CN111091236A - 一种按桨距角分类的多分类深度学习短期风功率预测方法 - Google Patents

Abstract

本发明公开了一种按桨距角分类的多分类深度学习短期风功率预测方法,包括以下步骤：将原始风机数据按桨距角度区间等分划分为四个数据集；对所述的四个数据集分别做皮尔森相关性分析以确定每个数据集中各变量与风功率的相关度；根据每个数据集中变量的相关度，挑选与风功率相关性高的几种变量作为深度神经网络模型的输入，风功率作为输出；将每个数据集按比例划分为训练集和测试集，使用训练集和测试集对所述深度神经网络模型分别进行训练和测试，得出最终的深度神经网络模型。本发明的预测方法克服了现有技术中风功率预测精确度不高的问题。

Description

一种按桨距角分类的多分类深度学习短期风功率预测方法

技术领域

本发明涉及一种按桨距角分类的多分类深度学习短期风功率预测方法。本发明属于风机风功率预测技术领域。

背景技术

风能是一种清洁无污染的新能源，据全球风能理事会(GWEC)统计数据显示，全球风电累计装机能力呈现逐年递增的趋势。

风能具有间歇性和随机性，当风电场大规模接入电网时会对电网带来较大冲击，影响电网运行的可靠性、稳定性和电能质量。要改善风电的随机性变化对电网的冲击，必须对风电场进行实时调度，其前提是对风电场的发电功率进行较为准确的预测。

另外，风电机组运行具有的随机性、间歇性和反调峰特性严重影响了我国风电的大规模并网消纳，导致了严重的弃风问题。风电短期功率预测可以弥补风电不稳定的缺点，有利于电网更加合理地安排调度计划，使得更多的风电得到消纳，有效地缓解弃风问题，因此做好不同运行状态下的风功率短期精准预测是保证发电系统稳定性、经济性、安全性的关键。

目前，风功率短期预测一般有两种方法：物理学方法和机器学习方法。物理学方法主要是根据风电场的地理位置信息和实时气象信息，预测出未来一段时间内的风电场气象数据，从而预测出风电场的输出功率。机器学习方法是根据历史风机数据信息对风电场输出功率进行预测，常用的预测方法有 BP神经网络方法和支持向量机(SVM)方法等，但是普通的机器学习方法难以满足预测精度，而神经网络模型深度学习是机器学习的重要组成部分同时拥有着足够的预测精度，于是采用神经网络深度学习的方法。

发明内容

有鉴于此，本发明提供一种按桨距角分类的在多分类状态下基于神经网络模型深度学习的短期风功率预测方法，本发明方法能够较高精度地预测短期风功率，使得能够有利于电网更加合理地安排调度计划，从而使更多的风电得到消纳，有效地缓解弃风问题，能够有效保证发电系统稳定性、经济性和安全性。

为了实现上述目的，本发明提供的多分类深度学习的短期风功率预测方法包括以下步骤：

步骤A：将原始风机数据按桨距角度区间等分划分为四个数据集；

步骤B：对所述的四个数据集分别做皮尔森相关性分析以确定每个数据集中各变量与风功率的相关度；

步骤C：根据每个数据集中变量的相关度，挑选与风功率相关性高的几种变量作为深度神经网络模型的输入，风功率作为输出；

步骤D：将每个数据集按比例划分为训练集和测试集，使用训练集和测试集对所述深度神经网络模型分别进行训练和测试，得出最终的深度神经网络模型。

优选地，其中所述原始风机数据包括从风场获取的风机功率历史信息，以及包括风速、风向、发电机舱内外温度、偏航角度、桨距角、温度、湿度的特征数据；

在所述步骤A之前依次还包括：

步骤E：对由风机功率历史信息和特征数据构成的数据集进行预处理，去除异常值，以及对缺失值用平均值代替；和

步骤F：对测量数据根据公式(1)进行归一化处理：

公式(1)中：

x_i代表当前选定的数据值，

x_min代表当前选定数据所在维度中的最小值，

x_max代表当前选定数据所在维度中的最大值，

代表当前数据归一化后的值，

i的取值范围在1-1600。

优选地，其中所述桨距角度区间为[0，θ]度，相应的四个数据集指：第一个数据集是桨距角为[0，θ/4]度的情况，第二个数据集是桨距角为[θ/4，θ/2] 度的情况，第三个数据集是桨距角为[θ/2，3θ/4]度的情况，第四个数据集是桨距角为[3θ/4，θ]度的情况，其中0<θ<90。更优选地，10<θ<60。

