CN111832812A - 一种基于深度学习的风电功率短期预测方法 - Google Patents
一种基于深度学习的风电功率短期预测方法 Download PDFInfo
- Publication number
- CN111832812A CN111832812A CN202010593532.6A CN202010593532A CN111832812A CN 111832812 A CN111832812 A CN 111832812A CN 202010593532 A CN202010593532 A CN 202010593532A CN 111832812 A CN111832812 A CN 111832812A
- Authority
- CN
- China
- Prior art keywords
- data
- wind power
- layer
- training
- network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 238000010561 standard procedure Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 9
- 230000000875 corresponding effect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 1
- 238000005070 sampling Methods 0.000 claims 1
- 238000010248 power generation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的风电功率短期预测方法，包括以下步骤：步骤1：收集风电功率预测所需数据集并进行预处理；步骤2：针对风电数据不同变量，采用标准方法进行归一化处理；步骤3：对风电数据不同变量之间的相关性进行分析；步骤4：深度神经网络结构设计；步骤5：利用训练样本数据对神经网络进行训练；步骤6：利用训练训练好的神经网络模型对测试样本的风电功率进行预测。本发明所提出的系统能够充分提取风电场数据特征，并实现特种融合，能够有效的提升风电功率短期预测的精度。
Description
技术领域
本发明涉及新能源技术领域，具体为一种基于深度学习的风电功率短期预测方法。
背景技术
近年来由于环境污染和能源危机日趋严重，许多国家都在加紧研究和利用可再生能源。风力发电由于其无污染、储量大、可再生的特点，已成为当前发展最为快速的洁净能源。然而，由于风电的间歇性和变异性，任何严重的干扰都会影响风电电网的安全性。因此，准确的对风电功率进行预测对于电网的安全性、稳定性和经济效益都具有重要的意义。此外，精确的风电功率预测，特别是短期预测有助于合理的制定发电计划、缓解电网调峰压力，对风电并网具有重要意义。然而，由于当前统计模型的风电功率预测方法多为基于经典的时间序列预测方法，数据来源一般为单变量(即风速时间序列)，属于典型的基于单模态的学习方式。实际中影响风力发电的因素多种多样，既包含风电功率数据，又包含着气象相关数据，它们都可以为风电功率预测提供有价值的信息。近几年随着深度学习的不断发展，如何有效利用深度网络更好的提取数据特征并用来进行风电功率预测已引起越来越多的研究人员重视。
发明内容
本发明的目的在于提供一种基于深度学习的风电功率短期预测方法，解决现有风电功率短期预测精度不高，无法充分利用多模态信息等技术问题，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于深度学习的风电功率短期预测方法，包括以下步骤：
步骤1：收集风电功率预测所需数据集并进行预处理；
步骤2：针对风电数据不同变量，采用标准方法进行归一化处理；
步骤3：对风电数据不同变量之间的相关性进行分析；
步骤4：深度神经网络结构设计；
步骤5：利用训练样本数据对神经网络进行训练；
步骤6：利用训练训练好的神经网络模型对测试样本的风电功率进行预测。
优选的，所述步骤1包括：所需数据集包括风电功率和风速、温度、风向、湿度四类气象数据，采集的风电功率时间分辨率与气象数据的分辨率一致，风向的活动范围是360°，风速数据为正值，温度的数据范围为当地统计的近两年最低温度和最高温度，湿度范围为当地统计的近两年最大湿度和最小湿度；当采集的数据集预处理前的范围超过所需数据集对应的合理范围，需对数据集进行校正。
优选的，所述步骤2包括：风电数据中不同模态数据的单位量纲不同，数值大小有差别，为便于神经网络学习计算，对采样数据进行归一化处理；
针对不同的变量数据，通过以下公式，把采样数据限制到区间[0,1]：
其中
是模态变量i的最小值，
是模态变量i的最大值，
为时刻t采样数据，
为时刻t归一化之后的数值；
经过神经网络预测模型得到风电功率数据后，对数据进行反归一化处理，其计算公式为：
优选的，所述步骤3包括：为挖掘不同大气状态数据对风电功率的影响因素，采用距离分析方法—Pearson系数来刻画实验数据中不同气象数据的相关性；
对于任意两个n维数据a和b，其Pearson相关系数的计算公式为：
其中rab为Person相关系数，
