CN111130110A - 一种基于递归神经网络的长短期记忆模型来预测风力发电的系统模型 - Google Patents
一种基于递归神经网络的长短期记忆模型来预测风力发电的系统模型 Download PDFInfo
- Publication number
- CN111130110A CN111130110A CN202010108778.XA CN202010108778A CN111130110A CN 111130110 A CN111130110 A CN 111130110A CN 202010108778 A CN202010108778 A CN 202010108778A CN 111130110 A CN111130110 A CN 111130110A
- Authority
- CN
- China
- Prior art keywords
- wind
- power generation
- model
- wind power
- hours
- 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.)
- Pending
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 31
- 230000006403 short-term memory Effects 0.000 title claims abstract description 10
- 230000007787 long-term memory Effects 0.000 title claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 title abstract description 8
- 230000000306 recurrent effect Effects 0.000 title abstract description 7
- 230000015654 memory Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 2
- 230000001932 seasonal effect Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 10
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 238000013507 mapping Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
与常规电源不同，风力发电几乎完全取决于实时的天气条件，随机变化的天气导致风力发电具有波动性，间接性，随机性的特点。由于电力系统的发电，输电，用电需要实时保持平衡，风力发电等新能源的大规模并网将给电网运行带来越来越大的压力。综上所述，随着风力发电在电力系统中的占比不断加大，风力发电预测的重要性将愈来愈突显，预测结果越准确就越能使电力系统运行效率和稳定性极大增加。本发明提出了一种基于历史天气数据和预测数据,和历史风力数据进而预测风力发电的系统和方法。本方法基于一种基于递归神经网络的长短期记忆模型来预测风力发电的系统模型可以极大的提高预测准确度。
Description
技术领域
本发明涉及风力发电领域，具体涉及一种基于递归神经网络的长短期记忆模型来预测风力发电的方法。
背景技术
随着新能源发电在世界各国的开展，风能发电由于其具有比传统能源发电更加清洁环保，以及取之不尽用之不竭的特点，是目前世界上首选的可再生能源发电模式。目前，国内外关于风力发电的研究越来越深入，但其中关于研究风速预测和风力发电功率预测方法，仍然没有达到令人满意的程度。由于风能发电具有随机波动的特点，尤其是大规模风电入网会对系统的电能质量，诸如线路的潮流，无功补偿，电压和频率带来很多不利影响。
目前从大的研究方向来说，风电场功率预测模型可以分为三类：1）物理预测模型；2）统计预测模型；3）组合预测模型。
1）物理预测模型是基于数值天气预报(NWP)的预测模型。数值天气预报是指根据大气实际情况，在一定的初值和边界条件下，预测未来一定时段的大气运动状态和天气现象的方法。物理预测模型一般建模步凑: 首先利用数值天气预报 (NWP) 系统得到风电场的风速，风向，气温，气压等天气信息，然后根据风电场的物理和地理信息，在充分考虑风电机组群聚集效应的基础上，得到每个风力发电机组高度处的天气信息，再使用单个风机的功率曲线计算计算出风电机组的输出功率。物理预测模型的关键是准确地得到风电机组在高度处的天气信息。物理预测模型的优点是不需要大量的历史数据，只需要从实时的数据出发进行预测，是新建风电场的首选预测模型。然而，这也带来了许多新的问题，如如何实现数据的高精度采集和实时快速传输等，这些都对数据采集装置和数据传输网络提出了很高的要求。并且物理预测模型的建模过程比较复杂，在一定程度上降低了预测精度。
2）统计预测模型的实质是在输入（历史数据，天气预测信息等）和输出（风电场功率）之间建立一种映射模型。然后应对这个模型进行预测。目前的统计预测模型主要有:有自回归模型，时间序列模型，灰色模型，数据挖掘模型，人工神经网络模型，支持向量机模型等等。统计模型的一般步凑包括: 建立历史数据学习映射模型。选取合适的输入输出建立相关映射预测模型。进行检验。对第一步建立的映射进行检验。检验结果（误差大小）满意模型用来预测，不满意则进行再学习。进行预测。把检验结果满意的映射用来对风电场功率的预测研究。相对于物理模型来说，统计预测模型建模相对提高了预测精度，但是统计预测模型需要大量的历史数据，而且由于风速，风向等气象数据具有随机性。因此统计预测模型的预测时间尺度比物理预测模型小。
3）组合预测模型是将两种以上的单一预测进行综合考虑。利用每种单一预测模型的有点来获得全局最优的预测性能。基于物理模型和统计模型的组合预测模型建模方法如: 使用NWP系统得到风电场的天气预报信息，并对信息根据风电场物理地理信息，群聚效益进行相应处理。得到所需要的数据，把数据输入经过历史数据学习简历的满意映射中，预测风电场功率。
