CN111753893A - 一种基于聚类和深度学习的风电机组功率集群预测方法 - Google Patents

一种基于聚类和深度学习的风电机组功率集群预测方法 Download PDF

Info

Publication number
CN111753893A
CN111753893A CN202010534083.8A CN202010534083A CN111753893A CN 111753893 A CN111753893 A CN 111753893A CN 202010534083 A CN202010534083 A CN 202010534083A CN 111753893 A CN111753893 A CN 111753893A
Authority
CN
China
Prior art keywords
wind
clustering
output
cluster
unit
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
Application number
CN202010534083.8A
Other languages
English (en)
Inventor
王良缘
林芬
杨首晖
陈静
陈传彬
郑建辉
林舒嫄
林硕帆
欧亚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
State Grid Fujian Electric Power Co Ltd
Original Assignee
Fuzhou University
State Grid Fujian Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University, State Grid Fujian Electric Power Co Ltd filed Critical Fuzhou University
Priority to CN202010534083.8A priority Critical patent/CN111753893A/zh
Publication of CN111753893A publication Critical patent/CN111753893A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B10/00—Integration of renewable energy sources in buildings
    • Y02B10/30—Wind power

Abstract

本发明涉及一种基于聚类和深度学习的风电机组功率集群预测方法。获取风电场中每个机组的实际运行数据，并进行归一化处理将归一化后的数据作为K‑means聚类的输入变量，比较选择最佳聚类数作为风电机组的集群个数；对于每组集群，选择其中一台机组作为该集群的代表机组，使用代表机组的变量数据建立所属集群的风电功率预测模型；采用深度学习框架搭建深度长短时记忆网络；根据预测模型的输入输出分别构造出相应的模型输入与对应的输出样本，并将构造的样本划分为训练样本与测试样本，用测试样本来对所训练好的预测模型进行性能测试，得到训练模型的性能评价指标；最后通过得到的最佳的训练模型即可预测出未来多个时间点的风电功率数据。