分别为a和b中元素的平均值，ai和bi为数据；
根据公式可知，Pearson相关系数rab∈[-1,1]，若rab＞0，a和b两个向量正相关；若rab＜0，a和b两个变量负相关；若rab＝0，a和b两个向量不相关；当|rab|的值越大，a和b两个向量的相关程度越高。
优选的，所述步骤4包括：为充分利用风电多模态数据，采用宽度堆栈自动编码网络模型BSAE，BSAE由特征提取模块和特征融合预测输出模块组成；
特征提取模块由多个堆栈自动编码器SAE单元并列堆叠组成，每一种风电模态数据对应于一个SAE单元，输入采集的过往历史数据信息，输出预测的下一时刻的风电功率；
特征融合预测输出模块是一个包含多个隐层的全连接网络组成，输入是各个SAE单元的输出，输出是预测的风电功率，是由不同模态预测的风电功率数据进行特征加权融合；
根据输入维度空间的低维特征，对SAE网络结果采用两个隐含层的网络结构，第一个隐含层的节点个数为12，第二个隐含层的节点个数为8；对预测层采用单隐层网络结构，预测层的节点个数为12，预测层的输出为实际预测功率，实验过程中每层的激活函数选取sigmoid，优化器为快速梯度下降算法。
优选的，所述步骤5包括：在网络训练过程中，为保持预测模型不同模态输入端数据的一致性，每个SAE单元的输入维度设置为n，采用过去n步历史数据来对未来功率进行预测；
每次在训练集中随机选取小批量的数据进行训练，进行m个周期性训练，训练过程分为SAE网络训练和特征融合层网络训练；
SAE的网络参数训练分为预训练和微调两个阶段：
在预训练阶段，从底层开始向上逐层进行训练，每个自动编码器AE单独进行训练，过程中目标是最小化损失函数：
Loss_AE＝||X-X'||2
其中X是输入层数据，X'是输出层数据；
低层AE训练完成后，其隐层输出H：
H＝f1(ωX+b)
其中f1为神经网络拟合函数，ω为神经网络权重，b为神经网络偏置参数；
隐层输出H将作为高层AE的输入，继续训练高层AE，以此类推，逐层训练，直至将所有AE训练完成；
在微调阶段，以每层训练好的AE结构中输入层和隐含层的权重和偏置作为SAE网络各层中的初始权重和偏置，最小化目标损失函数为：
其中，
为网络实际输出，Y为相应的标签数据；
特征融合层网络训练采用BP神经网络训练方式进行训练。
优选的，所述步骤6包括：
选择120组测试数据通过训练好的网络进行风电功率预测，并选取平均误差MAE、平均绝对百分比误差MAPE和均方根误差RMSE的测量方式评估算法的预测性能表现，计算公式为：
其中，
和Y分别为预测功率和实际功率，N为测试集个数，i为测试点编号。
与现有技术相比，本发明的有益效果是：
(1)本发明中BSAE模型通过宽度和深度的扩展，能够全局性的学习风电数据特征，解决了传统算法中易陷入局部极值点的问题。
(2)本发明所提出的系统能够充分提取风电场数据特征，并实现特种融合，能够有效的提升风电功率短期预测的精度。
(3)本发明准确的对风电功率进行预测，对于电网的安全性、稳定性和经济效益都具有重要的意义。
附图说明
图1为本发明方法步骤流程图；
图2为BSAE网络结构；
图3为SAE网络结构；
图4为AE网络训练结构。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1、图2、图3和图4，本发明提供一种技术方案：一种基于深度学习的风电功率短期预测方法，包括以下步骤：
步骤1：收集风电功率预测所需数据集并进行预处理，主要包含风电功率(WP)和风速(WS)、温度(WT)、风向(WD)和湿度(WH)四类气象数据；
步骤2：针对风电数据不同变量，采用标准方法进行归一化处理；
步骤3：对风电数据不同变量之间的相关性进行分析；
步骤4：深度神经网络结构设计；
步骤5：利用训练样本数据对神经网络进行训练；
步骤6：利用训练训练好的神经网络模型对测试样本的风电功率进行预测；
具体地说，在步骤1中，本发明的作用是收集风电功率预测所需数据集并进行预处理，每间隔10分钟进行的采样收集，共采集3720组数据，选用3600组数据作为训练数据，120组数据作为测试数据。
此外，采集的风电功率时间分辨率要和气象数据的分辨率保持一致；风向的活动范围是360°，故风向采集的数据不应不在0°到360°之间；单台风力发电机的发电功率不能出现小于零的数值，它出现意味着风速小于切入风速，从而带动不了风机的叶片发电，又或者是风速值过于太大，大于或等于切出风速时，风电机组会断开电网，从而风机会停止发电，而风机却会消耗功率；风速数据需要为正值，风速值大小不能过大，应大于切入等速，且小于切出风速；温度的数据范围为当地统计的近两年最低温度和最高温度，湿度范围为当地统计的近两年最大湿度和最小湿度，采集的数据预处理前的范围若超过对应的合理范围，表明此时是不合理的数据采集，需进行校正。
在步骤2中，由于采集的风电数据中不同模态数据的单位量纲不一样，数值大小差别也是比较大，为了便于神经网络学习计算，我们要对采样数据进行归一化处理；
针对不同的变量数据，通过公式
把数据限制到区间[0,1]，其中
是模态变量i的最小值，
是模态变量i的最大值，
为时刻t采样数据，
为时刻t归一化之后的数值。此外，经过神经网络预测模型得到风电功率数据后，我们要对数据进行反归一化处理，使其满足实际物理意义，其计算公式为：