优选地，其中在所述步骤C中，与风功率相关性高是指与风功率相关度在 0.9以上。

优选地，在所述步骤C中，所述深度神经网络模型是四层全连接层组成的深度神经网络模型，如下式(2)所示：

其中，各参数定义如下：

y_j：第j个神经元的输出；

f：激活函数；

I：前一层神经元与当前层神经元的总连接个数；

w_ij：连接神经元i和神经元j的权重；

x_i：前一层神经元i的输出；

b_j：第j个神经元的偏置。

优选地，在所述步骤D中，训练集和测试集的数据比例为7:3。

优选地，对所述深度神经网络模型的参数进行设定，这些参数包括输入输出变量的种类数，以及第一层全连接层的输出通道数为9、第二层全连接层的输出通道数为10、第三层全连接层的输出通道数为11，初始化深度神经网络需要学习的权重w、b。

优选地，所述权重w和所述偏差b是采用梯度下降法来更新。

优选地，在所述步骤D中，使用训练集对所述深度神经网络模型进行训练的具体操作为：

步骤(1)：初始化神经网络的起始权重和偏置，初始化迭代次数K＝0；

步骤(2)：从训练集中随机抽取一批数据，将原始特征数据和标签分别提取出来，原始特征数据直接输入神经网络；

步骤(3)：原始特征数据输入后，神经网络得到预测输出，再将神经网络的输出与标签做比较，产生误差；

步骤(4)：通过梯度下降算法，对误差求偏导，并反向传播回各个权重和偏置，改变其数值从而不断减小误差；

步骤(5)：K＝K+1，如果K小于最大迭代次数G，则返回步骤1继续执行，如果K大于最大迭代次数G，训练过程结束，此处G＝5000。

本发明方法通过将风功率按桨距角度数等分为四类，实现了较高精度地预测短期风功率，使得能够合理安排发电计划、保证电能质量，从而有利于电网更加合理地安排调度计划，进而使得更多的风电得到消纳，有效地缓解弃风问题，能够有效保证发电系统稳定性、经济性和安全性。

附图说明

附图用于更好地理解本发明，不应当理解为对本发明的限定。其中：

图1为本发明短期风功率预测方法的流程图。

图2为本发明算法流程结构图。

图3为分类预测趋势对比图。

图4为未分类预测趋势对比图。

图5为桨距角度数与测量次数分布图。

图6为深度神经网络模型结构图。

具体实施方式

为了使本发明的目的、技术方案以及优势更加清晰，下面结合附图、定义和具体实施例对本发明做进一步详细说明。此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明中所提到的桨距角是指叶片弦长与旋转平面的夹角，在风速低于额定风速时，桨距角为0度；风速高于额定风速时，风速越大桨距角也越大，但是如果风速过大就会导致风机停机保护，例如叶片刹车。风电场中，风机的最大桨距角为90度，本发明中提到的桨距角度区间选自0-90度的以0为起始点的区间，例如桨距角度区间可为0-16度、0-20度、0-36度、0-44度等。桨距角区度间的上限取决于风场的运行情况，在确定桨距角度区间上限时，可根据风电机组一年内桨距角度数变化进行绘图，找到桨距角度数明显的分界线或拐点，来作为该电场的桨距角度区间的上限。如图5，为本发明实施例检测的风电场内一台风机的桨距角度数与测量次数分布图，此图中横坐标为规定时间内测量的具体某次数，纵坐标为桨距角的度数，从此图可以看出桨距角小于等于20度时占比为5/6，大于20度时占比为1/6，并且在20度到 90度之间出现的次数所占比例非常小，90度会出现停机情况，所以不在考虑范围，在桨距角度数为20度时可以找到桨距角度数明显的拐点，所以本实施例中采用20度为桨距角度区间上限。在其他风电场中，可以采用一季度或者一年的风机数据绘制桨距角度数与测量次数分布图，图中桨距角在90度之前曲线有明显的拐点，以此拐点对应的桨距角度数作为桨距角度区间的上限。

