CN109657839B - 一种基于深度卷积神经网络的风电功率预测方法 - Google Patents
一种基于深度卷积神经网络的风电功率预测方法 Download PDFInfo
- Publication number
- CN109657839B CN109657839B CN201811401163.5A CN201811401163A CN109657839B CN 109657839 B CN109657839 B CN 109657839B CN 201811401163 A CN201811401163 A CN 201811401163A CN 109657839 B CN109657839 B CN 109657839B
- Authority
- CN
- China
- Prior art keywords
- wind power
- wind
- model
- mapping
- space
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 45
- 238000013507 mapping Methods 0.000 claims abstract description 28
- 230000000694 effects Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 9
- 230000009466 transformation Effects 0.000 abstract 1
- 238000009826 distribution Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度卷积神经网络的风电功率预测方法,包括以下步骤:选取与采集风电场数据,利用网格空间嵌入法将风力发电机的真实坐标映射到平面网格上;将某一时刻风电场中所有风电机的输出按照映射的结果填入网格中,得到该时刻对应的场景特征,将多个连续的场景特征按时序进行排列,形成多通道图像,即时空特征;在时空特征的基础上构造三种深度卷积网络模型进行风电功率的预测;并对各个模型的风电功率预测效果进行分析及对比。本发明通过对风电场区域内风电机的网格空间嵌入,构造多通道图像形式的STF,充分表达空气流动的时空变换过程;提出了三种深度卷积网络模型,每种模型均可同时预测大量风力涡轮机的风电功率。
Description
技术领域
本发明涉及风电功率控制技术领域,尤其涉及一种基于深度卷积神经网络的风电功率预测方法。
背景技术
随着全球经济的不断发展,人们对能源的需求也日益增加,能源与环境的问题引起国际社会和公众的高度关注。然而,人们长久以来依赖的煤炭、石油、天然气等能源都属于一次性非可再生能源,其中煤炭和石油的使用会对环境产生严重的污染,制约着人类的可持续发展。为了解决能源与环境的问题,人们不断开发新能源来促进全球经济的可持续发展,应对全球气候变化。新能源包括太阳能、风能、海洋能、地热能等,其中风能已成为一种重要的可大规模开发利用的可再生资源。并且随着风电设备制造的规模化生产,风电已成为全球范围内发展最快的一种可再生能源。截至2017年,全球的风电装机容量已达到539GW,新增装机容量52GW[1],从而使风能有望成为21世纪的主要电力来源之一。但由于风电机受风速和风向等因素的影响,使得风能呈现出随机性和波动性,对电力系统的安全稳定运行带来了严峻挑战。对风电功率进行精准的预测可以加强风力发电的可控性、确保电网稳定运行,并提升电网对风电的接纳能力。
近年来,学者们为了更加高效利用风能做了大量相关研究工作,根据预测模型的不同风电功率预测方法主要分为物理方法、统计方法和机器学习方法。其中,物理方法根据风电场周围等高线、粗糙度、障碍物、气压、气温等环境信息,采用数值天气预报(NWP)模型进行风速预测,从而进行风电场的功率预测。统计方法是通过对历史风电功率数据的分析,建模得到风电功率的概率密度函数用来进行风电功率的预测。机器学习方法是通过建立机器学习模型或使用神经网络将时序片段映射到未来时刻的输出,从而实现风电功率的预测。具体地,主要是使用支持向量机回归(SVR)[2]、k-近邻回归(KNN)[3]、多层感知机神经网络(MLP)[4]和长短期记忆神经网络(LSTM)[5]等对风速时间序列或功率时间序列建模,从而实现风电功率的预测。利用机器学习进行风电功率预测在短期预测中的表现较好。机器学习方法简化了风电功率预测问题,但是近年来以提高准确率为目的的研究进展缓慢。