在步骤3中，为挖掘不同大气状态数据对风电功率的影响因素，本发明采用经典的距离分析方法——Pearson系数来刻画实验数据中不同气象数据的相关性。
对于任意两个n维数据a和b，其Pearson相关系数的计算公式为：
中rab为Person相关系数，
分别为a和b中元素的平均值，ai和bi为数据；根据公式可知，Pearson相关系数rab∈[-1,1]，若rab＞0，a和b两个向量正相关；若rab＜0，a和b两个变量负相关；若rab＝0，a和b两个向量不相关；当|rab|的值越大，a和b两个向量的相关程度越高。
分析不同数据之间的相关性有助于系统选择合适的模态数据进行风电功率预测，提高预测的精度。
在步骤4中，深度神经网络结构设计中，为了充分利用风电多模态数据，如图3所示，我们提出了一种基于深度网络结构的风电功率短期预测模型，即：宽度堆栈自动编码网络模型(Breadth Stacked Auto Encoder，BSAE)。
BSAE主要由两部分组成，即：特征提取模块和特征融合预测输出模块。其中，特征提取模块由多个堆栈自动编码器(SAE)单元并列堆叠组成，每一种风电模态数据对应于一个SAE单元，其结构如图2所示，相应输入是采集的过往历史数据信息，输出是预测的下一时刻的风电功率。特征融合预测输出模块是一个包含多个隐层的全连接网络组成，输入是各个SAE单元的输出，输出是预测的风电功率。该部分相当于对由不同模态预测的风电功率数据进行特征加权融合。
由于输入维度空间是低维的，因此SAE网络结果采用两个隐含层的网络结构，第一个隐含层的节点个数为12，第二个隐含层的节点个数为8。对于预测层，我们选用单隐层网络结构，其节点个数为12，输出为实际预测功率。实验过程中每层的激活函数选取sigmoid，优化器为快速梯度下降算法。
在步骤5中，利用训练样本数据对神经网络进行训练过程中，为保持预测模型不同模态输入端数据的一致性，每个SAE单元的输入维度设置为n，即采用过去n步历史数据来对未来功率进行预测；
每次在训练集中随机选取一个小批量的数据进行训练，共进行m个周期性训练；
训练过程分为两个部分，即：SAE网络训练和特征融合层网络训练；
SAE的网络参数训练可以分为预练和微调两个阶段，在预训练阶段，从底层开始向上逐层进行训练，每个自动编码器(AE)单独进行训练，如图4所示，在这个过程中我们的目标是最小化损失函数：
Loss_AE＝||X-X'||2
其中X是输入层数据，X'是输出层数据。低层AE训练完成后，其隐层输出
H＝f1(ωX+b)
其中f1为神经网络拟合函数，ω为神经网络权重，b为神经网络偏置参数。
隐层输出H将作为高层AE的输入，继续训练高层AE。以此类推，逐层训练，直至将所有AE训练完成，该学习过程属于无监督学习。
在微调阶段，以每层训练好的AE结构中输入层和隐含层的权重和偏置作为SAE网络各层中的初始权重和偏置，最小化目标损失函数为：
其中
为网络实际输出，Y为相应的标签数据，该过程属于有监督学习。
特征融合层网络训练采用BP神经网络训练方式进行训练。
在步骤6中，选择120组测试数据通过训练好的网络进行风电功率预测，并选取平均误差MAE、平均绝对百分比误差(MAPE)和均方根误差(RMSE)三种测量方式评估算法的预测性能表现，相应误差计算公式为：
其中
和Y分别为预测功率和实际功率，N为测试集个数，i为测试点编号。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于深度学习的风电功率短期预测方法，其特征在于，包括以下步骤：
步骤1：收集风电功率预测所需数据集并进行预处理；
步骤2：针对风电数据不同变量，采用标准方法进行归一化处理；
步骤3：对风电数据不同变量之间的相关性进行分析；
步骤4：深度神经网络结构设计；
步骤5：利用训练样本数据对神经网络进行训练；
步骤6：利用训练训练好的神经网络模型对测试样本的风电功率进行预测。
2.根据权利要求1所述的一种基于深度学习的风电功率短期预测方法，其特征在于，所述步骤1包括：所需数据集包括风电功率和风速、温度、风向、湿度四类气象数据，采集的风电功率时间分辨率与气象数据的分辨率一致，风向的活动范围是360°，风速数据为正值，温度的数据范围为当地统计的近两年最低温度和最高温度，湿度范围为当地统计的近两年最大湿度和最小湿度；当采集的数据集预处理前的范围超过所需数据集对应的合理范围，需对数据集进行校正。
3.根据权利要求1所述的一种基于深度学习的风电功率短期预测方法，其特征在于，所述步骤2包括：风电数据中不同模态数据的单位量纲不同，数值大小有差别，为了便于神经网络学习计算，对采样数据进行归一化处理；
针对不同的变量数据，通过以下公式，把采样数据限制到区间[0,1]：
其中
是模态变量i的最小值，
是模态变量i的最大值，
为时刻t采样数据，
为时刻t归一化之后的数值；
经过神经网络预测模型得到风电功率数据后，对数据进行反归一化处理，其计算公式为：
4.根据权利要求1所述的一种基于深度学习的风电功率短期预测方法，其特征在于，所述步骤3包括：为挖掘不同大气状态数据对风电功率的影响因素，采用距离分析方法—Pearson系数来刻画实验数据中不同气象数据的相关性；
对于任意两个n维数据a和b，其Pearson相关系数的计算公式为：
其中rab为Person相关系数，
