CN111475909B - 一种基于长短期记忆网络的风电机组出力相关性映射建模方法 - Google Patents

Abstract

本发明公开了一种基于长短期记忆网络的风电机组出力相关性映射建模方法，包括以下步骤：步骤一：采集风电场各机组点位处的实测风速数据、实测风向数据、实测功率数据，并对上述数据进行清洗与预处理；步骤二：建立基于长短期记忆网络的多点位风况信息与机组间功率序列相关性的映射模型，步骤三：以指定时间尺度的多机组点位实测风速序列数据、实测风向序列数据作为模型输入，以均方根误差函数指标训练神经网络模型，输出映射结果。本发明可以为大规模风电出力平滑效应的研究提供重要的输入参数，为不同风况下大规模风电并网分析与控制提供了统计学意义上的基础模型参考。

Description

一种基于长短期记忆网络的风电机组出力相关性映射建模 方法

技术领域

本发明专利属于新能源发电技术领域，尤其涉及一种基于长短期记忆网络的风电机组出力相关性映射建模方法。

背景技术

随着风电的日益普及，大规模的风电并网已成为趋势，风电的波动性等特点使其并网后会给电力系统中的调峰、无功功率的控制和电压的控制带来一系列难题，于是风电出力特性的分析成为解决这些难题的基础。平滑效应为大规模风电出力的一个突出特性，即风资源的分布性导致大规模风电总体出力波动性相较于个体波动性按比例扩大有削弱趋势。风电机组出力相关性定义为地理上毗邻的风电机组出力峰谷变化在时间上趋于一致的程度。当两台风电机组功率序列相关性较低时，两者局部起到一定相位差起到“削峰填谷”的作用，中和了波动性叠加效果。当两台风电机组功率序列相关性较高时，两者会出现整体幅值相当且相位差很小的情况，使总体出力呈现大涨大落的态势，从而增强了总体出力的波动。因此平滑效应与出力相关性是大规模风电波动特性对立统一的两个方面，风电出力相关性越强，则平滑效应越差，反之平滑效应越好，研究风电机组出力相关性规律并对其进行建模对平滑大规模风电出力波动、指导电网运行和技术改进具有重大意义。国内外现有的研究从时域和频域的角度描述风电出力相关性的变化趋势并对其进行建模，缺少从根源上即风速分布的角度研究风电出力相关性规律。

发明内容

(一)要解决的技术问题

为了克服现有技术不足，现提出一种基于长短期记忆网络的风电机组出力相关性映射建模方法，本发明提出可以较准确的描述风况信息与风电机组出力相关性间关系的方法，通过深度学习的非线性模型模拟风电场流场场景，构造风况与风电机组出力相关性的映射模型，为大规模风电出力平滑效应的研究提供重要的输入参数。

(二)技术方案

本发明通过如下技术方案实现：1.一种基于长短期记忆网络的风电机组出力相关性映射建模方法，其特征在于，包括以下步骤：步骤一：采集风电场各机组点位处的实测风速数据、实测风向数据、实测功率数据，并对上述数据进行清洗与预处理；

步骤二：建立基于长短期记忆网络的多点位风况信息与机组间功率序列相关性的映射模型，根据指定时间段内的时刻数与风电场聚合特性建模机组台数对长短期记忆网络的相应参数进行设置；

步骤三：以指定时间尺度的多机组点位实测风速序列数据、实测风向序列数据作为模型输入，以机组两两之间的出力相关性系数作为输出，构成模型训练样本，以均方根误差函数指标训练神经网络模型，输出映射结果。

进一步地，在步骤一中对数据的清洗主要包括以下步骤：第一，去除异常数据；第二，合理填补缺失数据；第三，去除限电数据。

进一步地，在步骤一中其中对数据的预处理主要包括：第一，将各类数据按照指定的时间尺度滚动截取并按起止时间对齐作为样本；第二对数据进行归一化处理；第三，将样本划分为训练样本和测试样本；

其中数据归一化采用如下公式：

式中x_max为原始数据的最大值，x_min为原始数据的最小值。

进一步地，步骤二中在长短期记忆网络中，每个神经元相当于一个记忆细胞，在出力相关性映射模型中，需要基于一段时间内包含风速及风向时间序列的风况数据映射该时段内的风电机组间的出力相关性系数，在这个问题中，细胞状态包含了风电场风况的大致属性特征，当输入新时刻的风况数据，就会希望忘记比较旧的风况信息，从细胞中丢弃旧的信息，这个决定通过遗忘门层来完成，计算过程如下式(2)：

f_t＝σ(W_f·[h_t-1,x_t]+b_f) (2)