最近,该领域产生了一些新的研究思路。例如,使用小波变换将功率序列分解成多个子序列,然后分别预测并组合结果[6][7][8],该方法需对每个子序列建立模型,因此代价较高。此外,对预测误差进行建模,以通过误差分析来提高预测效果[9][10]。但误差由具体的预测模型产生,针对性过强,难以应用到生产中,而且误差分析的过程增加了计算代价。同时,使用集成学习进行预测[11][12][13],准确率得以提升,但多个模型同时工作,所需计算资源也大幅度增加。最后,还有一种方法是将长度为n×m的序列数据依次按序填入n×m的网格,从而构造出二维图像,并使用卷积神经网络进行预测[12]。但这样构造的图像不具有明确的物理意义,另外,构造图像所需的时间序列过长,且增加了计算代价。总之,上述工作本质上依然基于时间序列数据建模,通过复杂的模型提高了准确率,但计算代价也明显增加,但事实上,这些时间序列无法表达风的时空变化过程,这一缺陷从根本上限制了风电功率预测的水平。
发明内容
本发明提供了一种基于深度卷积神经网络的风电功率预测方法,本发明提出了“时空特征”(STF)来表示风电场状态的信息,并且提出三种基于STF的深度卷积神经网络模型进行风电功率的准确及高效的预测,详见下文描述:
一种基于深度卷积神经网络的风电功率预测方法,所述方法包括以下步骤:
选取与采集风电场数据,利用网格空间嵌入法将风力发电机的真实坐标映射到平面网格上;
将某一时刻风电场中所有风电机的输出按照映射的结果填入网格中,得到该时刻对应的场景特征,将多个连续的场景特征按时序进行排列,形成多通道图像,即时空特征;
在时空特征的基础上构造三种深度卷积网络模型进行风电功率的预测;并对各个模型的风电功率预测效果进行分析及对比。
其中,所述利用网格空间嵌入法将风力发电机的真实坐标映射到平面网格上具体为:
将某时刻各风电机的输出电功率按照地理坐标,映射到平面网格上,形成单通道二维图像,即场景特征;
将所涉及风电机的地理坐标分别按经度、纬度进行去重、离散化处理,以确定待构造的场景特征的形状规格,并生成初始网格;
将风力发电机的真实坐标分别映射到面积尽量小的平面网格上。
进一步地,所述三种深度卷积网络模型具体为:
第一种模型是基于时空特征进行风电功率预测的端到端模型,该端到端模型遵循自动编码器-解码器的架构,即为E2E模型;
第二种模型是包含全连接层的卷积神经网络架构,即为FC-CNN模型;
第三种模型是将上述两种模型进行融合后进行集成学习。
其中,所述E2E模型具体为:以时空特征作为输入,然后对输入图像进行以下两个阶段的处理;
第一个阶段是下采样,通过多个卷积层和池化层多次嵌套的方式,逐步提取深度特征,缩小图像尺寸;将多个前置卷积层的输出串联,输入到下一个卷积层,保留原始输入图像的空间信息;
第二个阶段是上采样,通过反卷积操作得到与输入图像相同尺寸的单通道图像,使输入图像的像素和输出图像的像素一一对应,实现端到端的映射。
其中,所述FC-CNN模型具体为:全连接网络;
通过全连接层拟合函数关系,将深度特征映射到每个风电机的输出;
最后一个全连接层的输出向量长度与输入图像的像素点个数相等;将该输出向量重组成二维结构后,与输入图像的像素点一一映射。
本发明提供的技术方案的有益效果是:
1、本发明所提出的STF能够表达风电场复杂的时空信息,极大地扩展了对风电相关信息的表达能力;
在本发明中,仅从目标发电机自身的数据中提取的特征被称为“single-feature”(SF),从目标发电机和若干邻近发电机的数据中提取的特征被称为‘local-feature’(LF)。本质上看,local-feature是single-feature的扩展形式,当local-feature选取邻近发电机的距离阈值为0时,就退化成了single-feature。但是无论SF还是LF都只能表达时间层面的信息,而很难表达空间层面的信息。本发明所提出的“时空特征”(STF)能够表达风电场复杂的时空信息,隐含了风俗、风向、空气密度等特征,极大地扩展了对风电相关信息的表达能力,为突破风电功率预测准确率的瓶颈打下了良好的基础。
2、基于STF,本发明使用三种深度卷积网络模型模拟并预测风电场的时空过程,取得了很好的效果。
在接近600台发电机上验证的结果表明,本方法比目前该领域表现最好的时间序列建模方法的平均平方误差(MSE)平均降低了26.69%,最高降低了49.83%,并且训练模型所需时间少于对比方法的1/150。实验结果表明,本方法能够大幅度优化风电功率预测的准确率,提高预测效率和减少预测时间。