分别为a和b中元素的平均值，ai和bi为数据；
根据公式可知，Pearson相关系数rab∈[-1,1]，若rab＞0，a和b两个向量正相关；若rab＜0，a和b两个变量负相关；若rab＝0，a和b两个向量不相关；当|rab|的值越大，a和b两个向量的相关程度越高。
5.根据权利要求1所述的一种基于深度学习的风电功率短期预测方法，其特征在于，所述步骤4包括：为充分利用风电多模态数据，采用宽度堆栈自动编码网络模型BSAE，BSAE由特征提取模块和特征融合预测输出模块组成；
特征提取模块由多个堆栈自动编码器SAE单元并列堆叠组成，每一种风电模态数据对应于一个SAE单元，输入采集的过往历史数据信息，输出预测的下一时刻的风电功率；
特征融合预测输出模块是一个包含多个隐层的全连接网络组成，输入是各个SAE单元的输出，输出是预测的风电功率，是由不同模态预测的风电功率数据进行特征加权融合；
根据输入维度空间的低维特征，对SAE网络结果采用两个隐含层的网络结构，第一个隐含层的节点个数为12，第二个隐含层的节点个数为8；对预测层采用单隐层网络结构，预测层的节点个数为12，预测层的输出为实际预测功率，实验过程中每层的激活函数选取sigmoid，优化器为快速梯度下降算法。
6.根据权利要求1所述的一种基于深度学习的风电功率短期预测方法，其特征在于，所述步骤5包括：在网络训练过程中，为保持预测模型不同模态输入端数据的一致性，每个SAE单元的输入维度设置为n，采用过去n步历史数据来对未来功率进行预测；
每次在训练集中随机选取小批量的数据进行训练，进行m个周期性训练，训练过程分为SAE网络训练和特征融合层网络训练；
SAE的网络参数训练分为预训练和微调两个阶段：
在预训练阶段，从底层开始向上逐层进行训练，每个自动编码器AE单独进行训练，过程中目标是最小化损失函数：
Loss_AE＝||X-X'||2
其中X是输入层数据，X'是输出层数据；
低层AE训练完成后，其隐层输出H：
H＝f1(ωX+b)
其中f1为神经网络拟合函数，ω为神经网络权重，b为神经网络偏置参数；
隐层输出H将作为高层AE的输入，继续训练高层AE，以此类推，逐层训练，直至将所有AE训练完成；
在微调阶段，以每层训练好的AE结构中输入层和隐含层的权重和偏置作为SAE网络各层中的初始权重和偏置，最小化目标损失函数为：
其中，
为网络实际输出，Y为相应的标签数据；
特征融合层网络训练采用BP神经网络训练方式进行训练。
7.根据权利要求1所述的一种基于深度学习的风电功率短期预测方法，其特征在于，所述步骤6包括：
选择120组测试数据通过训练好的网络进行风电功率预测，并选取平均误差MAE、平均绝对百分比误差MAPE和均方根误差RMSE的测量方式评估算法的预测性能表现，计算公式为：
其中，
和Y分别为预测功率和实际功率，N为测试集个数，i为测试点编号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010593532.6A CN111832812A (zh) | 2020-06-27 | 2020-06-27 | 一种基于深度学习的风电功率短期预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010593532.6A CN111832812A (zh) | 2020-06-27 | 2020-06-27 | 一种基于深度学习的风电功率短期预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111832812A true CN111832812A (zh) | 2020-10-27 |
Family
ID=72899000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010593532.6A Pending CN111832812A (zh) | 2020-06-27 | 2020-06-27 | 一种基于深度学习的风电功率短期预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111832812A (zh) |
Cited By (8)
| 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 |
| CN112564118A (zh) * | 2020-11-23 | 2021-03-26 | 广西大学 | 一种分布式可拓展量子深宽度学习的实时电压控制方法 |
| CN112766592A (zh) * | 2021-01-27 | 2021-05-07 | 中国科学院大气物理研究所 | 夏季登陆中国台风数量预测方法、装置、设备及存储介质 |
| CN113138589A (zh) * | 2021-03-12 | 2021-07-20 | 深圳智造谷工业互联网创新中心有限公司 | 工业设备控制方法、电子装置及存储介质 |
| CN113255882A (zh) * | 2021-04-30 | 2021-08-13 | 南通大学 | 一种基于改进卷积胶囊网络的轴承故障诊断方法 |
| CN113902228A (zh) * | 2021-12-09 | 2022-01-07 | 北京东润环能科技股份有限公司 | 基于逐步回归与深度学习的风电功率预测方法及相关设备 |