式中σ(x)表示sigmoid激活函数，W_f表示遗忘门层权重，b_f表示遗忘门层偏置项，h_t-1为t_-1时刻输出向量，x_t为t时刻输入向量，f_t为t时刻遗忘程度权值，代表对上一时间点细胞状态的遗忘程度，1表示完全保留，0表示完全遗忘。

进一步地，在步骤二中确定存储在细胞状态中的新信息，这个过程分为两个部分；首先，同样是以t_-1时刻输出向量h_t-1和t时刻输入向量x_t为输入，通过称为输入门层的sigmoid层，以决定t时刻更新值i_t；然后tanh层创建一个新的候选值向量

会被加入到状态中；计算过程见下式(3)、(4)：

i_t＝σ(W_c·[h_t-1,x_t]+b_c) (3)

式中，σ(x)表示sigmoid激活函数，tanh(x)表示tanh激活函数，Wc表示输入门层权重，bc表示输入门层偏置项，h_t-1为t-1时刻输出向量，x_t为t时刻输入向量，i_t为t时刻更新值，

为t时刻新的候选值向量；

下式(5)为更新细胞状态，以丢弃对当前风速分布特征影响弱小的历史时刻的风速分布信息；

式中，*表示向量元素乘积运算，C_t为t时刻细胞状态，C_t-1为t-1时刻细胞状态，f_t为t时刻遗忘程度权值，i_t为t时刻更新值，

为t时刻新的候选值向量；

最后，输出值基于当前的细胞状态,首先以t-1时刻输出向量h_t-1和t时刻输入向量x_t为输入，通过sigmoid层以得到帮助决定t时刻细胞状态输出部分的o_t；接着，令t时刻细胞状态C4.根据权利要求3所述的基于长短期记忆网络的风电机组出力相关性映射建模方法，其特征在于：通过tanh层以得到一个位于-1和1之间的值，并将它和sigmoid层的输出ot相乘，得到t时刻的输出h_t，即为包含各时刻各风电机组处风况信息的多维特征向量；其计算公式如下式(6)、(7)：

o_t＝σ(W_o·[h_t-1,x_t]+b_o) (6)

h_t＝o_t tanh(C_t) (7)

式中，σ(x)表示sigmoid激活函数，tanh(x)表示tanh激活函数，Wo表示输出门层权重，bo表示输出门层偏置项；

搭建的模型将各机组点位处指定时间尺度的风速风向序列分别通过长短期记忆网络，再将各输出结果一起输入到全连接层，最后输出机组两两间的出力相关性系数。

进一步地，步骤三中其中机组两两间的出力相关性系数计算公式为：

其中σ_xy是指两个数据序列X和Y的协方差，σ_x、σ_y分别为X和Y各自的方差，

分别为序列X、Y的均值，X_i、Y_i分别为序列X、Y第i个数的值。

本发明相对于现有技术，具有以下有益效果：本发明提出的基于长短期记忆网络的风电机组出力相关性映射建模方法可以通过风况信息映射风电机组出力相关性，风电机组间出力相关性分析在平滑风电波动中起关键作用，从而可以为大规模风电出力平滑效应的研究提供重要的输入参数，为不同风况下大规模风电并网分析与控制提供了统计学意义上的基础模型参考。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为长短期记忆网络基本结构；

图2为基于长短期记忆网络的出力相关性映射模型结构。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

以中国北方某风电场中5台风电机组的实测风速数据、实测风向数据、实测功率数据作为测试算例，该算例采集了1年的实测风速数据、实测风向数据、实测功率数据，数据采样间隔为10分钟，对5台机组间的出力相关性进行建模。

步骤一：采集风电场各机组点位处的实测风速数据、实测风向数据、实测功率数据，并对上述数据进行清洗与预处理；对数据的清洗主要包括：1.去除异常数据；2.合理填补缺失数据；3.去除限电数据。对数据的预处理主要包括：1.将各类数据按照4小时时间尺度滚动截取并按起止时间对齐作为样本；2.对数据进行归一化处理；3.将样本划分为训练样本和测试样本，选取每个月前70％数据的集合作为训练样本，每个月后30％数据的集合作为测试样本。

其中数据归一化采用如下公式：

式中xmax为原始数据的最大值，xmin为原始数据的最小值。

步骤二：建立基于长短期记忆网络的多点位风况信息与机组间功率序列相关性的映射模型，根据指定时间段内的时刻数与风电场聚合特性建模机组台数对长短期记忆网络的相应参数进行设置；

在长短期记忆网络中，每个神经元相当于一个记忆细胞，其基本结构如图1。

其中，图1中的xt为t时刻输入向量，ht为t时刻输出向量，Ct是t时刻长短期记忆细胞的状态。Input Gate为“输入门”，用于决定增加到细胞状态的信息；Forget Gate为“遗忘门”，用于决定从细胞状态中删减的信息；Output Gate为“输出门”，用于决定从细胞状态中输出的信息。