附图说明
图1为一种基于深度卷积神经网络的风电功率预测方法的流程图;
图2为真实坐标嵌入与网格空间嵌入结果的示意图;
其中,图(a)显示了通过缩放实际坐标产生的图像,白色像素表示空白,黑色像素表示风力发动机。黑色像素非常稀疏,即图像中有效像素的比例非常低。
图(b)显示了由网格空间嵌入算法产生的场景(scene)。
图(c)由图(b)通过双向性差值放大产生的,用于显示更多的细节。
图3为E2E模型架构的示意图;
其中,图3是基于STF进行风电功率预测的E2E模型,包括两阶段的处理。第一阶段是下采样,即编码阶段。该阶段引入了密集连接的思想进行下采样,通过多个卷积层和池化层多次嵌套的方式,进行深度特征的提取。第二阶段是上采样,即解码阶段,主要通过反卷积操作,实现端到端映射。
图4为FC-CNN模型架构的示意图;
其中,图4是基于STF进行风电功率预测的FC-CNN模型,包括两阶段的处理。第一阶段是下采样,该阶段与E2E的下采样阶段类似。第二阶段是全连接网络,将深度特征映射到每个风电机的输出。最后,将输出向量重组成二维结构,并与输入图像的像素点一一映射。
图5为每种方法的预测误差分布的示意图。
其中,在图5中按照从左到右、从上到下的次序分别表示了KNN-LF,SVR-LF,E2E,FC-CNN,Ensemble这五种模型的预测误差分布,以及这五种模型的综合对比分布图。每个子图中的柱状图对应MSE的分布,曲线是概率密度曲线,横坐标表示MSE的值,纵坐标表示相应的概率密度(PDF)。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
随着大数据时代的到来,深度学习近年来发展迅猛,在国内外引起了广泛的关注。其中,卷积神经网络(CNN)是目前深度学习中最成功的方法,已被广泛应用于辅助医疗、语音识别、智慧城市和自动驾驶等领域。CNN可通过GPU来加速计算,而近年来飞速发展的硬件水平,极大的提高了计算机的计算能力,CNN这一普适的模型也因此在众多领域取得突破性进展。CNN模型的具体形式已经极其丰富,但整体上可分两种基本类型。第一种是编码器-解码器模型,模型的核心过程是卷积、池化和反卷积,卷积用于提取深度特征,池化用于缩小图像的尺寸、扩大卷积核的视野,而反卷积通过上采样放大图片的尺寸。该类模型的典型代表是FCN网络[14]。第二种结构是包含全连接层的卷积网络,其核心操作包括卷积、池化和全连接。该类模型中,卷积和池化产生深度特征,而全连接将深度特征映射到预测值。全连接操作的表达能力极强,因此此类模型通常能拟合非常复杂的非线性关系,其典型代表是VGGNet[15]。
本发明实施例的目的是为了解决现有技术不能充分利用风场时空信息的问题,提出基于“时空特征”(Spatial Temporal Feature,简称STF),利用深度卷积网络进行风电功率预测的方法,本发明实施例通过对风电场区域内风电机的网格空间嵌入,构造多通道图像形式的STF,充分表达空气流动的时空变换过程。
本发明实施例同时结合目前深度学习最先进的理论,提出了三种适宜于使用STF进行风电功率预测的深度卷积网络模型,每种模型均可同时预测大量风力涡轮机的风电功率。本发明实施例的目的在于,大幅度优化预测的准确率,提高预测效率和减少预测时间。
实施例1
本发明实施例提供了一种基于深度卷积神经网络的风电功率预测方法,参见图1,该方法包括:
101:选取与采集风电场数据,利用网格空间嵌入法将风力发电机的真实坐标映射到平面网格上;
其中,网格空间嵌入法为本领域技术人员所公知,本发明实施例对此不做赘述。
该选取与采集风电场数据的步骤具体为:选取一定经纬度范围的风电场区域,并采集该风电场区域中所有(共计n台)风电机的历史数据,时间间隔为固定值。基于上述数据,预测风电机在一段时间以后的风电功率输出。
其中,利用网格空间嵌入法将风力发电机的真实坐标映射到平面网格上,具体过程如下:
提出场景(scene)的概念来描述某一时刻该地区风力的空间分布状态。将某时刻各风电机的输出电功率按照它们的地理坐标,映射到平面上,形成二维图像,即scene特征。此外,提供网格空间嵌入算法来进行scene特征的构建。
102:将某一时刻风电场中所有风电机的输出按照映射的结果填入网格中,即可得到该时刻对应的scene特征,将多个连续的scene特征按时序进行排列,从而形成多通道图像,即“时空特征”(STF);