| CN114510512A (zh) * | 2021-12-21 | 2022-05-17 | 中国大唐集团新能源科学技术研究院有限公司 | 一种基于深度学习与多重集成的风电短期功率预测方法 |
| CN115330040A (zh) * | 2022-08-05 | 2022-11-11 | 江苏润和软件股份有限公司 | 基于深度学习的综合能源分布式风力发电预测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120315920A1 (en) * | 2011-06-10 | 2012-12-13 | International Business Machines Corporation | Systems and methods for analyzing spatiotemporally ambiguous events |
| CN106126896A (zh) * | 2016-06-20 | 2016-11-16 | 中国地质大学（武汉） | 基于经验模态分解和深度学习的混合模型风速预测方法及系统 |
| CN107766937A (zh) * | 2017-09-11 | 2018-03-06 | 重庆大学 | 基于特征选取和循环神经网络的风电场功率超短期预测方法 |
| CN108846410A (zh) * | 2018-05-02 | 2018-11-20 | 湘潭大学 | 基于稀疏自动编码深度神经网络的电能质量扰动分类方法 |
| CN110083125A (zh) * | 2019-05-19 | 2019-08-02 | 重庆理工大学 | 一种基于深度学习的机床热误差建模方法 |
| CN111091236A (zh) * | 2019-11-27 | 2020-05-01 | 长春吉电能源科技有限公司 | 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 |
| CN111256965A (zh) * | 2020-01-20 | 2020-06-09 | 郑州轻工业大学 | 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法 |
-
2020
- 2020-06-27 CN CN202010593532.6A patent/CN111832812A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120315920A1 (en) * | 2011-06-10 | 2012-12-13 | International Business Machines Corporation | Systems and methods for analyzing spatiotemporally ambiguous events |
| CN106126896A (zh) * | 2016-06-20 | 2016-11-16 | 中国地质大学（武汉） | 基于经验模态分解和深度学习的混合模型风速预测方法及系统 |
| CN107766937A (zh) * | 2017-09-11 | 2018-03-06 | 重庆大学 | 基于特征选取和循环神经网络的风电场功率超短期预测方法 |
| CN108846410A (zh) * | 2018-05-02 | 2018-11-20 | 湘潭大学 | 基于稀疏自动编码深度神经网络的电能质量扰动分类方法 |
| CN110083125A (zh) * | 2019-05-19 | 2019-08-02 | 重庆理工大学 | 一种基于深度学习的机床热误差建模方法 |
| CN111091236A (zh) * | 2019-11-27 | 2020-05-01 | 长春吉电能源科技有限公司 | 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 |
| CN111256965A (zh) * | 2020-01-20 | 2020-06-09 | 郑州轻工业大学 | 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 曹天行等: "基于集合经验模态和深浅层学习组合的风电场功率短期预测研究", 《电测与仪表》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112564118A (zh) * | 2020-11-23 | 2021-03-26 | 广西大学 | 一种分布式可拓展量子深宽度学习的实时电压控制方法 |
| 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 |
| CN112766592A (zh) * | 2021-01-27 | 2021-05-07 | 中国科学院大气物理研究所 | 夏季登陆中国台风数量预测方法、装置、设备及存储介质 |