在出力相关性映射模型中，需要基于一段时间内包含风速及风向时间序列的风况数据映射该时段内的风电机组间的出力相关性系数，在这个问题中，细胞状态包含了风电场风况的大致属性特征，当输入新时刻的风况数据，就会希望忘记比较旧的风况信息，从细胞中丢弃旧的信息，这个决定通过遗忘门层来完成，计算过程如下式(2)：

f_t＝σ(W_f·[h_t-1,x_t]+b_f) (2)

式中σ(x)表示sigmoid激活函数，Wf表示遗忘门层权重，bf表示遗忘门层偏置项，ht-1为t-1时刻输出向量，xt为t时刻输入向量，ft为t时刻遗忘程度权值，代表对上一时间点细胞状态的遗忘程度，1表示完全保留，0表示完全遗忘。

下一步确定存储在细胞状态中的新信息。这个过程分为两个部分。首先，同样是以t-1时刻输出向量ht-1和t时刻输入向量xt为输入，通过称为输入门层的sigmoid层，以决定t时刻更新值it。然后tanh层创建一个新的候选值向量

会被加入到状态中。计算过程见下式(3)、(4)：

i_t＝σ(W_c·[h_t-1,x_t]+b_c) (3)

式中，σ(x)表示sigmoid激活函数，tanh(x)表示tanh激活函数，Wc表示输入门层权重，bc表示输入门层偏置项，ht-1为t-1时刻输出向量，xt为t时刻输入向量，it为t时刻更新值，

为t时刻新的候选值向量。

下式(5)为更新细胞状态，以丢弃对当前风速分布特征影响弱小的历史时刻的风速分布信息。

式中，*表示向量元素乘积运算，Ct为t时刻细胞状态，Ct-1为t-1时刻细胞状态，ft为t时刻遗忘程度权值，it为t时刻更新值，

为t时刻新的候选值向量。

最后，输出值基于当前的细胞状态,首先以t-1时刻输出向量ht-1和t时刻输入向量xt为输入，通过sigmoid层以得到帮助决定t时刻细胞状态输出部分的ot。接着，令t时刻细胞状态Ct通过tanh层以得到一个位于-1和1之间的值，并将它和sigmoid层的输出ot相乘，得到t时刻的输出ht，即为包含各时刻各风电机组处风况信息的多维特征向量。其计算公式如下式(6)、(7)：

o_t＝σ(W_o·[h_t-1,x_t]+b_o) (6)

h_t＝o_t tanh(C_t) (7)

式中，σ(x)表示sigmoid激活函数，tanh(x)表示tanh激活函数，Wo表示输出门层权重，bo表示输出门层偏置项。

本方案基于长短期记忆网络的出力相关性映射模型结构如图2所示。

图2中搭建的模型将各机组点位处指定时间尺度的风速风向序列分别通过长短期记忆网络，再将各输出结果一起输入到全连接层，最后输出机组两两间的出力相关性系数。

基于长短期记忆网络的出力相关性映射模型网络结构参数见表1。

表1基于长短期记忆网络的出力相关性映射模型网络结构参数

编号	网络层	单元数目	输出形状
				1	输入层		(5,24,2)
2	LSTM层	80	(5,80)
				3	展平层		(1,400)
4	批次规范层1		(1,400)
				5	全连接层1	200	(1,200)
6	批次规范层2		(1,200)
				7	全连接层2	80	(1,80)
8	批次规范层3		(1,80)
				9	全连接层3	20	(1,20)
10	全连接层4	10	(1,10)

步骤三：以指定时间尺度的多机组点位实测风速序列数据、实测风向序列数据作为模型输入，以机组两两之间的出力相关性系数作为输出，构成模型训练样本，以均方根误差函数指标训练神经网络模型，输出映射结果。其中机组两两间的出力相关性系数计算公式为：

其中σ_xy是指两个数据序列X和Y的协方差，σ_x、σ_y分别为X和Y各自的方差，

分别为序列X、Y的均值，X_i、Y_i分别为序列X、Y第i个数的值。

经过训练与预测，在测试集上长短期记忆网络模型映射结果与真实机组出力相关性系数的误差如表2。

表2长短期记忆网络模型映射结果与真实机组出力相关性系数的误差

Claims (7)

1.一种基于长短期记忆网络的风电机组出力相关性映射建模方法，其特征在于，包括以下步骤：步骤一：采集风电场各机组点位处的实测风速数据、实测风向数据、实测功率数据，并对上述数据进行清洗与预处理；

步骤二：建立基于长短期记忆网络的多点位风况信息与机组间功率序列相关性的映射模型，根据指定时间段内的时刻数与风电场聚合特性建模机组台数对长短期记忆网络的相应参数进行设置；