Description

一种基于聚类和深度学习的风电机组功率集群预测方法
技术领域
本发明涉及一种基于聚类和深度学习的风电机组功率集群预测方法。
背景技术
随着大规模风电并网，风电的不可预测性和随机性将会对电网的交易和调度带来较大的影响。在传统的电网中，不确定因素较少，在设计日前市场交易机制时，只根据负荷预测值确定次日的用电需求，随着风电并网容量的增加，风电随机性和波动性的影响也将增加，为了使电力交易具有更高的可执行性和经济效益、使调度计划具有更高的安全性和可靠性，需要在日前市场交易和调度中准确预测风电出力；另外，风电运营商为了减少出力偏差考核，也需要准确申报交易计划和出力计划。因此，对风电场功率预测技术进行研究具有重要的现实意义。
在实际场景中，同一风电场中的风电机组一般分布位置不同，在不同地理位置上表现出不同的气候、尾流效应等影响因素，使各台机组位置处的风况不尽相同，从而表现出不同的出力特征。在以往的的风电场预测应用中，往往是通过单一代表位置的风况来映射整个风电场的输出功率，这样将会大大限制风电场功率预测的准确度。然而，对风电场中的每个机组单独建立预测模型，则会大大增加预测模型的数量和风电场功率预测的时间，反而不利于电力系统的动态实时管理。为了兼顾风电场预测的效率与精度，对风电场建立机组集群预测模型是具有重要实际意义。
发明内容
本发明的目的在于提供一种基于聚类和深度学习的风电机组功率集群预测方法，能够提高风电场预测的效率与精度。
为实现上述目的，本发明的技术方案是：一种基于聚类和深度学习的风电机组功率集群预测方法，包括如下步骤：
步骤S1、获取周期为一年、时间分辨率为10min的风电场中每个机组的实际运行数据，包括输出有功功率、测风塔风速、风向数据，并对采集到的有功功率、测风塔风速、风向数据进行归一化处理
步骤S2、将归一化后的有功功率、测风塔风速、风向数据作为K-means聚类的输入变量，设置不同的聚类数来进行聚类，最后比较选择最佳聚类数作为风电机组的集群个数；
步骤S3、对于每组集群，选择其中一台机组作为该集群的代表机组，使用代表机组的变量数据建立所属集群的风电功率预测模型；
步骤S4、采用深度学习框架搭建深度长短时记忆网络，即深度LSTM模型；在模型搭建过程中，通过设计模型的输出方式使得风电功率的预测模型为直接多步预测，即可直接预测未来多个时间点的风电功率数据；
步骤S5、风电功率的预测模型输入变量的选取，通过对采集到的三个变量数据，即有功功率、测风塔风速、风向数据进行归一化的结果作为预测模型的输入特征；根据预测模型的输入输出分别构造出相应的模型输入与对应的输出样本，并将构造的样本划分为训练样本与测试样本；用训练样本进行预测模型的训练，最后用测试样本来对所训练好的预测模型进行性能测试，得到训练模型的性能评价指标；
步骤S6、通过步骤S5得到的最佳的训练模型即可预测出未来多个时间点的风电功率数据。
在本发明一实施例中，所述步骤S1具体实现如下：
获取风电场中每个机组的实际运行数据，包括风电机组的输出有功功率W、测风塔风速Vw、风向Dw，并对采集的三个数据进行归一化处理；三个数据归一化方式分别如下：
Figure RE-GDA0002598270760000021
Figure RE-GDA0002598270760000022
Dw'＝cos(Dw)
经过以上归一化处理，有功功率、测风塔风速、风向数据均被映射到[-1,1]之间，其中，Wmax、 Wmin分别表示采集的有功功率的最大值和最小值，Vwmax、Vwmin分别表示采集的风速值的最大值和最小值，Dw表示监测的风向，即风向角度。
在本发明一实施例中，所述步骤S2具体实现如下：
将归一化后的有功功率W'、测风塔风速Vw'、风向Dw'作为K-means聚类的输入变量，设置不同的聚类数来进行聚类；假设风电场内机组数为N，在进行K-means聚类时，设置聚类数分别为1、2、…、
Figure RE-GDA0002598270760000023
来进行聚类，得到不同聚类数下的风电机组集群结果，为了选择最佳的聚类数目，利用手肘法进行确定；手肘法的核心指标是SSE，即：
Figure RE-GDA0002598270760000024
其中，Ci是第i个簇，p是Ci中的样本点，mi是Ci的质心，即Ci中所有样本的均值，SSE是所有样本的聚类误差，代表了聚类效果的好坏；当k小于真实聚类数时，由于k的增大会大幅增加每个簇的聚合程度，故SSE的下降幅度会很大，而当k到达真实聚类数时，再增加k则SSE的下降幅度会骤减，然后随着k值的继续增大而趋于平缓；SSE和k的关系图是一个手肘的形状，而这个肘部对应的kb值就是最佳分类数；即风电场内的风电机组被划分为了kb个集群。
在本发明一实施例中，所述步骤S3具体实现如下：
对于每组集群，选择其中一组机组作为该集群的代表机组，使用代表机组的变量数据建立所属集群的风电功率预测模型；即对于kb个集群来说，需要选择kb个机组来代表各自所属集群；每个集群内的代表机组由该机组的输出功率与集群内其他机组输出功率的相关性的平均值决定，即相关性平均值大的为代表机组；相关性大小由以下公式决定：