而本发明提出了一种统计预测模型，基于递归神经网络的长短期记忆模型来预测风力发电的系统模型。
发明内容
本发明提出了一种基于历史天气数据和预测数据, 和历史风力数据进而预测风力发电的系统和方法。本方法基于一种基于递归神经网络的长短期记忆模型来预测风力发电的系统模型可以极大的提高预测准确度。
附图说明
图1为本发明实施中预测模型的流程图。
图2为本发明实施中样本风力发电出力曲线图。
图3为本发明实施中搭建的长短期记忆模型的单元格。
图4 为本发明实施中使用24*7小时作为时间步长的长短期记忆模型图。
图5为本发明实施中历史实际风电出力和预测风电出力的曲线图。
具体实施方式
步骤一、通过测量或取得历史数据的方式， 获得该区域的历史数据包括连续一年以上的纬向风分量，经向风分量，风速和风向, 以及历史风力发电, 其中所述历史数据的时间分辨点为1小时，样本风力发电出力曲线图如图2所示。
步骤二、数据准备：
， 
表示用来预测风力发电的输入数据，包括分别
为, 季节变量(一月之前/之后的月数, 四月之前/之后的月数), 时天变量(凌晨3点（之
前/之后）的小时数, 凌晨6点（之前/之后）的小时数, 上午9点（之前/之后）的小时数), 最
新的风速预测值，每小时所有风预测的纬向风分量平均值，每小时所有风预测的经向风分
量平均值，每小时所有风预测的风速平均值，每小时所有风预测的纬向风分量方差，每小时
所有风预测的经向风分量方差，每小时所有风预测的风速方差，前8小时最新风预测的纬向
风分量值平均值，前8小时最新风预测的纬向风分量值方差，前8小时最新风预测的纬向风
分量值平均值，前8小时最新风预测的纬向风分量值方差，前8小时最新风预测的风速平均
值，前8小时最新风预测的风速方差。 
表示风力发电值，也就是实际值, 
表示数据量。
步骤三、搭建长短期记忆模型，其中单元格如图3表示，
其中, 
为输入量， 
为预测量， 
为隐藏信息量，以及 
为信息记忆量。
步骤四、
为忘记门，作用在于选择是否忘记过去的某些信息：
步骤五、
为候选值,其包含来自当前的信息，该信息可以存储在当前单元格
状态中 
，它的值取决于更新门：
步骤六、
为更新门：作用在于决定
是否存储到
：
步骤七、
为记忆空间, 这部分内容将传导到下一个模型单元：
步骤八、
为输出门：
步骤九、
为隐藏单元，它的值将传递给下一个单元，
最后为 
预测值。
步骤十、 模型的时间步长定义了希望模型看到的多少时间单位。在本发明的模型中，我们选取了24*7小时作为时间步长，即，调查一周的数据来以预测下一个时段的风电出力，t 为 168，具体模型如图4所示。
步骤十一、在模型训练中，由于如果使用非常小的批次样本数会提高训练速度，但是为降低模型的归纳能力。而另一方面，使用大的批处样本数会使得模型归纳到不同数据的能力，但是会导致运算负担加重，并且还会占用更多内存，所以模型训练的样本数一次性选取100个，也就是每一百个训练样本更新一次权重值。
步骤十二、输出预测结果，结果如图5展示。
本发明通过基于递归神经网络的长短期记忆模型来预测风电发电的系统模型,考虑多种数据自变量。为综合应用新能源发电，保障整体电网用电平稳安全，提供了一套得到有效预测数据的系统。
Claims (10)
1.步骤一、通过测量或取得历史数据的方式， 获得该区域的历史数据包括连续一年以上的纬向风分量，经向风分量，风速和风向, 以及历史风力发电, 其中所述历史数据的时间分辨点为1小时，样本风力发电出力曲线图如图2所示。
2.步骤二、数据准备：
， 
表示用来预测风力发电的输入数据，包括分别为,
季节变量(一月之前/之后的月数, 四月之前/之后的月数), 时天变量(凌晨3点（之前/之
后）的小时数, 凌晨6点（之前/之后）的小时数, 上午9点（之前/之后）的小时数), 最新的
风速预测值，每小时所有风预测的纬向风分量平均值，每小时所有风预测的经向风分量平
均值，每小时所有风预测的风速平均值，每小时所有风预测的纬向风分量方差，每小时所有
风预测的经向风分量方差，每小时所有风预测的风速方差，前8小时最新风预测的纬向风分
量值平均值，前8小时最新风预测的纬向风分量值方差，前8小时最新风预测的纬向风分量
值平均值，前8小时最新风预测的纬向风分量值方差，前8小时最新风预测的风速平均值，前
8小时最新风预测的风速方差， 
表示风力发电值，也就是实际值, 
表示数据量。
3.步骤三、搭建长短期记忆模型，其中单元格如图3表示，其中, 
为输入量， 
为预
测量， 
为隐藏信息量，以及 
为信息记忆量。
4.步骤四、
为忘记门，作用在于选择是否忘记过去的某些信息：
5. 步骤五、
为候选值,其包含来自当前的信息，该信息可以存储在当前单元格状态
中 
，它的值取决于更新门：
6.步骤六、
为更新门：作用在于决定 
是否存储到 
：
7. 步骤七、
为记忆空间, 这部分内容将传导到下一个模型单元：
8. 步骤八、
为输出门：
9.步骤九、
为隐藏单元，它的值将传递给下一个单元，
最后为 
预测值。
10.步骤十、 模型的时间步长定义了希望模型看到的多少时间单位，
在本发明的模型中，我们选取了24*7小时作为时间步长，即，调查一周的数据来以预测下一个时段的风电出力，t 为 168，具体模型如图4所示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010108778.XA CN111130110A (zh) | 2020-02-21 | 2020-02-21 | 一种基于递归神经网络的长短期记忆模型来预测风力发电的系统模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010108778.XA CN111130110A (zh) | 2020-02-21 | 2020-02-21 | 一种基于递归神经网络的长短期记忆模型来预测风力发电的系统模型 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111130110A true CN111130110A (zh) | 2020-05-08 |