103:在时空特征STF的基础上构造深度卷积网络模型进行风电功率的预测;
具体实现时,在步骤102提取到的STF特征的基础上进行深度卷积网络模型的构造,从而利用构造的深度卷积网络模型进行风电功率的预测。
在这一步骤中主要构造三种深度卷积神经网络模型,第一种模型是基于STF进行风电功率预测的端到端模型,该模型遵循自动编码器-解码器的架构,在本发明实施例中将此模型简称为E2E模型。第二种模型是包含全连接层的卷积神经网络架构,在此将该模型简称为FC-CNN模型。第三种模型是将上述两种模型进行融合后进行集成学习,从而能够更加准确地预测风电功率。
104:对各个模型的风电功率预测效果进行分析及对比。
该步骤的具体过程如下:
选取衡量风电功率预测效果的评价指标,计算该评价指标,并且将三种模型的预测效果进行对比分析,从而分析模型的优缺点、风电功率的时空特性和变化过程。
综上所述,本发明实施例通过上述步骤101-步骤104,结合目前深度学习最先进的理论,提出了三种适宜于使用STF进行风电功率预测的深度卷积网络模型,每种模型均可同时预测大量风力涡轮机的风电功率。
实施例2
下面结合图2-图4对实施例1中的方案进行进一步地介绍,详见下文描述:
本发明实施例提出STF来表示风电场状态的信息,并且提出三种基于STF的深度卷积神经网络模型进行风电功率的准确及高效地预测,如图1所示,为本发明实施例利用深度卷积神经网络模型进行风电功率预测的一具体实施例的整体示意图,包括:
201:选取经度范围为x1~x2,维度范围为y1~y2的风电场区域,并采集该风电场区域中n台风电机的风速和功率等历史数据,时间间隔固定;
202:预处理步骤201收集到的数据,形成针对于风电场内每个风电机的连续时间序列历史数据;
其中,基于上述连续时间序列历史数据,后续步骤会预测风电机在一段时间以后的风电功率输出。
203:将某时刻各风电机的输出电功率按照它们的地理坐标,映射到平面网格上所形成的二维图像,即场景特征;
具体实现时,为了描述某一时刻某地区风的空间分布状态,提出场景(scene)特征的概念,需要将某时刻各风电机的输出电功率按照它们的地理坐标,映射到平面网格上所形成的二维图像,就是上述的scene特征。
204:利用网格空间嵌入算法将风力发电机的真实坐标映射到面积尽量小的平面网格上,并进行预处理生成初始网格;
具体实现时,利用网格空间嵌入算法将风力发电机的真实坐标映射到面积尽量小的平面网格上,从而能够保证较小的网格尺寸与较紧凑的像素分布,使得构造出的scene特征更加适宜于使用卷积进行计算。
其中,网格空间嵌入算法首先对经纬度坐标分别进行去重、离散化处理,以确定待构造的scene特征的形状规格,并生成初始网格。初始网格生成以后,将每个风力发电机按照其横纵坐标,分别映射到相应的网格中。
205:将某一时刻风电机的输出,按照步骤204的结果规定的位置填入网格,得到该时刻对应的scene特征;
其中,具体的效果图如图2所示。
206:将多个连续的scenee特征按时序排列形成多通道图像,将该多通道图像称作“时空特征”,即STF;
其中,scenee特征表达了某一时刻风能的空间分布状况,将多个连续的scenee特征按时序排列形成多通道图像,将该多通道图像称作“时空特征”,即STF。STF的每一通道独立表达空间信息,多通道排序组合表达时间信息。该“时空特征”(STF)综合了较大地理区域、较长时间范围的信息,本发明实施例称之为一种全局特征(global-feature)以区别于SF和LF。此外,STF的每个通道还可以用于表示不同类型的信息,如风电功率输出、风速、气压、温度等,将融合了多种类数据的STF称为MSTF。
207:在STF特征的基础上构造深度卷积网络模型,利用深度卷积网络模型进行风电功率的预测;
具体实现时,在上述步骤206提取到的STF特征的基础上构造深度卷积网络模型,从而利用构造的深度卷积网络模型进行风电功率的预测,具体为:
1)提出一种基于STF进行风电功率预测的端到端模型;
其中,该端到端模型借鉴自动编码器和解码器架构,称之为E2E模型。该E2E模型以STF作为输入,然后对输入图像进行两个阶段的处理。
第一个阶段是下采样,即编码阶段,通过多个卷积层和池化层多次嵌套的方式,逐步提取深度特征,同时缩小图像尺寸。该编码阶段引入DenseNet中“短路”的思想,将多个前置卷积层的输出串联,然后输入到下一个卷积层,以保留原始输入图像的空间信息。