Figure RE-GDA0002598270760000031
式中，n为样本数量，
Figure RE-GDA0002598270760000032
和
Figure RE-GDA0002598270760000033
分别为x和y的均值，首先求出集群内机组输出功率两两之间的相关性系数rij，rij表示机组i与机组j输出功率的相关性系数，求得机组i与该集群内所有机组的相关性系数，并求和取其平均值，平均值大的一个机组选为代表机组，即：
Figure RE-GDA0002598270760000034
在本发明一实施例中，所述步骤S4具体实现如下：
建立预测模型，采用LSTM作为基础层，其中每层LSTM单元内的参数计算方式如下：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
Figure RE-GDA0002598270760000035
Figure RE-GDA0002598270760000036
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot·tanh(Ct)
其中，xt为模型的输入向量；ht为每个LSTM单元的输出向量；ht-1表示上一个LSTM单元的输出；ft为遗忘门输出，值在0-1之间，0表示“完全舍弃”，1表示“完全保留”；σ表示激活函数，Wf、WC、Wo分别为遗忘门、更新门、输出门隐层神经元的权值，bf、bC、bo分别为遗忘门、更新门、输出门隐层神经元阈值；it为更新门sigmoid层的输出；
Figure RE-GDA0002598270760000037
为更新门中tanh层输出的一个向量；Ct为当前LSTM单元的更新了的状态值；Ct-1为上一个LSTM单元的状态值；ot为当前LSTM单元输出门sigmoid层的输出；ht为当前LSTM单元的输出门tanh层对应的输出向量；
搭建多层次的LSTM深度预测网络，在模型搭建过程中，后一层选取前一层的输出作为输入，而在最后一层，只输出该层LSTM中最后一个单元的输出值，即前几个单元不输出；最后一个单元输出的ht，为一个n维的向量，该向量中的每个值组成了风电功率多步预测值。
在本发明一实施例中，所述步骤S5中，样本随机取80％作为训练样本，20％作为测试样本，用训练好的预测模型进行性能测试，得到训练模型的性能评价指标，训练模型的性能性能指标为相分比误差MAPE和均方根误差RMSE值，指标值越小，说明预测精度越高，两指标的计算公式如下：
Figure RE-GDA0002598270760000041
Figure RE-GDA0002598270760000042
相较于现有技术，本发明具有以下有益效果：本发明方法能够提高风电场预测的效率与精度，进而减少交易电量偏差，提高交易计划可执行性。
附图说明
图1为风电机组功率集群预测方法的原理框图。
图2为长短时记忆网络LSTM原理图。
图3为基于深度LSTM的风电功率多步预测模型。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
如图1所示，本发明提供了一种基于聚类和深度学习的风电机组功率集群预测方法，包括如下步骤：
步骤S1、获取周期为一年、时间分辨率为10min的风电场中每个机组的实际运行数据，包括输出有功功率、测风塔风速、风向数据，并对采集到的有功功率、测风塔风速、风向数据进行归一化处理
步骤S2、将归一化后的有功功率、测风塔风速、风向数据作为K-means聚类的输入变量，设置不同的聚类数来进行聚类，最后比较选择最佳聚类数作为风电机组的集群个数；
步骤S3、对于每组集群，选择其中一台机组作为该集群的代表机组，使用代表机组的变量数据建立所属集群的风电功率预测模型；
步骤S4、采用深度学习框架搭建深度长短时记忆网络，即深度LSTM模型；在模型搭建过程中，通过设计模型的输出方式使得风电功率的预测模型为直接多步预测，即可直接预测未来多个时间点的风电功率数据；本发明中为预测未来一天24个小时每15分钟的风电机组功率集群出力，总共96点数据。
步骤S5、风电功率的预测模型输入变量的选取，通过对采集到的三个变量数据，即有功功率、测风塔风速、风向数据进行归一化的结果作为预测模型的输入特征；根据预测模型的输入输出分别构造出相应的模型输入与对应的输出样本，并将构造的样本划分为训练样本与测试样本；用训练样本进行预测模型的训练，最后用测试样本来对所训练好的预测模型进行性能测试，得到训练模型的性能评价指标；
步骤S6、通过步骤S5得到的最佳的训练模型即可预测出未来多个时间点的风电功率数据；具体地风电集群运营商通过上述模型获得未来24小时每15分钟共96个点的预测出力，在日前市场上制定合理的交易计划，申报交易功率。
以下为本发明具体实现过程。
本发明一种基于K-means聚类和深度LSTM的风电场风电机组集群功率预测方法，具体实现如下：
(1)从风电场管理部门提取风电场中每个机组的运行数据、气象监测数据。主要包括风电机组的输出有功功率W、风速Vw、风向Dw。三个变量作为K-means聚类的输入变量，为了消除三个数据之间量纲不同而对聚类结果的影响，因此对采集的三个数据进行归一化处理。三个数据归一化方式分别如下:
Figure RE-GDA0002598270760000051
Figure RE-GDA0002598270760000052
Dw'＝cos(Dw)
经过以上归一化处理，有功功率、测风塔风速、风向数据均被映射到[-1,1]之间，其中，Wmax、 Wmin分别表示采集的有功功率的最大值和最小值，Vwmax、Vwmin分别表示采集的风速值的最大值和最小值，Dw表示监测的风向，即风向角度。
(2)将归一化后的有功功率W'、测风塔风速Vw'、风向Dw'作为K-means聚类的输入变量，设置不同的聚类数来进行聚类；假设风电场内机组数为N，在进行K-means聚类时，设置聚类数分别为1、2、…、
Figure RE-GDA0002598270760000061
来进行聚类，得到不同聚类数下的风电机组集群结果，为了选择最佳的聚类数目，利用手肘法进行确定；手肘法的核心指标是SSE，即：
Figure RE-GDA0002598270760000062
其中，Ci是第i个簇，p是Ci中的样本点，mi是Ci的质心，即Ci中所有样本的均值，SSE是所有样本的聚类误差，代表了聚类效果的好坏；当k小于真实聚类数时，由于k的增大会大幅增加每个簇的聚合程度，故SSE的下降幅度会很大，而当k到达真实聚类数时，再增加k则SSE的下降幅度会骤减，然后随着k值的继续增大而趋于平缓；SSE和k的关系图是一个手肘的形状，而这个肘部对应的kb值就是最佳分类数；即风电场内的风电机组被划分为了kb个集群。
(3)对于每组集群，选择其中一组机组作为该集群的代表机组，使用代表机组的变量数据建立所属集群的风电功率预测模型；即对于kb个集群来说，需要选择kb个机组来代表各自所属集群；每个集群内的代表机组由该机组的输出功率与集群内其他机组输出功率的相关性的平均值决定，即相关性平均值大的为代表机组；相关性大小由以下公式决定：
Figure RE-GDA0002598270760000063
式中，n为样本数量，
Figure RE-GDA0002598270760000064
和
Figure RE-GDA0002598270760000065
分别为x和y的均值，首先求出集群内机组输出功率两两之间的相关性系数rij，rij表示机组i与机组j输出功率的相关性系数，求得机组i与该集群内所有机组的相关性系数，并求和取其平均值，平均值大的一个机组选为代表机组，即：
Figure RE-GDA0002598270760000066
(4)建立预测模型，采用LSTM作为基础层，如图2所示。其中每层LSTM单元内的参数计算方式如下：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
Figure RE-GDA0002598270760000067
Figure RE-GDA0002598270760000068
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot·tanh(Ct)
其中，xt为模型的输入向量，ht为每个LSTM单元的输出向量，ht-1表示上一个LSTM单元的输出。ft为遗忘门输出(值在0-1之间，0表示“完全舍弃”，1表示“完全保留”)，σ表示激活函数，Wf、WC、Wo为遗忘门、更新门、输出门隐层神经元的权值，bf、bC、bo为遗忘门、更新门、输出门隐层神经元阈值。it为更新门sigmoid层的输出，用以决定哪些信息需要更新，
Figure RE-GDA0002598270760000073
为更新门中tanh层输出的一个向量，即备选的用来更新的内容。Ct为当前LSTM单元的更新了的状态值，Ct-1为上一个LSTM单元的状态值。ot为当前LSTM单元输出门sigmoid层的输出，ht为当前LSTM单元的输出门tanh层对应的输出向量。
搭建多层次的LSTM深度预测网络，如图3所示，在模型搭建过程中，后一层选取前一层的输出作为输入，而在最后一层，只输出该层LSTM中最后一个单元的输出值，即前几个单元不输出；最后一个单元输出的ht，为一个n维的向量，该向量中的每个值组成了风电功率多步预测值。
(5)预测模型输入变量的选取，通过对采集到的三个变量数据，即有功功率、风速、风向数据进行归一化的结果作为预测模型的输入。样本构造采用滑动窗口来读取序列数据的方式获取，即一个窗口长度间段的序列数据作为输入，而该段序列下一时间长度的功率值作为输出样本。样本随机取80％作为训练样本，20％作为测试样本，用训练好的预测模型进行性能测试，得到训练模型的性能评价指标，训练模型的性能性能指标为相分比误差MAPE和均方根误差 RMSE值，指标值越小，说明预测精度越高，两指标的计算公式如下：
Figure RE-GDA0002598270760000071
Figure RE-GDA0002598270760000072
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (6)

