CN104077632B - 一种基于深度神经网络的风电场功率预测方法 - Google Patents
一种基于深度神经网络的风电场功率预测方法 Download PDFInfo
- Publication number
- CN104077632B CN104077632B CN201410283817.4A CN201410283817A CN104077632B CN 104077632 B CN104077632 B CN 104077632B CN 201410283817 A CN201410283817 A CN 201410283817A CN 104077632 B CN104077632 B CN 104077632B
- Authority
- CN
- China
- Prior art keywords
- wind
- data
- power
- neural network
- deep neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了属于电力系统预测与控制技术领域的一种基于深度神经网络的风场功率预测方法。首先,获取实测风速、风向、气温、湿度及大气压强数据,采用投影寻踪进行主成分的提取,投影寻踪采用中位绝对偏差作为投影指标,能够有效排除与数据结构和特征无关的或关系很小的离群点的干扰,提取主成分比较稳定。采用深度神经网络模型,建立了风速、风向、湿度、温度和气压这五种影响因素与风场输出功率之间的预测模型。对风场功率进行预测,得到预测功率。本发明提高了风电场未来72小时预测功率的精度,为电网合理调度提供了依据,减轻了并网压力。
Description
技术领域
本发明属于电力系统预测与控制技术领域,尤其涉及一种基于深度神经网络的风电场功率预测方法。
背景技术
风力发电是一种清洁、无污染的可再生能源发电方式,越来越受到世界各国的高度重视,风电的装机容量迅速增长,在电网中所占的比例不断提高,预计到2020年,风力发电总量将占据全球总电量的12%。但是风力发电也有其缺点,由于风能具有波动性、间歇性、低能量密度、不可控等特点,因而风电功率也是波动的、间歇的。对于有大规模风电接入的电网来说,风电的波动性对全网的电力平衡将会带来很大的影响,给并网带来了巨大挑战。对风电场功率进行预报,对于电力系统的并网和经济调度意义重大。
对风电场输出功率的预报,将使电力调度部门能够提前为风电场输出功率发生变化及时调整调度计划,从而減少供电系统旋转备用容量,降低电力系统运行成本,并为电网系统调度提供可靠的依据。从风电场角度考虑,与其他可控的发电方式相比,风电的间歇性将大大削弱其竞争力,如果能够提前对风电场的输出功率进行预报,将很大程度上提高风力发电的竞争力。同时,风电场可以根据预报結果,选择在无风或低风时间段,对设备进行维修,减少资源的浪费,提高发电量和风电场容量系数。
目前,国外风电发展比较成熟的国家,如丹麦、德国、西班牙、美国等,已经研发出用于风电场输出功率短期预报的系统,并且在多个风电场在线运行。这些系统使用统计模型,或物理模型,如第一个风电场出力短期预报系统是丹麦里索国家实验室开发的Prediktor,使用的是物理模型方法;德国ISET开发的WPMS系统,使用的是基于神经网络的统计模型。这些模型的预报误差一般都在15%-20%,效果还不尽如人意。并且由于没有充分考虑我国风电场独特性,国外的风电出力预报系统还不能直接应用于国内,或者应用效果很差。而国内这方面研究起步较晩,尚处于初歩探索研究阶段,研究工作主要集中在风电场风速预测,真正意义上的发电功率研究更少,目前已经面世的产品,多处于试运行、积累经验阶段,预测精度还有待检验与提高。因此,加快开展风电功率预测研究步伐,尽快研制出适合我国国情的、预测精度高、具有自主知识产权的风电功率预测系统意义重大。
发明内容
本发明的目的是提供一种基于深度神经网络的风场功率预测方法,其特征在于,所述风场功率预测方法包括下列步骤:
步骤1:通过数值气象预报系统提供的天气预测值,并对获取的数据进行预处理;
步骤2:采用投影寻踪对步骤1进行预处理数据的主成分提取,投影寻踪采用中位绝对偏差MAD作为投影指标,能够有效排除与数据结构和特征无关的或关系很小的离群点的干扰,提取主成分比较稳定;
步骤3:采用深度神经网络模型,建立风速、风向、湿度、温度和气压这五种影响因素与风场输出功率之间的预测模型,其中深度神经网络模型隐含层的函数为Y=f(WiX);其中x为输入矩阵,wi为输入层到隐含层的权值;
步骤4:采用投影寻踪结合深度神经网络技术预测功率;
所述步骤1中天气预测值的预测步骤为:
步骤101:获取天气预测值,具体是获得由数值气象预报系统NWP输出的72小时天气预报值,包括0米、30米、50米、70米、100米、120米不同高度的风速、风向、气温、湿度及大气压强数据;
步骤102:预处理包括剔除错误数据和数据归一化;
所述步骤2中投影寻踪采用中位绝对偏差MAD为目标函数,中位绝对偏差公式为MAD=medianj(|Xj-mediani(Xi)|);其中X表示初始数据矩阵,Xi表示第i组数据的均值,即第i行数据的均值,Xj表第j组数据的均值,mediani(Xi)表示取所有均值的中位值,medianj表示取误差的中值;
所述步骤4包括:
步骤401:用投影寻踪寻得风速、风向、湿度、温度和气压这五种影响因素对风场功率影响最大的主成分;
步骤402:将风速、风向、湿度、温度和气压的主成分作为深度神经网络的输入进行输出功率预测。具体步骤为,采用历史的天气数据和其对应的功率数据对模型进行训练,当深度神经网络模型的输出结果和实际功率的误差小于一定阈值ε时,模型训练完成;用当前天气预测值作为模型的输入对输出功率进行预测。