步骤三：以指定时间尺度的多机组点位实测风速序列数据、实测风向序列数据作为模型输入，以机组两两之间的出力相关性系数作为输出，构成模型训练样本，以均方根误差函数指标训练神经网络模型，输出映射结果。

2.根据权利要求1所述的基于长短期记忆网络的风电机组出力相关性映射建模方法，其特征在于：在步骤一中对数据的清洗主要包括以下步骤：第一，去除异常数据；第二，合理填补缺失数据；第三，去除限电数据。

3.根据权利要求1所述的基于长短期记忆网络的风电机组出力相关性映射建模方法，其特征在于：在步骤一中其中对数据的预处理主要包括：第一，将各类数据按照指定的时间尺度滚动截取并按起止时间对齐作为样本；第二对数据进行归一化处理；第三，将样本划分为训练样本和测试样本；

其中数据归一化采用如下公式：

式中x_max为原始数据的最大值，x_min为原始数据的最小值。

4.根据权利要求1所述的基于长短期记忆网络的风电机组出力相关性映射建模方法，其特征在于：步骤二中在长短期记忆网络中，每个神经元相当于一个记忆细胞，在出力相关性映射模型中，需要基于一段时间内包含风速及风向时间序列的风况数据映射该时段内的风电机组间的出力相关性系数，在这个问题中，细胞状态包含了风电场风况的大致属性特征，当输入新时刻的风况数据，就会希望忘记比较旧的风况信息，从细胞中丢弃旧的信息，这个决定通过遗忘门层来完成，计算过程如下式(2)：

f_t＝σ(W_f·[h_t-1,x_t]+b_f) (2)

式中σ(x)表示sigmoid激活函数，W_f表示遗忘门层权重，b_f表示遗忘门层偏置项，h_t-1为t_-1时刻输出向量，x_t为t时刻输入向量，f_t为t时刻遗忘程度权值，代表对上一时间点细胞状态的遗忘程度，1表示完全保留，0表示完全遗忘。

5.根据权利要求4所述的基于长短期记忆网络的风电机组出力相关性映射建模方法，其特征在于：在步骤二中确定存储在细胞状态中的新信息，这个过程分为两个部分；首先，同样是以t_-1时刻输出向量h_t-1和t时刻输入向量x_t为输入，通过称为输入门层的sigmoid层，以决定t时刻更新值i_t；然后tanh层创建一个新的候选值向量

会被加入到状态中；计算过程见下式(3)、(4)：

i_t＝σ(W_c·[h_t-1,x_t]+b_c) (3)

式中，σ(x)表示sigmoid激活函数，tanh(x)表示tanh激活函数，Wc表示输入门层权重，bc表示输入门层偏置项，h_t-1为t-1时刻输出向量，x_t为t时刻输入向量，i_t为t时刻更新值，

为t时刻新的候选值向量；

下式(5)为更新细胞状态，以丢弃对当前风速分布特征影响弱小的历史时刻的风速分布信息；

式中，*表示向量元素乘积运算，C_t为t时刻细胞状态，C_t-1为t-1时刻细胞状态，f_t为t时刻遗忘程度权值，i_t为t时刻更新值，

为t时刻新的候选值向量；

最后，输出值基于当前的细胞状态,首先以t-1时刻输出向量h_t-1和t时刻输入向量x_t为输入，通过sigmoid层以得到帮助决定t时刻细胞状态输出部分的o_t；接着，令t时刻细胞状态C。

6.根据权利要求3所述的基于长短期记忆网络的风电机组出力相关性映射建模方法，其特征在于：通过tanh层以得到一个位于-1和1之间的值，并将它和sigmoid层的输出ot相乘，得到t时刻的输出h_t，即为包含各时刻各风电机组处风况信息的多维特征向量；其计算公式如下式(6)、(7)：

o_t＝σ(W_o·[h_t-1,x_t]+b_o) (6)

h_t＝o_t tanh(C_t) (7)

式中，σ(x)表示sigmoid激活函数，tanh(x)表示tanh激活函数，Wo表示输出门层权重，bo表示输出门层偏置项；

搭建的模型将各机组点位处指定时间尺度的风速风向序列分别通过长短期记忆网络，再将各输出结果一起输入到全连接层，最后输出机组两两间的出力相关性系数。

7.根据权利要求1所述的基于长短期记忆网络的风电机组出力相关性映射建模方法，其特征在于：步骤三中其中机组两两间的出力相关性系数计算公式为：

其中σ_xy是指两个数据序列X和Y的协方差，σ_x、σ_y分别为X和Y各自的方差，

分别为序列X、Y的均值，X_i、Y_i分别为序列X、Y第i个数的值。

Images