1.一种基于聚类和深度学习的风电机组功率集群预测方法，其特征在于，包括如下步骤：
步骤S1、获取周期为一年、时间分辨率为10min的风电场中每个机组的实际运行数据，包括输出有功功率、测风塔风速、风向数据，并对采集到的有功功率、测风塔风速、风向数据进行归一化处理；
步骤S2、将归一化后的有功功率、测风塔风速、风向数据作为K-means聚类的输入变量，设置不同的聚类数来进行聚类，最后比较选择最佳聚类数作为风电机组的集群个数；
步骤S3、对于每组集群，选择其中一台机组作为该集群的代表机组，使用代表机组的变量数据建立所属集群的风电功率预测模型；
步骤S4、采用深度学习框架搭建深度长短时记忆网络，即深度LSTM模型；在模型搭建过程中，通过设计模型的输出方式使得风电功率的预测模型为直接多步预测，即可直接预测未来多个时间点的风电功率数据；
步骤S5、风电功率的预测模型输入变量的选取，通过对采集到的三个变量数据，即有功功率、测风塔风速、风向数据进行归一化的结果作为预测模型的输入特征；根据预测模型的输入输出分别构造出相应的模型输入与对应的输出样本，并将构造的样本划分为训练样本与测试样本；用训练样本进行预测模型的训练，最后用测试样本来对所训练好的预测模型进行性能测试，得到训练模型的性能评价指标；
步骤S6、通过步骤S5得到的最佳的训练模型即可预测出未来多个时间点的风电功率数据。
2.根据权利要求1所述的一种基于聚类和深度学习的风电机组功率集群预测方法，其特征在于，所述步骤S1具体实现如下：
获取风电场中每个机组的实际运行数据，包括风电机组的输出有功功率W、测风塔风速Vw、风向Dw，并对采集的三个数据进行归一化处理；三个数据归一化方式分别如下：
Figure RE-FDA0002598270750000011
Figure RE-FDA0002598270750000012
Dw'＝cos(Dw)
经过以上归一化处理，有功功率、测风塔风速、风向数据均被映射到[-1,1]之间，其中，Wmax、Wmin分别表示采集的有功功率的最大值和最小值，Vwmax、Vwmin分别表示采集的风速值的最大值和最小值，Dw表示监测的风向，即风向角度。
3.根据权利要求2所述的一种基于聚类和深度学习的风电机组功率集群预测方法，其特征在于，所述步骤S2具体实现如下：
将归一化后的有功功率W'、测风塔风速Vw'、风向Dw'作为K-means聚类的输入变量，设置不同的聚类数来进行聚类；假设风电场内机组数为N，在进行K-means聚类时，设置聚类数分别为
Figure RE-FDA0002598270750000021
来进行聚类，得到不同聚类数下的风电机组集群结果，为了选择最佳的聚类数目，利用手肘法进行确定；手肘法的核心指标是SSE，即：
Figure RE-FDA0002598270750000022
其中，Ci是第i个簇，p是Ci中的样本点，mi是Ci的质心，即Ci中所有样本的均值，SSE是所有样本的聚类误差，代表了聚类效果的好坏；当k小于真实聚类数时，由于k的增大会大幅增加每个簇的聚合程度，故SSE的下降幅度会很大，而当k到达真实聚类数时，再增加k则SSE的下降幅度会骤减，然后随着k值的继续增大而趋于平缓；SSE和k的关系图是一个手肘的形状，而这个肘部对应的kb值就是最佳分类数；即风电场内的风电机组被划分为了kb个集群。
4.根据权利要求3所述的一种基于聚类和深度学习的风电机组功率集群预测方法，其特征在于，所述步骤S3具体实现如下：
对于每组集群，选择其中一组机组作为该集群的代表机组，使用代表机组的变量数据建立所属集群的风电功率预测模型；即对于kb个集群来说，需要选择kb个机组来代表各自所属集群；每个集群内的代表机组由该机组的输出功率与集群内其他机组输出功率的相关性的平均值决定，即相关性平均值大的为代表机组；相关性大小由以下公式决定：