| CN113138589A (zh) * | 2021-03-12 | 2021-07-20 | 深圳智造谷工业互联网创新中心有限公司 | 工业设备控制方法、电子装置及存储介质 |
| CN113138589B (zh) * | 2021-03-12 | 2022-06-07 | 深圳智造谷工业互联网创新中心有限公司 | 工业设备控制方法、电子装置及存储介质 |
| CN113255882A (zh) * | 2021-04-30 | 2021-08-13 | 南通大学 | 一种基于改进卷积胶囊网络的轴承故障诊断方法 |
| CN113902228A (zh) * | 2021-12-09 | 2022-01-07 | 北京东润环能科技股份有限公司 | 基于逐步回归与深度学习的风电功率预测方法及相关设备 |
| CN114510512A (zh) * | 2021-12-21 | 2022-05-17 | 中国大唐集团新能源科学技术研究院有限公司 | 一种基于深度学习与多重集成的风电短期功率预测方法 |
| CN114510512B (zh) * | 2021-12-21 | 2023-10-31 | 大唐可再生能源试验研究院有限公司 | 一种基于深度学习与多重集成的风电短期功率预测方法 |
| CN115330040A (zh) * | 2022-08-05 | 2022-11-11 | 江苏润和软件股份有限公司 | 基于深度学习的综合能源分布式风力发电预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111832812A (zh) | 一种基于深度学习的风电功率短期预测方法 | |
| Ghaderi et al. | Deep forecast: Deep learning-based spatio-temporal forecasting | |
| CN107766990B (zh) | 一种光伏电站发电功率的预测方法 | |
| CN110288136B (zh) | 风电功率多步预测模型建立方法 | |
| CN111414717A (zh) | 一种基于XGBoost-LightGBM的机组功率预测方法 | |
| CN103955521B (zh) | 一种风电场机群划分方法 | |
| CN104077632A (zh) | 一种基于深度神经网络的风电场功率预测方法 | |
| CN115829105A (zh) | 基于历史数据特征搜索的光伏功率预测方法 | |
| Li et al. | Deep spatio-temporal wind power forecasting | |
| CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
| CN112070311A (zh) | 基于相似日聚类和气象因子赋权的日前光功率预测方法 | |
| CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
| CN114399081A (zh) | 一种基于天气分类的光伏发电功率预测方法 | |
| Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
| Park et al. | Multi-layer RNN-based short-term photovoltaic power forecasting using IoT dataset | |
| CN114118596A (zh) | 一种光伏发电量预测方法和装置 | |
| CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
| KR20230076695A (ko) | 태양광 주기성에 적합한 시간 변수를 반영한 태양광 발전량 예측 장치 및 방법 | |
| CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
| CN116502074A (zh) | 一种基于模型融合的光伏发电功率预测方法及系统 | |
| CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
| CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
| Xu et al. | One-day ahead forecast of PV output based on deep belief network and weather classification | |
| Bendali et al. | Deep learning for very short term solar irradiation forecasting | |
| Wan et al. | Photovoltaic generation scenario analysis considering irradiation uncertainty and output derating probability |
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: 20201027 |