第二个阶段是上采样,即解码阶段,该解码阶段主要包含反卷积层。通过反卷积操作,特征图的尺寸逐步增大,最终得到与输入图像相同尺寸的单通道图像,从而使输入图像的像素和输出图像的像素一一对应,实现端到端的映射。具体的E2E模型架构图如图3所示。
2)提出一种包含全连接层的深度卷积神经网络模型进行风电功率预测,将该模型称为FC-CNN。
其中,该FC-CNN模型接收到输入图像后,也进行两个阶段的操作。
第一个阶段是下采样,即编码阶段,该第一个阶段与E2E模型的下采样阶段类似,也融入了DenseNet中密集连接的思想。但是相较于E2E模型,FC-CNN模型构建更深层次(2次或以上)的下采样阶段,因此最后一层特征图的尺寸更小(输入图像尺寸的1/4或更小)。
第二个阶段是全连接网络,通过全连接层拟合复杂的函数关系,将深度特征映射到每个风电机的输出。最后一个全连接层的输出向量长度与输入图像的像素点个数相等。将该输出向量重组成二维结构后,与输入图像的像素点一一映射。具体的FC-CNN模型架构图如图4所示。
其中,通过全连接层拟合复杂的函数关系的步骤为本领域技术人员所公知,函数关系可以为:输入到特征、或特征到输出的映射等。
3)提出一种模型,该模型将E2E与FC-CNN两种模型进行融合后进行集成学习(Ensemble),从而能够更加准确地预测风电功率。
208:基于上述三种模型结果,在采集的数据分别进行模型训练,并且将训练之后的模型用于选定风电场区域内风电功率的预测。
综上所述,本发明实施例通过上述步骤201-步骤208提出了“时空特征”(STF)来表示风电场状态的信息,并且提出三种基于STF的深度卷积神经网络模型进行风电功率的准确及高效的预测,提高了预测精度,满足了实际应用中的多种需要。
实施例3
下面结合计算公式、图5、以及表1对实施例1和2中的方案进行可行性验证,详见下文描述:
准确率是衡量风电功率预测效果的最重要的方面,而评价准确率的主要指标为均方误差(MSE)和平方根误差(RMSE)。其中,RMSE是MSE的算术平方根,故本发明实施例选取MSE为风电功率预测的评价标准。MSE的计算方法如公式(1)所示,其中real是真实值序列,predictions是预测值序列,n为序列长度。
针对于每个模型的预测结果计算MSE,并且将三种模型的预测效果进行对比分析,进而分析模型的优缺点、风电功率的时空特性和变化过程。
每种方法的预测误差与训练时间如表1所示,每种方法的预测误差分布如图5所示。表1通过预测误差数值的最大值、最小值和平均值,定量地对比了各方法的整体表现。
表1每种方法的预测误差与训练时间
从每个方法对应MSE的平均值看,本发明实施例提出的E2E和FC-CNN模型的MSE分别是7.91和7.78,将两个模型集成之后可达到7.61。然而,已有的方法中,上述标准的最优值为10.05。可见,本方法在预测误差方面降低了24.28%,因此其在预测准确率方面远优于其他方法。
在图5中,按照从左到右、从上到下的次序分别表示了KNN-LF,SVR-LF,E2E,FC-CNN,Ensemble这五种模型的预测误差分布,以及这五种模型的综合对比分布图。前五张图依次展示了各方法的效果,最后一张图对比所有结果,能明显看出FC-CNN和E2E模型对应的MSE分布在值较小的区域。因此,整体上证明了本方法优于SVR和kNN。
本发明实施例提出“时空特征”(STF)来表示风电场状态的信息,并且提出三种基于STF的深度卷积神经网络模型进行风电功率的准确及高效的预测。STF是对风电场的时空状态建模,风电场中的风电机越密集,采集到的数据信息就越完善,因此STF更加适合描述大型风电场的状态。本发明实施例所提出的深度卷积网络模型均可进行端到端预测,输出端的每个像素点均与一个发电机相对应,因此,在对一个scene特征进行预测时,实际上是并行地预测大量发电机的输出。同时,卷积网络可以充分利用GPU加速,因此训练时间也有了大幅度的提升。模型训练时间的对比效果如表1最后一行所示,整体上,训练时间有了质的优化,和SVR相比,耗时甚至不到1/150。
综上所述,本方法能够大幅度提升预测的准确率,大幅度优化计算效率与计算的时间代价。
参考文献:
[1]REN21,Renewables global status report,
http://www.ren21.net/status-of-renewables/global-status-report/(2018).