本实施例流程如图2所示，具体如下：

从风场获取风机历史信息，以及包括风功率、电压、电流、电网频率、功率因子、风轮转速、桨距角、发电机转速、发电机定子温度、冷却风扇进出口温度、风速、风向、发电机舱内外温度、偏航角度、桨距角、温度、湿度等构成的特征数据。对这些数据进行预处理，去除数据表中存在的异常值，并补全数据表中缺失的数据，用前后两分钟内的风功率平均值代替原有部分的缺失值；对数据进行归一化处理，得到数值在(0,1)的特征矩阵。将获取的原始风机数据进行划分，按桨距角0-5度、5-10度、10-15度、15-20度分为四个数据集。将按桨距角度等分划分的每一个数据集进行皮尔森相关性分析，选取与风功率相关性在0.9以上的变量作为输入，风功率作为输出，具体输入的变量有风速、风向、发电机舱内外温度、以及偏航角度。每个数据集划分为训练集和测试集，其中训练集与测试集数据比例为7∶3，数据集共 1600组数据，训练集为1120组数据，测试集为480组数据。

搭建四层由全连接层组成的深度神经网络模型DNN，DNN模型包含三种结构：输入层、隐含层和输出层，与传统前馈网络的最大的区别是该网络 X＝[x₁,x₂,···x_m]为多隐含层结构。图6中X为DNN模型的输入，它是具有m维的列向量。输入层的激活函数采用线性恒等函数，输入向量通过输入层经恒等变换将输入量输入第一层隐含层，(w_i,b_i)表示第l-1层隐含层与第l层隐含层之间的权重参量与阈值参量。DNN模型中每个隐含层从它前一层获取输入，利用该层自身的激活函数对其进行非线性变换，再把得到的数据作为输出传给下一层神经元，逐层往复迭代，最终传递给网络的输出y。DNN模型的数学描述如下：经过严格数据分析后整理而来的初始输入向量经输入层进入第一层隐含层，第一层隐含层的输出描述为式(3)：

R₁＝f(W·X+B₁) (3)

式中，R₁表示第一层隐含层输出矩阵；W和B₁分别为输入层与第一层隐含层之间的权重参量和阈值参量；X为原始输入，f为激活函数。

深度神经网络模型DNN具体参数和计算如式(4)所示：

式中，r_1,p表示R₁中的第p个元素；w_1,p,i表示输入层至第一层隐含层权重矩阵中第p行第i个元素，b_1,p表示输入层至第一层隐含层阈值向量中对应的第p个阈值。则R₁中每一个元素都是原始输入X经过激活函数f经过非线性变换得到的。

将本层网络的输出向量作为下层网络的输入可以推出DNN模型中第l (0＜l≤n，l∈Z)层隐含层输出R_l，如式(5)所示：

R_l＝f(W_l·R_l-1+B_l) (5)

其中，W_l、B_l表示第l-1层隐含层与输出层之间的权重矩阵和阈值矩阵。第l层隐含层输出向量R₁中的每一个元素r_l,p，如式(6)所示：

其中，w_l,p,i、b_1,p分别表示第l-1层隐含层与第l层隐含层之间的权重矩阵中第p行第i个元素和阈值向量中的第p个元素。输入向量经输入层传递到隐含层，再经以上多层的学习训练，最终传递到网络的输出层，得到结果 y，如式(7)所示：

y＝g(W_n+1·R_n+B_n+1) (7)

其中，W_n+1、B_n+1表示第n层隐含层与输出层之间的权重矩阵和阈值矩阵；

g(x)为DNN模型输出层的非线性激活函数。激活函数具备对各层输入量进行非线性变换的功能，对神经网络的寻优性能至关重要。DNN模型的隐含层激活函数f(x)和输出层激活函数g(x)统一采用sigmoid函数，如公式(8) 所示：

本实施例中，DNN模型中学习率α设置为0.007，衰减速率ρ设置为0.9。

根据5种不同方法(BP LSSVM DNN LSTM ELM)的预测结果与数据真实值进行绘图。计算模型内的误差(MAE MAPE RMSE)，对比分类后的风功率预测值与未分类的风功率预测值，并绘制图像。