本发明的效果在于,利用深度神经网络能以任意精度逼近任何非线性映射,具有一定的容错性,结构简单,操作性强,训练效率高,适合处理复杂问题等;提高了风电场未来72小时预测功率的精度,为电网合理调度提供了依据,减轻了并网压力。
附图说明
图1是根据本发明实施例的一种基于深度神经网络的风电场功率预测方法的总体流程图;
图2是根据本发明实施例投影寻踪提取主成分示意图;
图3是根据本发明实施例深度神经网络(auto-encoder)训练示意图;及
图4是根据本发明实施例投影寻踪提取主成分结合深度神经网络模型流程图;
具体实施方式
本发明提供一种基于深度神经网络的风场功率预测方法,下面结合附图和实施例对本发明作详细说明。
本发明针对相关技术风场功率预测精度较低的问题,在实施例中,将影响风场功率的因素作为深度神经网络模型的输入,通过深度学习来对风场功率进行预测。下面对实施例的方案进行详细描述。
本实施例采用的深度神经网络是auto-encoder网络结构,是基于7层的非线性映射的网络。
图1是基于深度神经网络的风场功率预测方法的总体流程图,包括四个步骤:
步骤a.通过数值气象预报系统提供的天气预测值,具体是获得由数值气象预报系统NWP输出的72小时天气预报值,包括0米、30米、50米、70米、100米、120米不同高度的风速、风向、气温、湿度及大气压强数据;并对获取的数据进行预处理,剔除错误数据和数据归一化;
步骤b.采用投影寻踪对步骤a.预处理数据进行主成分的提取,投影寻踪采用中位绝对偏差(MAD)作为投影指标,MAD=medianj(|Xj-mediani(Xi)|),将对应于p维空间的数据投影到d维子空间上,搜索出使该投影指标达到最大的d维子空间,所得到的d维子空间的投影能最大限度地提取原数据的结构特征。由于本发明选用的影响风场输出功率的变量只有5个,因此保留全部主成分,即取d=5,采用中位绝对偏差能够有效排除与数据结构和特征无关的或关系很小的离群点的干扰,提取主成分比较稳定;
步骤c.采用深度神经网络(auto-encoder)模型,建立风速、风向、湿度、温度和气压这五种影响因素与风场输出功率之间的预测模型,auto-encoder是一种无监督的学习算法,本实施例采用auto-encoder神经网络训练单层网络,其编码部分的激活函数为:其中w表示权重,b表示偏置项,x表示输入数据。解码部分函数为:最后其目标函数为:次用auto-encoder学习只训练一层,将其训练结果作为其高一层的输入,用监督学习去调整所有层,从而可以提高学习方法的效果,由浅层到深层。通过深度学习,明显提高预测精度;
步骤d.采用投影寻踪结合深度神经网络技术预测功率,用投影寻踪寻得风速、风向、湿度、温度和气压这五种影响因素对风场功率影响最大的主成分,将风速、风向、湿度、温度和气压的主成分作为深度神经网络的输入进行输出功率预测。
图2是根据本发明实施例投影寻踪提取主成分示意图,风速、风向、湿度、温度和气压这五种影响因素的预报数据通过投影寻踪(PP)进行主成分的提取,PP采用中位绝对偏差(MAD)作为投影指标,MAD=medianj(|Xj-mediani(Xi)|),其中,其中X表示初始数据矩阵,Xi表示第i组数据的均值,即第i行数据的均值,Xj表第j组数据的均值,mediani(Xi)表示取所有均值的中位值,medianj表示取误差的中值;从而能够有效剔除数据的坏点和突变的影响,得到稳定的主成分。
图3是根据本发明实施例深度神经网络(auto-encoder)训练示意图,每一层用auto-encoder神经网络进行单层网络训练,其编码部分的激活函数为:其中w表示权重,b表示偏置项,x表示输入数据。解码部分函数为:最后其目标函数为:其中N表示输入数据的个数,每次用auto-encoder学习只训练一层,将其训练结果作为其高一层的输入,不同于神经网络,深度神经网络可以真正实现多层感知层,本发明学习深度为7层,还可以更深,然后用监督学习去调整所有层,得到更精确输出。
图4是根据本发明实施例投影寻踪提取主成分结合深度神经网络模型流程图,本发明并不直接采用海量的原始预测数据对深度神经网络进行模型进行训练,而是先采用投影寻踪的方法把和数据结构和特征无关的或关系很小的离群点剔除,使得后续学习更加迅速,不做无用功。提取的主成分作为深度神经网络的输入,采用深度的神经网络,逐层学习,随着学习的深入,输出结果的精度就越高,可以精确拟合更复杂的曲线。
本发明根据天气预测值采用投影寻踪结合深度神经网络对风场功率进行预测,提高了功率预测的精度,为电网合理调度提供了依据,减轻了并网压力。
Claims (1)
1.一种基于深度神经网络的风场功率预测方法,其特征在于,所述风场功率预测方法包括下列步骤:
步骤a.通过数值气象预报系统提供的天气预测值,具体是获得由数值气象预报系统NWP输出的72小时天气预报值,包括0米、30米、50米、70米、100米、120米不同高度的风速、风向、气温、湿度及大气压强数据;并对获取的数据进行预处理,剔除错误数据和数据归一化;
步骤b.采用投影寻踪对步骤a.预处理数据进行主成分的提取,投影寻踪采用中位绝对偏差MAD作为投影指标,MAD=medianj(|Xj-mediani(Xi)|),其中x表示输入数据,Xi表示第i组数据的均值,即第i行数据的均值,Xj表第j组数据的均值,mediani(Xi)表示取所有均值的中位值,medianj表示取误差的中值;