Figure RE-FDA0002598270750000023
式中，n为样本数量，
Figure RE-FDA0002598270750000024
和
Figure RE-FDA0002598270750000025
分别为x和y的均值，首先求出集群内机组输出功率两两之间的相关性系数rij，rij表示机组i与机组j输出功率的相关性系数，求得机组i与该集群内所有机组的相关性系数，并求和取其平均值，平均值大的一个机组选为代表机组，即：
Figure RE-FDA0002598270750000026
5.根据权利要求4所述的一种基于聚类和深度学习的风电机组功率集群预测方法，其特征在于，所述步骤S4具体实现如下：
建立预测模型，采用LSTM作为基础层，其中每层LSTM单元内的参数计算方式如下：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
Figure RE-FDA0002598270750000031
Figure RE-FDA0002598270750000032
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot·tanh(Ct)
其中，xt为模型的输入向量；ht为每个LSTM单元的输出向量；ht-1表示上一个LSTM单元的输出；ft为遗忘门输出，值在0-1之间，0表示“完全舍弃”，1表示“完全保留”；σ表示激活函数，Wf、WC、Wo分别为遗忘门、更新门、输出门隐层神经元的权值，bf、bC、bo分别为遗忘门、更新门、输出门隐层神经元阈值；it为更新门sigmoid层的输出；
Figure RE-FDA0002598270750000033
为更新门中tanh层输出的一个向量；Ct为当前LSTM单元的更新了的状态值；Ct-1为上一个LSTM单元的状态值；ot为当前LSTM单元输出门sigmoid层的输出；ht为当前LSTM单元的输出门tanh层对应的输出向量；
搭建多层次的LSTM深度预测网络，在模型搭建过程中，后一层选取前一层的输出作为输入，而在最后一层，只输出该层LSTM中最后一个单元的输出值，即前几个单元不输出；最后一个单元输出的ht，为一个n维的向量，该向量中的每个值组成了风电功率多步预测值。
6.根据权利要求5所述的一种基于聚类和深度学习的风电机组功率集群预测方法，其特征在于，所述步骤S5中，样本随机取80％作为训练样本，20％作为测试样本，用训练好的预测模型进行性能测试，得到训练模型的性能评价指标，训练模型的性能性能指标为相分比误差MAPE和均方根误差RMSE值，指标值越小，说明预测精度越高，两指标的计算公式如下：
Figure RE-FDA0002598270750000034
Figure RE-FDA0002598270750000035
CN202010534083.8A 2020-06-12 2020-06-12 一种基于聚类和深度学习的风电机组功率集群预测方法 Pending CN111753893A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010534083.8A CN111753893A (zh) 2020-06-12 2020-06-12 一种基于聚类和深度学习的风电机组功率集群预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010534083.8A CN111753893A (zh) 2020-06-12 2020-06-12 一种基于聚类和深度学习的风电机组功率集群预测方法