[2]Chen K,Yu J.Short-term wind speed prediction using an unscentedKalman filter based state-space support vector regression approach[J].AppliedEnergy,2014,113:690-705.
[3]Becker R,D.Completion of wind turbine data sets for windintegration studies applying random forests and k-nearest neighbors[J].Applied Energy,2017,208:252-262.
[4]Deo R C,Ghorbani M A,Samadianfard S,et al.Multi-layer perceptronhybrid model integrated with the firefly optimizer algorithm for windspeedprediction of target site using a limited set of neighboring referencestation data[J].Renewable energy,2018,116:309-323.
[5]Xiaoyun Q,Xiaoning K,Chao Z,et al.Short-term prediction of windpower based on deep Long Short-Term Memory[C]//Power and Energy EngineeringConference(APPEEC),2016IEEE PES Asia-Pacific.IEEE,2016:1148-1152.
[6]Zhang Y,Yu R,Xie S,et al.Home M2M networks:architectures,standards,and QoS improvement[J].IEEE Communications Magazine,2011,49(4).
[7]Tascikaraoglu A,Sanandaji B M,Poolla K,et al.Exploiting sparsityofinterconnections in spatio-temporal wind speed forecasting using WaveletTransform[J].Applied Energy,2016,165:735-747.
[8]Saroha S,Aggarwal S K.Wind power forecasting using wavelettransforms and neural networks with tapped delay[J].CSEE Journal of Power andEnergy Systems,2018,4(2):197-209.
[9]Wang Z,Shen C,Liu F.A conditional model ofwind power forecasterrors and its application in scenario generation[J].Applied Energy,2018,212:771-785.
[10]De Giorgi M G,Ficarella A,Tarantino M.Error analysis ofshort termwind power prediction models[J].Applied Energy,2011,88(4):1298-1311.
[11]Zhao J,Guo Z H,Su Z Y,et al.An improved multi-step forecastingmodel based on WRF ensembles and creative fuzzy systems for wind speed[J].Applied energy,2016,162:808-826.
[12]Wang H,Li G,Wang G,et al.Deep learning based ensemble approachfor probabilistic wind power forecasting[J].Applied energy,2017,188:56-70.
[13]Heinermann J,Kramer O.Machine learning ensembles for wind powerprediction[J].Renewable Energy,2016,89:671-679.
[14]Long J,Shelhamer E,Darrell T.Fully convolutional networks forsemantic segmentation[C]//Proceedings offthe IEEE conference on computervision and pattern recognition.2015:3431-3440.
[15]Simonyan K,Zisserman A.Very deep convolutional networks forlarge-scale image recognition[J].arXiv preprint arXiv:1409.1556,2014.