将对应于p维空间的数据投影到d维子空间上,搜索出使该投影指标达到最大的d维子空间,所得到的d维子空间的投影能最大限度地提取原数据的结构特征;由于步骤a选用的风速、风向、气温、湿度及大气压强数据共5个影响风场输出功率的变量,因此保留全部主成分,即取d=5,采用中位绝对偏差能够有效排除与数据结构和特征无关的或关系很小的离群点的干扰,提取主成分比较稳定;
步骤c.采用深度神经网络auto-encoder模型,建立风速、风向、湿度、温度和气压这五种影响因素与风场输出功率之间的预测模型,auto-encoder是一种无监督的学习算法,采用auto-encoder神经网络训练单层网络,其编码部分的激活函数为:其中w表示权重,b表示偏置 项,x表示输入数据;解码部分函数为:最后其目标函数为:每次用auto-encoder学习只训练一层,将其训练结果作为其高一层的输入,用监督学习去调整所有层,从而可以提高学习方法的效果,由浅层到深层,通过深度学习,明显提高预测精度;
步骤d.采用投影寻踪结合深度神经网络技术预测功率,用投影寻踪寻得风速、风向、湿度、温度和气压这五种影响因素对风场功率影响最大的主成分,将风速、风向、湿度、温度和气压的主成分作为深度神经网络的输入,采用历史的天气数据和其对应的功率数据对模型进行训练,当深度神经网络模型的输出结果和实际功率的误差小于一定阈值ε时,模型训练完成;用当前天气预测值作为模型的输入对输出功率进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410283817.4A CN104077632B (zh) | 2014-06-23 | 2014-06-23 | 一种基于深度神经网络的风电场功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410283817.4A CN104077632B (zh) | 2014-06-23 | 2014-06-23 | 一种基于深度神经网络的风电场功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104077632A CN104077632A (zh) | 2014-10-01 |
CN104077632B true CN104077632B (zh) | 2017-07-07 |
Family
ID=51598877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410283817.4A Expired - Fee Related CN104077632B (zh) | 2014-06-23 | 2014-06-23 | 一种基于深度神经网络的风电场功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104077632B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978605A (zh) * | 2015-06-08 | 2015-10-14 | 上海电机学院 | 基于深度学习网络的大规模风电功率预测系统及方法 |
CN105825230B (zh) * | 2016-03-15 | 2019-04-05 | 中国农业大学 | 基于深度置信网络模型的土壤墒情预测方法和系统 |
US10598157B2 (en) | 2017-02-07 | 2020-03-24 | International Business Machines Corporation | Reducing curtailment of wind power generation |
US10330081B2 (en) | 2017-02-07 | 2019-06-25 | International Business Machines Corporation | Reducing curtailment of wind power generation |
CN107247954A (zh) * | 2017-06-16 | 2017-10-13 | 山东省计算中心(国家超级计算济南中心) | 一种基于深度神经网络的图像离群点检测方法 |
CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
CN108448610B (zh) * | 2018-03-12 | 2020-05-22 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
CN109086930B (zh) * | 2018-07-27 | 2021-01-22 | 广东电网有限责任公司 | 一种基于电力k线图及深度网络的用户用电行为分析方法 |
CN109523084A (zh) * | 2018-11-23 | 2019-03-26 | 东北大学 | 一种基于主元分析和机器学习的风电功率超短期预测方法 |
FR3088971B1 (fr) * | 2018-11-26 | 2021-02-19 | Ifp Energies Now | procédé d’acquisition et de modélisation par un capteur LIDAR d’un champ de vent incident |
CN111340307B (zh) * | 2020-03-13 | 2023-08-04 | 华润电力技术研究院有限公司 | 预测风机风力发电功率的方法以及相关装置 |