Publications (1)

Publication Number Publication Date
CN111753893A true CN111753893A (zh) 2020-10-09

Family

ID=72675144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010534083.8A Pending CN111753893A (zh) 2020-06-12 2020-06-12 一种基于聚类和深度学习的风电机组功率集群预测方法

Country Status (1)

Country Link
CN (1) CN111753893A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348292A (zh) * 2021-01-07 2021-02-09 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
CN112950403A (zh) * 2021-01-29 2021-06-11 上海电气风电集团股份有限公司 风机多工况数据异常处理的方法、装置及计算机可读存储介质
CN113052256A (zh) * 2021-04-12 2021-06-29 华北电力大学 一种风向聚类方法、装置及电子设备
CN113094997A (zh) * 2021-04-19 2021-07-09 华北电力大学 一种风电机组运行模拟方法、装置、设备及存储介质
CN113107785A (zh) * 2021-05-12 2021-07-13 浙江浙能技术研究院有限公司 一种风电机组功率性能异常的实时监测方法及装置
CN113408648A (zh) * 2021-07-07 2021-09-17 华北电力大学 一种结合深度学习的机组组合计算方法
CN113420508A (zh) * 2021-07-07 2021-09-21 华北电力大学 一种基于lstm的机组组合计算方法
CN113420509A (zh) * 2021-07-07 2021-09-21 华能(浙江)能源开发有限公司清洁能源分公司 一种风电机组状态评价方法、装置及存储介质
CN113570132A (zh) * 2021-07-23 2021-10-29 华中科技大学 一种时空气象特征提取与深度学习的风电功率预测方法
CN116404647A (zh) * 2023-06-09 2023-07-07 山东大学 计及动态汇聚特性的分布式光伏短期功率预测方法及系统
CN117060407A (zh) * 2023-10-12 2023-11-14 国网湖北省电力有限公司经济技术研究院 一种基于相似日划分的风电集群功率预测方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103401236A (zh) * 2013-07-30 2013-11-20 华北电力大学 一种基于风电场流动相关性的风电场机组分组方法
CN105654207A (zh) * 2016-01-07 2016-06-08 国网辽宁省电力有限公司锦州供电公司 基于风速、风向信息的风电功率预测方法
CN106991508A (zh) * 2017-05-25 2017-07-28 华北电力大学 一种基于dbscan的风电机组运行状态识别方法
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
CN110276472A (zh) * 2019-05-21 2019-09-24 南方电网调峰调频发电有限公司 一种基于lstm深度学习网络的海上风电功率超短期预测方法
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
CN110474339A (zh) * 2019-08-07 2019-11-19 国网福建省电力有限公司 一种基于深度发电负荷预测的电网无功控制方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103401236A (zh) * 2013-07-30 2013-11-20 华北电力大学 一种基于风电场流动相关性的风电场机组分组方法
CN105654207A (zh) * 2016-01-07 2016-06-08 国网辽宁省电力有限公司锦州供电公司 基于风速、风向信息的风电功率预测方法
CN106991508A (zh) * 2017-05-25 2017-07-28 华北电力大学 一种基于dbscan的风电机组运行状态识别方法
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
CN110276472A (zh) * 2019-05-21 2019-09-24 南方电网调峰调频发电有限公司 一种基于lstm深度学习网络的海上风电功率超短期预测方法
CN110474339A (zh) * 2019-08-07 2019-11-19 国网福建省电力有限公司 一种基于深度发电负荷预测的电网无功控制方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
崔杨等: "基于机器学习的集群式风光一体短期功率预测技术", 《中国电力》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348292A (zh) * 2021-01-07 2021-02-09 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
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
CN112950403A (zh) * 2021-01-29 2021-06-11 上海电气风电集团股份有限公司 风机多工况数据异常处理的方法、装置及计算机可读存储介质
CN113052256A (zh) * 2021-04-12 2021-06-29 华北电力大学 一种风向聚类方法、装置及电子设备
CN113094997A (zh) * 2021-04-19 2021-07-09 华北电力大学 一种风电机组运行模拟方法、装置、设备及存储介质
CN113094997B (zh) * 2021-04-19 2022-04-01 华北电力大学 一种风电机组运行模拟方法、装置、设备及存储介质
CN113107785A (zh) * 2021-05-12 2021-07-13 浙江浙能技术研究院有限公司 一种风电机组功率性能异常的实时监测方法及装置
CN113107785B (zh) * 2021-05-12 2022-05-31 浙江浙能技术研究院有限公司 一种风电机组功率性能异常的实时监测方法及装置
CN113420509A (zh) * 2021-07-07 2021-09-21 华能(浙江)能源开发有限公司清洁能源分公司 一种风电机组状态评价方法、装置及存储介质
CN113420508A (zh) * 2021-07-07 2021-09-21 华北电力大学 一种基于lstm的机组组合计算方法
CN113408648A (zh) * 2021-07-07 2021-09-17 华北电力大学 一种结合深度学习的机组组合计算方法
CN113420508B (zh) * 2021-07-07 2024-02-27 华北电力大学 一种基于lstm的机组组合计算方法
CN113570132A (zh) * 2021-07-23 2021-10-29 华中科技大学 一种时空气象特征提取与深度学习的风电功率预测方法
CN116404647A (zh) * 2023-06-09 2023-07-07 山东大学 计及动态汇聚特性的分布式光伏短期功率预测方法及系统
CN116404647B (zh) * 2023-06-09 2023-08-29 山东大学 计及动态汇聚特性的分布式光伏短期功率预测方法及系统
CN117060407A (zh) * 2023-10-12 2023-11-14 国网湖北省电力有限公司经济技术研究院 一种基于相似日划分的风电集群功率预测方法及系统
CN117060407B (zh) * 2023-10-12 2023-12-22 国网湖北省电力有限公司经济技术研究院 一种基于相似日划分的风电集群功率预测方法及系统