Family
ID=70492673
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010108778.XA Pending CN111130110A (zh) | 2020-02-21 | 2020-02-21 | 一种基于递归神经网络的长短期记忆模型来预测风力发电的系统模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111130110A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108830487A (zh) * | 2018-06-21 | 2018-11-16 | 王芊霖 | 基于长短时神经网络的电力负荷预测方法 |
| CN109214566A (zh) * | 2018-08-30 | 2019-01-15 | 华北水利水电大学 | 基于长短期记忆网络的风电功率短期预测方法 |
| CN109242143A (zh) * | 2018-07-31 | 2019-01-18 | 中国电力科学研究院有限公司 | 一种神经网络风电功率预测方法及系统 |
-
2020
- 2020-02-21 CN CN202010108778.XA patent/CN111130110A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108830487A (zh) * | 2018-06-21 | 2018-11-16 | 王芊霖 | 基于长短时神经网络的电力负荷预测方法 |
| CN109242143A (zh) * | 2018-07-31 | 2019-01-18 | 中国电力科学研究院有限公司 | 一种神经网络风电功率预测方法及系统 |
| CN109214566A (zh) * | 2018-08-30 | 2019-01-15 | 华北水利水电大学 | 基于长短期记忆网络的风电功率短期预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110880789B (zh) | 一种风电、光伏联合发电系统经济调度方法 | |
| CN113326969B (zh) | 基于改进的鲸鱼优化算法及elm的短期风速预测方法及系统 | |
| Ye et al. | Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning | |
| CN110601250B (zh) | 一种基于新能源电站接入点静态电压稳定性评估方法 | |
| CN112257941A (zh) | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 | |
| CN108388962A (zh) | 一种风电功率预测系统及方法 | |
| CN106446440A (zh) | 基于在线贯序极限学习机的短期光伏发电功率预测方法 | |
| CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
| CN111695724A (zh) | 一种基于混合神经网络模型的风速预测方法 | |
| CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
| CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
| CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
| CN114091317A (zh) | 基于nwp辐照度修正和误差预测的光伏电站功率预测方法 | |
| Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
| CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
| CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
| CN113991711B (zh) | 一种光伏电站储能系统容量配置方法 | |
| CN110991747A (zh) | 一种计及风电场功率的短期负荷预测方法 | |
| Bamisile et al. | Long-term prediction of solar radiation using XGboost, LSTM, and machine learning algorithms | |
| Cao et al. | Development of short-term wind power forecasting methods | |
| CN113344252A (zh) | 一种基于虚拟气象技术的风功率预测方法 | |
| CN112580899A (zh) | 一种融合机器学习模型的中长期风力发电预测方法及系统 | |
| CN117236720A (zh) | 利用多气象因子特征的光伏电站发电功率预测方法 | |
| CN115640916B (zh) | 分布式电源出力和多能负荷态势感知方法及系统 | |
| Song et al. | Design and development of BP neural network-based wind power prediction system of Dechang Wind Farm |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200508 |