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于深度卷积神经网络的风电功率预测方法,其特征在于,所述方法包括以下步骤:
选取与采集风电场数据,利用网格空间嵌入法将风力发电机的真实坐标映射到平面网格上;
将某一时刻风电场中所有风力发电机的输出按照映射的结果填入网格中,得到该时刻对应的场景特征,将多个连续的场景特征按时序进行排列,形成多通道图像,即时空特征;
在时空特征的基础上构造三种深度卷积网络模型进行风电功率的预测;并对各个模型的风电功率预测效果进行分析及对比。
2.根据权利要求1所述的一种基于深度卷积神经网络的风电功率预测方法,其特征在于,所述利用网格空间嵌入法将风力发电机的真实坐标映射到平面网格上具体为:
将某时刻各风力发电机的输出电功率按照地理坐标,映射到平面网格上,形成单通道二维图像,即场景特征;
将所涉及风力发电机的地理坐标分别按经度、纬度进行去重、离散化处理,以确定待构造的场景特征的形状规格,并生成初始网格;
将风力发电机的真实坐标分别映射到面积尽量小的平面网格上。
3.根据权利要求1所述的一种基于深度卷积神经网络的风电功率预测方法,其特征在于,所述三种深度卷积网络模型具体为:
第一种模型是基于时空特征进行风电功率预测的端到端模型,该端到端模型遵循自动编码器-解码器的架构,即为E2E模型;
第二种模型是包含全连接层的卷积神经网络架构,即为FC-CNN模型;
第三种模型是将上述两种模型进行融合后进行集成学习。
4.根据权利要求3所述的一种基于深度卷积神经网络的风电功率预测方法,其特征在于,所述E2E模型具体为:以时空特征作为输入,然后对输入图像进行以下两个阶段的处理;
第一个阶段是下采样,通过多个卷积层和池化层多次嵌套的方式,逐步提取深度特征,缩小图像尺寸;将多个前置卷积层的输出串联,输入到下一个卷积层,保留原始输入图像的空间信息;
第二个阶段是上采样,通过反卷积操作得到与输入图像相同尺寸的单通道图像,使输入图像的像素和输出图像的像素一一对应,实现端到端的映射。
5.根据权利要求3所述的一种基于深度卷积神经网络的风电功率预测方法,其特征在于,所述FC-CNN模型具体为:全连接网络;
通过全连接层拟合函数关系,将深度特征映射到每个风力发电机的输出;
最后一个全连接层的输出向量长度与输入图像的像素点个数相等;将该输出向量重组成二维结构后,与输入图像的像素点一一映射。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811401163.5A CN109657839B (zh) | 2018-11-22 | 2018-11-22 | 一种基于深度卷积神经网络的风电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811401163.5A CN109657839B (zh) | 2018-11-22 | 2018-11-22 | 一种基于深度卷积神经网络的风电功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109657839A CN109657839A (zh) | 2019-04-19 |
CN109657839B true CN109657839B (zh) | 2023-05-26 |
Family
ID=66112284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811401163.5A Active CN109657839B (zh) | 2018-11-22 | 2018-11-22 | 一种基于深度卷积神经网络的风电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657839B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738477B (zh) * | 2019-08-01 | 2023-11-07 | 北方工业大学 | 基于深层特征组合的电网新能源消纳能力预测方法 |
CN110443725A (zh) * | 2019-08-14 | 2019-11-12 | 国网甘肃省电力公司信息通信公司 | 基于cnn+lstm的风电功率预测模型 |
CN110648014B (zh) * | 2019-08-28 | 2022-04-15 | 山东大学 | 一种基于时空分位数回归的区域风电预测方法及系统 |
CN110782071A (zh) * | 2019-09-25 | 2020-02-11 | 天津大学 | 基于时空特性融合的卷积神经网络进行风电功率预测方法 |
CN110991690B (zh) * | 2019-10-17 | 2023-05-12 | 宁波大学 | 一种基于深度卷积神经网络的多时次风速预测方法 |
CN111798034B (zh) * | 2020-06-10 | 2021-09-07 | 河海大学 | 基于风流场时空图像学习的风电功率预测系统及预测方法 |
CN111798650A (zh) * | 2020-06-22 | 2020-10-20 | 河北新天科创新能源技术有限公司 | 基于多模型组合的风电机组故障预警方法 |
CN112036658B (zh) * | 2020-09-09 | 2022-06-14 | 华东交通大学 | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 |
CN112561288A (zh) * | 2020-12-07 | 2021-03-26 | 东北大学 | 一种采用图像模型的风力发电机运行状态智能辩识方法 |
CN112561174B (zh) * | 2020-12-18 | 2023-05-02 | 西南交通大学 | 基于lstm和mlp的叠加神经网络预测地热产能方法 |
CN113159452B (zh) * | 2021-05-17 | 2022-03-01 | 河北工业大学 | 基于时空相关性的风电集群功率预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104699936A (zh) * | 2014-08-18 | 2015-06-10 | 沈阳工业大学 | 基于cfd短期风速预测风电场的扇区管理方法 |
CN107292514A (zh) * | 2017-06-21 | 2017-10-24 | 华北电力科学研究院有限责任公司 | 风电场生产运行测风塔选址方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682185B (zh) * | 2011-03-10 | 2014-07-09 | 华锐风电科技(集团)股份有限公司 | 单风力发电机的风电功率预测方法 |