CN111970206A (zh) * | 2020-08-21 | 2020-11-20 | 北京浪潮数据技术有限公司 | 一种fc网络流量控制方法、装置及相关组件 |
CN112348292B (zh) * | 2021-01-07 | 2021-08-06 | 中国电力科学研究院有限公司 | 一种基于深度学习网络的短期风电功率预测方法和系统 |
CN116937579B (zh) * | 2023-09-19 | 2023-12-01 | 太原理工大学 | 一种考虑时空相关性的风电功率区间预测及其可解释方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009136230A2 (en) * | 2007-11-07 | 2009-11-12 | Edsa Micro Corporation | Systems and methods for real-time forecasting and predicting of electrical peaks and managing the energy, health, reliability, and performance of electrical power systems based on an artificial adaptive neural network |
CN101706335B (zh) * | 2009-11-11 | 2012-01-11 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
-
2014
- 2014-06-23 CN CN201410283817.4A patent/CN104077632B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104077632A (zh) | 2014-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104077632B (zh) | 一种基于深度神经网络的风电场功率预测方法 | |
CN103268366A (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
CN107730006A (zh) | 一种基于可再生能源大数据深度学习的建筑近零能耗控制器 | |
Ye et al. | Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning | |
CN102102626A (zh) | 风电场短期功率预测方法 | |
CN113468817B (zh) | 一种基于igoa优化elm的超短期风电功率预测方法 | |
CN111275238B (zh) | 基于每时晴空指数的大规模电站光伏出力序列生成方法 | |
Li et al. | Deep spatio-temporal wind power forecasting | |
CN111242351A (zh) | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 | |
CN112100911A (zh) | 一种基于深度bisltm的太阳辐射预测方法 | |
CN111488974B (zh) | 基于深度学习神经网络的海洋风能降尺度方法 | |
CN116307211A (zh) | 一种风电消纳能力预测及优化方法及系统 | |
Zhang et al. | Wind power prediction based on CNN-LSTM | |
CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
CN116894504A (zh) | 一种风电集群功率超短期预测模型建立方法 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN104794546A (zh) | 一种基于深度置信网络分类方法的风功率爬坡预测方法 | |
CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
CN114021818A (zh) | 一种考虑时空分布特征的风电功率多步预测方法 | |
Ansari et al. | Wind power forecasting using artificial neural network | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN114552570A (zh) | 一种海上风电功率预测管理系统 | |
Kehe et al. | Research of wind power prediction model based on RBF neural network | |
CN110070209B (zh) | 一种基于SD-DNNs的区域供热系统短期负荷预测方法 | |
Huang et al. | Probabilistic prediction intervals of wind speed based on explainable neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170707 Termination date: 20180623 |