Similar Documents

Publication Publication Date Title
CN111753893A (zh) 一种基于聚类和深度学习的风电机组功率集群预测方法
Zhao et al. Research and application based on the swarm intelligence algorithm and artificial intelligence for wind farm decision system
CN112949945B (zh) 一种改进双向长短期记忆网络的风电功率超短期预测方法
CN107194495B (zh) 一种基于历史数据挖掘的光伏功率纵向预测方法
CN110909919A (zh) 融合注意力机制的深度神经网络模型的光伏功率预测方法
CN108898251A (zh) 考虑气象相似性和功率波动的海上风电场功率预测方法
CN104573879A (zh) 基于最优相似日集的光伏电站出力预测方法
CN107516145A (zh) 一种基于加权欧氏距离模式分类的多通道光伏出力预测方法
CN110555515A (zh) 一种基于eemd和lstm的短期风速预测方法
CN115293415A (zh) 计及时间演变和空间相关的多风电场短期功率预测方法
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
WO2024051524A1 (zh) 一种水风光发电功率联合预测方法、装置
CN114399081A (zh) 一种基于天气分类的光伏发电功率预测方法
CN110210670A (zh) 一种基于电力系统短期负荷的预测方法
CN113516271A (zh) 一种基于时空神经网络的风电集群功率日前预测方法
Syu et al. Ultra-short-term wind speed forecasting for wind power based on gated recurrent unit
CN103632314B (zh) 基于概率统计的风电场广义节点特征建模方法
CN111626473A (zh) 一种考虑误差修正的两阶段光伏功率预测方法
Wibawa et al. Long Short-Term Memory to Predict Unique Visitors of an Electronic Journal
CN109146192B (zh) 一种考虑风电机组运行工况的风电功率预测方法
CN113449847B (zh) 考虑秒级时间序列风速变化的海上风电功率滚动预测方法
He et al. Similar day selecting based neural network model and its application in short-term load forecasting
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
Chang et al. Forecasting wind power generation by a new type of radial basis function-based neural network
CN109615142A (zh) 一种基于小波分析的风电场风速组合预测方法

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

Application publication date: 20201009

RJ01 Rejection of invention patent application after publication