表1分类预测误差表

表2未分类预测误差表

方法误差	MAE	MAPE	RMSE
				DNN	141.748	0.02284	203.638
LSSVM	159.153	0.11639	210.865
				BP	150.017	0.21610	451.540
LSTM	151.004	0.10421	467.318
				ELM	216.099	0.35295	584.642

从表1可以看出在四种桨距角分类情况中，DNN模型明显优于其他四种方法，图3和图4更直观地看出每种模型预测功率的误差。

从表2可以看出，按桨距角分类的预测误差显著低于未分类的预测误差。

结果表明，本发明按桨距角分类的在多分类状态下基于深度学习的风功率预测方法能够较高精度地预测短期风功率。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种多分类深度学习的短期风功率预测方法，包括以下步骤：

步骤A：将原始风机数据按桨距角度区间等分划分为四个数据集；

步骤B：对所述的四个数据集分别做皮尔森相关性分析以确定每个数据集中各变量与风功率的相关度；

步骤C：根据每个数据集中变量的相关度，挑选与风功率相关性高的几种变量作为深度神经网络模型的输入，风功率作为输出；

步骤D：将每个数据集按比例划分为训练集和测试集，使用训练集和测试集对所述深度神经网络模型分别进行训练和测试，得出最终的深度神经网络模型。

2.根据权利要求1所述的方法，其中所述原始风机数据包括从风场获取的风机功率历史信息，以及包括风速、风向、发电机舱内外温度、偏航角度、桨距角、温度、湿度的特征数据；

在所述步骤A之前依次还包括：

步骤E：对由风机功率历史信息和特征数据构成的数据集进行预处理，去除异常值，以及对缺失值用平均值代替；

步骤F：对测量数据根据公式(1)进行归一化处理：

在公式(1)中：

x_i代表当前选定的数据值，

x_min代表当前选定数据所在维度中的最小值，

x_max代表当前选定数据所在维度中的最大值，

代表当前数据归一化后的值，

i的取值范围在1-1600。

3.根据权利要求1所述的方法，其中所述桨距角度区间为[0，θ]度，相应的四个数据集指：第一个数据集是桨距角为[0，θ/4]度的情况，第二个数据集是桨距角为[θ/4，θ/2]度的情况，第三个数据集是桨距角为[θ/2，3θ/4]度的情况，第四个数据集是桨距角为[3θ/4，θ]度的情况，其中0＜θ＜90。

4.根据权利要求3所述的方法，其中10＜θ＜60。

5.根据权利要求1或2所述的方法，其中在所述步骤C中，与风功率相关性高是指与风功率相关度在0.9以上。

6.根据权利要求1或2所述的方法，其中在所述步骤C中，所述深度神经网络模型是四层全连接层组成的深度神经网络模型，如下式(2)所示：

其中，各参数定义如下：

y_j：第j个神经元的输出；

f：激活函数；

I：前一层神经元与当前层神经元的总连接个数；

w_ij：连接神经元i和神经元j的权重；

x_i：前一层神经元i的输出；

b_j：第j个神经元的偏置。

7.根据权利要求6所述的方法，其中对所述深度神经网络模型的参数进行设定，这些参数包括输入输出变量的个数，以及第一层全连接层的输出通道数为9、第二层全连接层的输出通道数为10、第三层全连接层的输出通道数为11，初始化深度神经网络需要学习的权重w、b。

8.根据权利要求6所述的方法，其中所述权重w和所述偏差b是采用梯度下降法来更新。

9.根据权利要求1或2所述的方法，其中在所述步骤D中，训练集和测试集的数据比例为7∶3。

10.根据权利要求1或2所述的方法，在所述步骤D中，使用训练集对所述深度神经网络模型进行训练的具体操作为：

步骤(1)：初始化神经网络的起始权重和偏置，初始化迭代次数K＝0；

步骤(2)：从训练集中随机抽取一批数据，将原始特征数据和标签分别提取出来，原始特征数据直接输入神经网络；

步骤(3)：原始特征数据输入后，神经网络得到预测输出，再将神经网络的输出与标签做比较，产生误差；

步骤(4)：通过梯度下降算法，对误差求偏导，并反向传播回各个权重和偏置，改变其数值从而不断减小误差；

步骤(5)：K＝K+1，如果K小于最大迭代次数G，则返回步骤1继续执行，如果K大于最大迭代次数G，训练过程结束，此处G＝5000。

Images