需要使用大量历史运行数据和nwp数据对模型进行训练，但由于nwf数据的稀缺性，应用直接学习的方法并不合适。
3、现有的基于迁移学习的方法主要包括基于数据增强的方法和基于特征增强的方法等。基于数据增强的方法通常会增强数据以扩展有限的nwf数据。然而，虽然生成模型可以扩展nwf的数据空间，但它仍然需要大量的nwf数据，并会产生数据质量问题。基于特征增强的方法通常利用与其他风力发电场(wind farms，简称wfs)相似的特性来提高模型的性能。然而，这些技术通常使用基于神经网络的模型，并且需要相对大量的历史数据，这
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提供一种基于贝叶斯平均回归(bayesian averaging regression，简称bar)迁移学习的风电场输出功率预测方法，在数据有限的情况下，通过基于贝叶斯平均迁移学习算法构建新建风电场模型，以解决新建风电场模型因数据稀缺导致大多数基于学习的模型具有严重的过拟合问题。
2、为实现上述专利技术目的，本专利技术一种基于贝叶斯平均迁移学习的风电场输出功率预测方法，其特征在于，包括以下步骤：
3、(1)、采集风电场的特征数据；
4、(1.1)、采集n个已建风电场的特征数据；
5、在过去一段时间内，采集每个已建风电场在不同时刻的风速，以及对应风速下风电输出功率，记第i个已建风电场在不同时刻的风速为对应的风电输出功率为表示第i个已建风电场在t时刻采集的风速，表示第i个已建风电场在t时刻采集的输出功率，i＝1,2,…,n；
6、构建第i个已建风电场t时刻的特征数据
7、(1.2)、采集新建风电场的特征数据；
8、在过去一段时间内，采集某个新建风电场在不同时刻的风速，以及对应风速下风电输出功率，记新建风电场在不同时刻的风速为对应的风电输出功率为表示新建风电场在t时刻采集的风速，表示新建风电场在t时刻采集的输出功率，t＜＜t；
9、构建新建风电场t时刻的特征数据
10、(2)、基于时间卷积网络建立风电预测模型和风电估测模型；
11、(2.1)、利用已建风电场的特征数据建立风电预测模型wpf；
12、
13、其中，表示wpf在k+1时刻预测的风电输出功率，θk表示已建风电场在k时刻的特征数据，h(·)表示时间卷积网络；
14、(2.2)、利用已建风电场的特征数据建立风电估测模型wpe；
15、
16、其中，表示wpe在k+1时刻预测的风电输出功率，sk表示已建风电场在k时刻的风速，e(·)表示时间卷积网络；
17、(3)、训练风电预测模型和风电估测模型；
18、(3.1)、从n个已建风电场的特征数据中随机选取一组特征数据，然后截取一段连续的特征数据，其截取长度为k；
19、(3.2)、将截取的特征数据分别输入至步骤(2)建立的wpf和wpe模型，从而通过wpf和wpe模型分别预测出k+1时刻的风电输出功率和
20、(3.3)、通过反复迭代训练wpf和wpe模型，使wpf和wpe模型预测的风电输出功率与实际的风电输出功率的差值收敛，从而得到训练完成的wpf和wpe模型；
21、(4)、构建基于贝叶斯平均迁移学习的新建风电场模型；
22、根据训练完成的wpf和wpe模型，然后基于贝叶斯平均迁移学习算法建立新建风电场模型；
23、
24、
25、
26、其中，表示新建风电场在k+1时刻的预测风电功率，表示第i个已建风电场的wpf模型在k+1时刻的预测风电功率，表示第i个已建风电场的wpe模型在k+1时刻的预测风电功率，表示新建风电场在k时刻的特征数据，表示新建风电场在k时刻的风速，li表示第i个已建风电场wpf模型的权重，ηi表示第i个已建风电场wpe模型的权重，ε是噪声；
27、(5)、训练新建风电场模型；
28、(5.1)、设置训练的最大迭代次数，初始化新建风电场模型的权重ω＝(l,η)，ω赋予0均值的正态先验，其中，l＝l1,l2,…,ln，η＝η1,η2,…,ηn；
29、(5.2)、在新建风电场的特征数据中，截取一段连续的特征数据，其截取长度为k，然后分别输入至wpf和wpe模型，从而通过wpf和wpe模型分别预测出k+1时刻的风电输出功率和
30、(5.3)、将和代入至新建风电场模型，从而预测出新建风电场在k+1时刻的预测风电功率
31、(5.4)、重复步骤(5.2)、(5.3)d次，然后判断新建风电场的输出是否收敛或到达设置的最大迭代次数，如果满足，则迭代停止，得到训练好的新建风电场模型，然后跳转至步骤(6)；否则，进入步骤(5.5)；
32、(5.5)、利用最大似然估计法修正新建风电场模型的权重；
33、记第d迭代后的wpf和wpe模型的输出记为对应的新建风力发电场实际输出功率
34、计算权重ω的后验概率p(ω|f,θ)：
35、
36、其中，p(f|ω,θ)表示新建风电场实际输出功率f的后验概率，p(ω|θ)表示θ输入后模型权重的条件概率，p(f|θ)表示θ输入后新建风电场实际输出功率f的条件概率；
37、然后权重ω的后验概率，根据利用最大似然估计修正新建风电场模型的权重，更新完成后返回步骤(5.2)，然后进行下一轮训练，直至新建风电场模型收敛；
38、(6)、新建风电场的风电输出功率实时预测；
39、实时采集新建风电场在当前时刻t时的前k个时刻的风速{st-k,…,st-1,st}以及对应风速下风电输出功率{xt-k,…,xt-1,xt}；
40、将采集到的数据输入至训练完成的wpf和wpe模型，通过wpf和wpe模型分别预测出t+1时刻的风电输出功率和本文档来自技高网...
【技术保护点】
1.一种基于贝叶斯平均迁移学习的风电场输出功率预测方法，其特征在于，包括以下步骤：
【技术特征摘要】
1.一种基于贝叶斯平均迁移学习的风电场输出...
【专利技术属性】
技术研发人员：曹迪，胡维昊，赵树渤，胡家祥，黄越辉，李思辰，赵鹏飞，井实，韩培东，杜月芳，
申请(专利权)人：电子科技大学，
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。