CN102880810B (zh) * | 2012-10-25 | 2015-07-15 | 山东电力集团公司电力科学研究院 | 基于时间序列和神经网络法的风电功率预测方法 |
CN106612427B (zh) * | 2016-12-29 | 2018-07-06 | 浙江工商大学 | 一种基于卷积神经网络的时空一致性深度图序列的生成方法 |
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 |
CN108764541B (zh) * | 2018-05-16 | 2021-06-29 | 天津大学 | 一种结合时空特征和误差处理的风能预测方法 |
-
2018
- 2018-11-22 CN CN201811401163.5A patent/CN109657839B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104699936A (zh) * | 2014-08-18 | 2015-06-10 | 沈阳工业大学 | 基于cfd短期风速预测风电场的扇区管理方法 |
CN107292514A (zh) * | 2017-06-21 | 2017-10-24 | 华北电力科学研究院有限责任公司 | 风电场生产运行测风塔选址方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109657839A (zh) | 2019-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657839B (zh) | 一种基于深度卷积神经网络的风电功率预测方法 | |
Yu et al. | Scene learning: Deep convolutional networks for wind power prediction by embedding turbines into grid space | |
Ghaderi et al. | Deep forecast: Deep learning-based spatio-temporal forecasting | |
Shamshirband et al. | A survey of deep learning techniques: application in wind and solar energy resources | |
Wen et al. | Deep learning based multistep solar forecasting for PV ramp-rate control using sky images | |
He et al. | A hybrid system for short-term wind speed forecasting | |
CN109902863B (zh) | 一种基于多因素时空相关性的风速预测方法及装置 | |
CN101793907A (zh) | 一种风电场短期风速预测方法 | |
CN110782071A (zh) | 基于时空特性融合的卷积神经网络进行风电功率预测方法 | |
CN115187154B (zh) | 一种基于神经网络的区域电网振荡源风险预测方法及系统 | |
CN116885691B (zh) | 一种风电功率爬坡事件间接预测方法 | |
CN113112791A (zh) | 一种基于滑动窗口长短时记忆网络的交通流量预测方法 | |
CN114154558A (zh) | 基于图神经网络的分布式能源发电负荷预测系统及方法 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
Wang et al. | PVNet: A novel semantic segmentation model for extracting high-quality photovoltaic panels in large-scale systems from high-resolution remote sensing imagery | |
Tuyen et al. | A combination of novel hybrid deep learning model and quantile regression for short‐term deterministic and probabilistic PV maximum power forecasting | |
Chen et al. | Graph neural network-based wind farm cluster speed prediction | |
CN116307287B (zh) | 一种光伏发电有效时段的预测方法、系统及预测终端 | |
CN115840261A (zh) | 一种台风降水短临预测模型优化及预测方法 | |
Wan et al. | Turbine location wind speed forecast using convolutional neural network | |
CN111798034B (zh) | 基于风流场时空图像学习的风电功率预测系统及预测方法 | |
Li et al. | Complementary Fusion of Deep Spatio-Temporal Network and Tree Model for Wind Power Forecasting (Team: HIK) | |
CN108764514B (zh) | 一种基于并行运算的光伏发电功率预测方法 | |
Kartini et al. | Development hybrid model deep learning neural network (dl-nn) for probabilistic forecasting solar irradiance on solar cells to improve economics value added | |
Chen et al. | Research on Short-term Prediction Algorithm for Distributed Photovoltaic Power in Regional Distribution Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |