CN113449847B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113449847B CN113449847B CN202110670786.8A CN202110670786A CN113449847B CN 113449847 B CN113449847 B CN 113449847B CN 202110670786 A CN202110670786 A CN 202110670786A CN 113449847 B CN113449847 B CN 113449847B
- Authority
- CN
- China
- Prior art keywords
- wind power
- wind
- wind speed
- data
- time
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005096 rolling process Methods 0.000 title claims abstract description 26
- 230000008859 change Effects 0.000 title claims abstract description 24
- 230000015654 memory Effects 0.000 claims abstract description 42
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 26
- 210000004027 cell Anatomy 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000010248 power generation Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000000306 recurrent effect Effects 0.000 claims description 11
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 9
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000036962 time dependent Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 239000008358 core component Substances 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims 1
- 239000000203 mixture Substances 0.000 claims 1
- 238000011161 development Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910052731 fluorine Inorganic materials 0.000 description 2
- 125000001153 fluoro group Chemical group F* 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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—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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Wind Motors (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
Abstract
本发明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属于电力市场的技术领域;解决的技术问题为:提供一种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,利用数据预处理,处理异常数据并完成海上风速与风电功率归一化,进而通过差分平滑功率序列建立秒级时间尺度下风速预测模型,最后建立滚动LSTM记忆网络,实现秒级时间序列数据的预测并对应该风速下的风电功率;采用的技术方案为: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,包括以下步骤:步骤S1)风速与风电功率数据的预处理,步骤S2)建立风速与风电功率预测模型,步骤S3)算例分析验证。
Description
技术领域
本发明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属于电力市场的技术领域,具体涉及一种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。
背景技术
分布随着海上风电装机数量不断增加、容量不断提高,风力发电技术和相应设备制造能力的迅速发展,风力发电已成为目前技术最为成熟、最具发展前景的可再生能源,海上风速高,风机单机容量大,年运行小时数最高可达4000小时以上,海上风电效率较陆上风电年发电量多出20%~40%,具有更高的能源效益;海上风电场远离陆地,不受城市规划影响,也不必担心噪音、电磁波等对居民的影响,同时可以带动沿海地区经济发展,方便沿海重负荷城市就地消纳。但由于海上风电具有随机性、不可控制性等特点,容易引起风电发电公司无法正确上报发电量,从而导致上报电量过少主动弃风、上报电量过多被罚款,故在实际应用中,需预测风速并预测短期风电功率。
目前,海上风电功率预测是以历史出力数据、数值天气预报(Numeric WeatherPrediction,NWP)和实测气象数据为基础,建立预测模型对未来海上风电输出功率的预测。现有的研究中,已出现以挖掘和分析风电功率的固有波动规律为切入点,围绕风电波动规律在超短期预测中的利用问题研究新方法,也有利用基于极限学习机和对自举的预测间隔公式的新方法在不同季节进行了风电预测并验证其有效性,还有通过支持向量机回归的风电功率预测模型并有效验证针对不同风电天气类型,选取邻近日分别建立基于其可靠性。如何使海上风电发电方使用风电预测和预测方法来计划和调度海上风电机组,并使得海上风电发电方和电力部门利润最大化,急需准确的风电预测。
但现有的多因素海上风电预测方法无法满足信息缺失的情况,当仅有海上风电机组风速与风电功率的情况下,如何满足未来几小时内的风电功率预测,是我们当前急需的研究方向。
发明内容
本发明克服现有技术存在的不足,所要解决的技术问题为:提供一种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,利用数据预处理,处理异常数据并完成海上风速与风电功率归一化,进而通过差分平滑功率序列建立秒级时间尺度下风速预测模型,最后建立滚动LSTM记忆网络,实现秒级时间序列数据的预测并对应该风速下的风电功率。
为了解决上述技术问题,本发明采用的技术方案为: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,包括以下步骤:
步骤S1)风速与风电功率数据的预处理;
步骤S2)建立风速与风电功率预测模型;
步骤S3)算例分析验证。
所述的步骤S1)中,对风速与风电功率数据的预处理过程为:
步骤S11)异常数据处理与归一化:
(1)实验数据
海上风电场通过各种传感器采集测风数据,并通过数据传输装置实现现场数据的快速转换和传输,对原始测风数据进行分析、检验和修正,得到更为精确的历史数据;
(2)Max-Min归一化
预测模型训练前,由于模型中的GRU神经单元采用Sigmoid和tanh函数作为激活函数,并且也为了提高风电功率预测的精度和数据在训练过程中的收敛速度,采用Max-Min归一化方法对原始风电功率数据进行归一化处理,将其转换为[0,1]区间的数据,数据归一化的公式为:
式中,y为归一化后的风电功率值;xmax为原始风电功率数据中的最大值;xmin为原始风电功率数据中的最小值;xi为实际的风电功率值;
在一般情况下,认为风场的功率出力为每个风力发电机的叠加,风机的输出功率可用下式表达:
式中,Cp为风机对风能的利用系数;ρ为空气密度;r为风机叶片半径;v为风速;其中风能利用系数表示风电功率与风能的比值,也就是风机对风能的转化效率,根据贝兹极限,在不考虑尾流影响的条件下,水平风机的风能利用系数最大为0.593;
步骤S12)风速与风电功率拟合关系分析
由于风速变化,小风速与过大风速不利于风力发电,小风速无法带动叶片转动,过大风速会引起海上风电机组故障,在设计时,海上风电机组需安装限速装置,保证风机在大风时能安全运行,风机设计时有以下规定:切入风速vin,切出风速vout,额定风速vr,因此海上风电功率公式也可以表示:
式中,f(v)作为在风速在切入风速与额定风速之间下的海上风电功率与风速的关系方程;Pr表示切出风速与额定风速之间的海上风电功率;
但现实中无法准确求解风速与风电功率的关系,无法求解风速与风电功率的实际方程,故采用Sigmoidal模型、采用boltzmann方程进行非线性拟合风速与风电功率的实际方程,如下所示:
式(4)为boltzmann方程,A1,A2,x0,B是boltzmann方程的参数。
所述的步骤S2)中,建立风速与风电功率预测模型的过程为:
步骤S21)建立秒级时间尺度下风电功率预测模型:
时间序列具有动态时间特性,即当前时刻的序列值与前若干个时刻的序列值具有相关性,相关性随时间间隔减小而增加,而海上风电具有众多不确定因素,如风向、气压、温度,根据其海上风力波动规律与时间序列,判断未来短期风速变化,以此预测风电功率大小,秒级时间尺度下单一风速变化预测模型表示为:
P(t)=f1(P(t-θ),P(t-2θ),…)+E(t) (5)
式中:θ为数据采集的时间间隔;f1为海上风电功率序列的时间相关性函数;E(t)为t时刻预测误差;
由于天气系统的复杂性,海上风电功率序列具有不平稳性,通过差分平滑功率序列,可降低f1复杂度,减小预测误差,即:
ΔP(t)=f2(ΔP(t-θ),ΔP(t-2θ),…)+e(t) (6)
式中:ΔP(t)为t时刻与t-θ时刻海上风电功率的变化值;f2为海上风电功率差分序列的时间相关性函数;e(t)为t时刻的最小预测误差;P为(t-2θ)时刻下的海上风电功率;
步骤S22)建立滚动LSTM神经网络模型:
循环神经网络是人工神经网络的一种,循环神经网络善于处理时间序列数据,可以在时间轴上描述数据前后关系,LSTM是由Hochreiter和Schmidhuber作为循环神经网络的衍生而提出,LSTM在循环神经网络隐藏层中添加多个特殊的计算节点,改善反向传播时梯度传递方式,有效减缓梯度消失或梯度爆炸的情况,解决了因RNN存在长期依赖问题而无法建立时间跨度的预测模型问题;
LSTM模型网络拓扑结构中引入了门控单元控制本时刻信息对前信息的影响,模型具有时间的记忆性,适用于长时间非线性序列预测问题,LSTM网络结构由输入门、输出门和遗忘门所构成,相较于RNN不同的是:其内部有多个隐藏层,隐藏层的神经元被替换为具有门控机制的记忆单元;
得出LSTM记忆网络结构图,记忆细胞单元是LSTM网络的核心组件,模型的输入包含t时刻序列输入xt,t-1时刻隐藏层细胞状态ht-1和记忆单元ct-1;输出包含记忆单元状态ct与隐藏层状态ht,其中ct与ht各自包含了模型的长期、短期记忆信息,通过控制输入门、遗忘门和输出门来实现记忆细胞单元的读取和修改,进行网络之间的信息流动,tanh表示tanh的激活函数,输入门利用sigmoid激活函数对参数进行录入,将变量控制在[0,1]之间,实现xt对ct的控制;遗忘门的是将上一时刻的神经元状态选择性遗忘,具体表现形式是利用记忆单元ct-1对ct的控制;输出门用来输出和控制参数变量,即利用ct对ht的影响程度,计算公式分别如下:
it=σ(Wixxt+Wihht-1+bi) (7)
ft=σ(Wfxxt+Wfhht-1+bf) (8)
ot=σ(Woxxt+Wohht-1+bo) (9)
式中:it、ft、ot分别表示输入门、遗忘门与输出门的状态计算结果;Wih、Wfh、Wox与bi、bf、bo分别表示相应门的权重矩阵与偏置项;σ代表sigmoid激活函数;Wih表示输入门的权重矩阵;Wfh表示遗忘门的权重矩阵;Wox表示输出门的权重矩阵;
LSTM模型中在t时刻记忆模块的输出结果由输出门与单元状态共同决定,具体公式如下:
c′t=tanh(Wc·ht-1+Wf·xt+bc) (10)
ct=ft⊙ct-1+it⊙ct′ (11)
ht=ot⊙tanh(ct) (12)
式中:ct’表示时刻t的单元状态输入;tanh为双曲正切激活函数;Wc、bc分别代表输入层的状态权重矩阵与偏置项;Wf表示遗忘层的状态权重矩阵;⊙表示各元素按位置相乘;
通过滚动LSTM记忆网络,实现时间序列数据的预测;
步骤S22)验证滚动LSTM神经网络模型的预测性能:
为准确验证本文所提的LSTM网络模型的预测性能,选取平均绝对百分比误差yMAPE、根均方误差yRMSE和预测精度yFA作为评价指标对模型预测效果进行分析,其中yMAPE与yRMSE数值越小,表示拟合优度越大,模型预测结果越准确,具体定义公式如下:
式中:n表示测试集的样本容量;Xact(i)和Xpred(i)i=1,2,…n分别为第i时刻海上风电功率的真实值和预测值。
所述的步骤S3)中,算例分析验证,将实际数据套入步骤S1)和步骤S2)中进行推导,其结果为:
相较于RNN与ARIMA预测模型,LSTM预测模型的yMAPE最低,同时yRMSE指标最低,yFA分别最高,说明LSTM预测模型在秒级时间序列风速变化的海上风电功率预测问题上有着更好的预测效果。
本发明与现有技术相比具有以下有益效果:
(1)采用LSTM滚动预测模型,对于秒级海上风速与风电功率进行分析,完成了未来4小时内的每秒海上风电功率的预测;
(2)利用LSTM网络适用于时序性的特点,相较RNN与ARIMA预测模型,本发明构建的LSTM滚动预测模型预测精度方面有着较大的提升;
(3)计算机技术的快速发展结合大数据平台的综合运用,将模型运用到其他预测领域,可能挖掘出更多的有效信息,进而提高预测精度,可为后续长期海上风电功率精准预测提供理论指导。
附图说明
下面结合附图对本发明做进一步详细的说明;
图1为本发明的方法流程示意图;
图2为本发明中风速与风电功率的理想关系;
图3为本发明中的循环神经网络结构;
图4为本发明中的LSTM记忆网络结构;
图5为本发明中的滚动LSTM记忆网络;
图6为本发明中算例分析实施例中的秒级风速与海上风电功率;
图7为本发明中算例分析实施例中的秒级风速与海上风电功率异常处理与拟合;
图8为本发明中算例分析实施例中的实际功率曲线与其他模型预测功率曲线;
图9为本发明中算例分析实施例中的部分时间下实际功率曲线与其他模型预测功率曲线;
图10为本发明中算例分析实施例中的部分时间下预测点样本秒级功率误差。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明中的实施例,对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,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作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。
本发明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,包括以下步骤:
步骤S1)风速与风电功率数据的预处理;
步骤S2)建立风速与风电功率预测模型;
步骤S3)算例分析验证。
所述的步骤S1)中,对风速与风电功率数据的预处理过程为:
步骤S11)异常数据处理与归一化:
(1)实验数据
海上风电场通过各种传感器采集测风数据,并通过数据传输装置实现现场数据的快速转换和传输,对原始测风数据进行分析、检验和修正,得到更为精确的历史数据;
(2)Max-Min归一化
预测模型训练前,由于模型中的GRU神经单元采用Sigmoid和tanh函数作为激活函数,并且也为了提高风电功率预测的精度和数据在训练过程中的收敛速度,采用Max-Min归一化方法对原始风电功率数据进行归一化处理,将其转换为[0,1]区间的数据,数据归一化的公式为:
式中,y为归一化后的风电功率值;xmax为原始风电功率数据中的最大值;xmin为原始风电功率数据中的最小值;xi为实际的风电功率值;
在一般情况下,认为风场的功率出力为每个风力发电机的叠加,风机的输出功率可用下式表达:
式中,Cp为风机对风能的利用系数;ρ为空气密度;r为风机叶片半径;v为风速;其中风能利用系数表示风电功率与风能的比值,也就是风机对风能的转化效率,根据贝兹极限,在不考虑尾流影响的条件下,水平风机的风能利用系数最大为0.593;
步骤S12)风速与风电功率拟合关系分析
由于风速变化,小风速与过大风速不利于风力发电,小风速无法带动叶片转动,过大风速会引起海上风电机组故障,在设计时,海上风电机组需安装限速装置,保证风机在大风时能安全运行,风机设计时有以下规定:切入风速vin,切出风速vout,额定风速vr,因此海上风电功率公式也可以表示:
式中,f(v)作为在风速在切入风速与额定风速之间下的海上风电功率与风速的关系方程;Pr表示切出风速与额定风速之间的海上风电功率;
但现实中无法准确求解风速与风电功率的关系,无法求解风速与风电功率的实际方程,故采用Sigmoidal模型、采用boltzmann方程进行非线性拟合风速与风电功率的实际方程,如下所示:
式(4)为boltzmann方程,A1,A2,x0,B是boltzmann方程的参数。
所述的步骤S2)中,建立风速与风电功率预测模型的过程为:
步骤S21)建立秒级时间尺度下风电功率预测模型:
时间序列具有动态时间特性,即当前时刻的序列值与前若干个时刻的序列值具有相关性,相关性随时间间隔减小而增加,而海上风电具有众多不确定因素,如风向、气压、温度,根据其海上风力波动规律与时间序列,判断未来短期风速变化,以此预测风电功率大小,秒级时间尺度下单一风速变化预测模型表示为:
P(t)=f1(P(t-θ),P(t-2θ),…)+E(t) (5)
式中:θ为数据采集的时间间隔;f1为海上风电功率序列的时间相关性函数;E(t)为t时刻预测误差;
由于天气系统的复杂性,海上风电功率序列具有不平稳性,通过差分平滑功率序列,可降低f1复杂度,减小预测误差,即:
ΔP(t)=f2(ΔP(t-θ),ΔP(t-2θ),…)+e(t) (6)
式中:ΔP(t)为t时刻与t-θ时刻海上风电功率的变化值;f2为海上风电功率差分序列的时间相关性函数;e(t)为t时刻的最小预测误差;P为(t-2θ)时刻下的海上风电功率;
步骤S22)建立滚动LSTM神经网络模型:
循环神经网络是人工神经网络的一种,循环神经网络善于处理时间序列数据,可以在时间轴上描述数据前后关系,LSTM是由Hochreiter和Schmidhuber作为循环神经网络的衍生而提出,LSTM在循环神经网络隐藏层中添加多个特殊的计算节点,改善反向传播时梯度传递方式,有效减缓梯度消失或梯度爆炸的情况,解决了因RNN存在长期依赖问题而无法建立时间跨度的预测模型问题;
LSTM模型网络拓扑结构中引入了门控单元控制本时刻信息对前信息的影响,模型具有时间的记忆性,适用于长时间非线性序列预测问题,LSTM网络结构由输入门、输出门和遗忘门所构成,相较于RNN不同的是:其内部有多个隐藏层,隐藏层的神经元被替换为具有门控机制的记忆单元;
得出LSTM记忆网络结构图,记忆细胞单元是LSTM网络的核心组件,模型的输入包含t时刻序列输入xt,t-1时刻隐藏层细胞状态ht-1和记忆单元ct-1;输出包含记忆单元状态ct与隐藏层状态ht,其中ct与ht各自包含了模型的长期、短期记忆信息,通过控制输入门、遗忘门和输出门来实现记忆细胞单元的读取和修改,进行网络之间的信息流动,tanh表示tanh的激活函数,输入门利用sigmoid激活函数对参数进行录入,将变量控制在[0,1]之间,实现xt对ct的控制;遗忘门的是将上一时刻的神经元状态选择性遗忘,具体表现形式是利用记忆单元ct-1对ct的控制;输出门用来输出和控制参数变量,即利用ct对ht的影响程度,计算公式分别如下:
it=σ(Wixxt+Wihht-1+bi) (7)
ft=σ(Wfxxt+Wfhht-1+bf) (8)
ot=σ(Woxxt+Wohht-1+bo) (9)
式中:it、ft、ot分别表示输入门、遗忘门与输出门的状态计算结果;Wih、Wfh、Wox与bi、bf、bo分别表示相应门的权重矩阵与偏置项;σ代表sigmoid激活函数;Wih表示输入门的权重矩阵;Wfh表示遗忘门的权重矩阵;Wox表示输出门的权重矩阵;
LSTM模型中在t时刻记忆模块的输出结果由输出门与单元状态共同决定,具体公式如下:
c′t=tanh(Wc·ht-1+Wf·xt+bc) (10)
ct=ft⊙ct-1+it⊙ct′ (11)
ht=ot⊙tanh(ct) (12)
式中:ct’表示时刻t的单元状态输入;tanh为双曲正切激活函数;Wc、bc分别代表输入层的状态权重矩阵与偏置项;Wf表示遗忘层的状态权重矩阵;⊙表示各元素按位置相乘;
通过滚动LSTM记忆网络,实现时间序列数据的预测;
步骤S22)验证滚动LSTM神经网络模型的预测性能:
为准确验证本文所提的LSTM网络模型的预测性能,选取平均绝对百分比误差yMAPE、根均方误差yRMSE和预测精度yFA作为评价指标对模型预测效果进行分析,其中yMAPE与yRMSE数值越小,表示拟合优度越大,模型预测结果越准确,具体定义公式如下:
式中:n表示测试集的样本容量;Xact(i)和Xpred(i)i=1,2,…n分别为第i时刻海上风电功率的真实值和预测值。
所述的步骤S3)中,以实施例进行算例分析的过程为:
(1)分析实验数据集与实验环境:
本实施例在操作系统为Windows 10、内存为8GB、CPU为IntelI CoreI i3-9100FCPU@3.60GHz、GPU为NVIDIA GeForce GTX 1650的实验环境中实现,使用Python3.8语言开发,实验软件平台为Anacaoda3和Tensorflow1.14.0,编写LSTM记忆网络、循环神经网络与时间序列预测常用的ARIMA。
图2的风速与风电功率的理想关系曲线图还可为异常数据处理做基础,为验证本发明所提出的考虑秒级时间序列风速变化的海上风电功率预测模型的科学性与可靠性,本次算例分析使用江苏省某海上风电一天内秒级风速与秒级海上风电功率的在线监测数据,该风电机组群中共有105个海上风电机组,额定功率为1500kW,某机组风速与海上风电功率如图6所示。
由图6可知,部分数据显示功率小于0,需处理异常数据,且该机组海上风电功率未达到额定功率的一半,故判断该风速与功率关系应处于上升部分,通过boltzmann方程进行非线性拟合秒级风速与海上风电功率如图7所示。
对风电数据采用差分法,只考虑序列中的变化率,排除序列中所具有的趋势问题,并采用滚动LSTM模型对海上风电功率进行时间序列预测。
LSTM网络模型由输入层、1个隐藏层和输出层组成,采用Adam算法训练LSTM内部参数,隐藏层中的激活函数使用tanh函数,网络节点的舍弃率取0.2,为防止过度拟合,迭代次数取300,LSTM模型中学习率设置为0.001、隐藏层神经元个数为4个,同时将一天中前18个小时作为训练集,后4个小时作为测试集。
(2)预测海上风电结果:
本实施例选取滚动LSTM模型来实现秒级海上风电功率的预测,实际功率曲线与其他模型预测功率曲线4小时之内每秒数值如图8所示,预测结果的评价指标如表1所示。
表1预测结果的评价指标
通过截取22:59:30到23:00:30的数据,可见LSTM秒级预测模型更接近真实数据,秒级功率误差更低。截取部分时间下实际功率曲线与其他模型预测功率曲线如图9所示,截取部分时间下预测点样本秒级功率误差如图10所示。
根据上述算例分析实施例,可得出所述的步骤S3)中,算例分析验证的结果为:
相较于RNN与ARIMA预测模型,LSTM预测模型的yMAPE最低,同时yRMSE指标最低,yFA分别最高,说明LSTM预测模型在秒级时间序列风速变化的海上风电功率预测问题上有着更好的预测效果。同理,继续以当日其他104个海上风电机组群的数据为例,采用LSTM预测模型对其风电机组进行海上风电功率预测,预测结果的评价指标如表2。
表2其他风电机组预测结果的评价指标平均值
结果显示,LSTM预测模型的预测误差均低于RNN与时间序列预测常用的ARIMA方法,具有较高的预测稳定性与可靠性。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (2)
1.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,其特征在于:包括以下步骤:
步骤S1)风速与风电功率数据的预处理;
步骤S2)建立风速与风电功率预测模型;
步骤S3)算例分析验证;
所述的步骤S1)中,对风速与风电功率数据的预处理过程为:
步骤S11)异常数据处理与归一化:
(1)实验数据
海上风电场通过各种传感器采集测风数据,并通过数据传输装置实现现场数据的快速转换和传输,对原始测风数据进行分析、检验和修正,得到更为精确的历史数据;
(2)Max-Min归一化
预测模型训练前,由于模型中的GRU神经单元采用Sigmoid和tanh函数作为激活函数,并且也为了提高风电功率预测的精度和数据在训练过程中的收敛速度,采用Max-Min归一化方法对原始风电功率数据进行归一化处理,将其转换为[0,1]区间的数据,数据归一化的公式为:
式中,y为归一化后的风电功率值;xmax为原始风电功率数据中的最大值;xmin为原始风电功率数据中的最小值;xi为实际的风电功率值;
在一般情况下,认为风场的功率出力为每个风力发电机的叠加,风机的输出功率可用下式表达:
式中,Cp为风机对风能的利用系数;ρ为空气密度;r为风机叶片半径;v为风速;其中风能利用系数表示风电功率与风能的比值,也就是风机对风能的转化效率,根据贝兹极限,在不考虑尾流影响的条件下,水平风机的风能利用系数最大为0.593;
步骤S12)风速与风电功率拟合关系分析
由于风速变化,小风速与过大风速不利于风力发电,小风速无法带动叶片转动,过大风速会引起海上风电机组故障,在设计时,海上风电机组需安装限速装置,保证风机在大风时能安全运行,风机设计时有以下规定:切入风速vin,切出风速vout,额定风速vr,因此海上风电功率公式也可以表示:
式中,f(v)作为在风速在切入风速与额定风速之间下的海上风电功率与风速的关系方程;Pr表示切出风速与额定风速之间的海上风电功率;
但现实中无法准确求解风速与风电功率的关系,无法求解风速与风电功率的实际方程,故采用Sigmoidal模型、采用boltzmann方程进行非线性拟合风速与风电功率的实际方程,如下所示:
式(4)为boltzmann方程;A1,A2,x0,B是boltzmann方程的参数;
所述的步骤S2)中,建立风速与风电功率预测模型的过程为:
步骤S21)建立秒级时间尺度下风电功率预测模型:
时间序列具有动态时间特性,即当前时刻的序列值与前若干个时刻的序列值具有相关性,相关性随时间间隔减小而增加,而海上风电具有众多不确定因素,如风向、气压、温度,根据其海上风力波动规律与时间序列,判断未来短期风速变化,以此预测风电功率大小,秒级时间尺度下单一风速变化预测模型表示为:
P(t)=f1(P(t-θ),P(t-2θ),…)+E(t) (5)
式中:θ为数据采集的时间间隔;f1为海上风电功率序列的时间相关性函数;E(t)为t时刻预测误差;
由于天气系统的复杂性,海上风电功率序列具有不平稳性,通过差分平滑功率序列,可降低f1复杂度,减小预测误差,即:
ΔP(t)=f2(ΔP(t-θ),ΔP(t-2θ),…)+e(t) (6)
式中:ΔP(t)为t时刻与t-θ时刻海上风电功率的变化值;f2为海上风电功率差分序列的时间相关性函数;e(t)为t时刻的最小预测误差;P为(t-2θ)时刻下的海上风电功率;
步骤S22)建立滚动LSTM神经网络模型:
循环神经网络是人工神经网络的一种,循环神经网络善于处理时间序列数据,可以在时间轴上描述数据前后关系,LSTM是由Hochreiter和Schmidhuber作为循环神经网络的衍生而提出,LSTM在循环神经网络隐藏层中添加多个特殊的计算节点,改善反向传播时梯度传递方式,有效减缓梯度消失或梯度爆炸的情况,解决了因RNN存在长期依赖问题而无法建立时间跨度的预测模型问题;
LSTM模型网络拓扑结构中引入了门控单元控制本时刻信息对前信息的影响,模型具有时间的记忆性,适用于长时间非线性序列预测问题,LSTM网络结构由输入门、输出门和遗忘门所构成,相较于RNN不同的是:其内部有多个隐藏层,隐藏层的神经元被替换为具有门控机制的记忆单元;
得出LSTM记忆网络结构图,记忆细胞单元是LSTM网络的核心组件,模型的输入包含t时刻序列输入xt,t-1时刻隐藏层细胞状态ht-1和记忆单元ct-1;输出包含记忆单元状态ct与隐藏层状态ht,其中ct与ht各自包含了模型的长期、短期记忆信息,通过控制输入门、遗忘门和输出门来实现记忆细胞单元的读取和修改,进行网络之间的信息流动,tanh表示tanh的激活函数,输入门利用sigmoid激活函数对参数进行录入,将变量控制在[0,1]之间,实现xt对ct的控制;遗忘门的是将上一时刻的神经元状态选择性遗忘,具体表现形式是利用记忆单元ct-1对ct的控制;输出门用来输出和控制参数变量,即利用ct对ht的影响程度,计算公式分别如下:
it=σ(Wixxt+Wihht-1+bi) (7)
ft=σ(Wfxxt+Wfhht-1+bf) (8)
ot=σ(Woxxt+Wohht-1+bo) (9)
式中:it、ft、ot分别表示输入门、遗忘门与输出门的状态计算结果;Wih表示输入门的权重矩阵;Wfh表示遗忘门的权重矩阵;Wox表示输出门的权重矩阵;bi、bf、bo分别表示相应门偏置项;σ代表sigmoid激活函数;
LSTM模型中在t时刻记忆模块的输出结果由输出门与单元状态共同决定,具体公式如下:
c′t=tanh(Wc·ht-1+Wf·xt+bc) (10)
ct=ft⊙ct-1+it⊙c′t (11)
ht=ot⊙tanh(ct) (12)
式中:ct’表示时刻t的单元状态输入;tanh为双曲正切激活函数;Wc、bc分别代表输入层的状态权重矩阵与偏置项;Wf表示遗忘层的状态权重矩阵;⊙表示各元素按位置相乘;
通过滚动LSTM记忆网络,实现时间序列数据的预测;
步骤S22)验证滚动LSTM神经网络模型的预测性能:
为准确验证本文所提的LSTM网络模型的预测性能,选取平均绝对百分比误差yMAPE、根均方误差yRMSE和预测精度yFA作为评价指标对模型预测效果进行分析,其中yMAPE与yRMSE数值越小,表示拟合优度越大,模型预测结果越准确,具体定义公式如下:
式中:n表示测试集的样本容量;Xact(i)和Xpred(i)i=1,2,…n分别为第i时刻海上风电功率的真实值和预测值。
2.根据权利要求1所述的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,其特征在于:所述的步骤S3)中,算例分析验证,将实际数据套入步骤S1)和步骤S2)中进行推导,其结果为:
相较于RNN与ARIMA预测模型,LSTM预测模型的yMAPE最低,同时yRMSE指标最低,yFA分别最高,说明LSTM预测模型在秒级时间序列风速变化的海上风电功率预测问题上有着更好的预测效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110670786.8A CN113449847B (zh) | 2021-06-17 | 2021-06-17 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110670786.8A CN113449847B (zh) | 2021-06-17 | 2021-06-17 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449847A CN113449847A (zh) | 2021-09-28 |
CN113449847B true CN113449847B (zh) | 2022-08-19 |
Family
ID=77811602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110670786.8A Active CN113449847B (zh) | 2021-06-17 | 2021-06-17 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449847B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115394546B (zh) * | 2022-10-27 | 2023-01-06 | 山东晨宇电气股份有限公司 | 海上风电试验变压器 |
CN115994325B (zh) * | 2023-03-24 | 2023-05-30 | 湖北省气象服务中心(湖北省专业气象服务台) | 基于TimeGAN深度学习方法的风机覆冰发电功率数据增强方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898251B (zh) * | 2018-06-29 | 2021-10-08 | 上海电力学院 | 考虑气象相似性和功率波动的海上风电场功率预测方法 |
CN109214566B (zh) * | 2018-08-30 | 2021-02-26 | 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 |
CN111815033B (zh) * | 2020-06-19 | 2024-07-02 | 上海电力大学 | 一种基于rcnn和气象时序特征的海上风电功率预测方法 |
CN112686445A (zh) * | 2020-12-30 | 2021-04-20 | 南京工程学院 | 一种基于arima-lstm-dbn的光伏发电预测方法 |
-
2021
- 2021-06-17 CN CN202110670786.8A patent/CN113449847B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113449847A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Approaches to wind power curve modeling: A review and discussion | |
Zhao et al. | Research and application based on the swarm intelligence algorithm and artificial intelligence for wind farm decision system | |
CN108734331B (zh) | 基于lstm的短期光伏发电功率预测方法及系统 | |
Wang et al. | Dynamic spatio-temporal correlation and hierarchical directed graph structure based ultra-short-term wind farm cluster power forecasting method | |
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 | |
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 | |
CN113537582B (zh) | 一种基于短波辐射修正的光伏功率超短期预测方法 | |
Goudarzi et al. | Intelligent analysis of wind turbine power curve models | |
Xu et al. | Correlation based neuro-fuzzy Wiener type wind power forecasting model by using special separate signals | |
CN116167527B (zh) | 纯数据驱动的电力系统静态安全运行风险在线评估方法 | |
CN116167531A (zh) | 一种基于数字孪生的光伏发电预测方法 | |
Huang et al. | Improved clustering and deep learning based short-term wind energy forecasting in large-scale wind farms | |
Shabbir et al. | Short-term wind energy forecasting using deep learning-based predictive analytics | |
Yuan et al. | A PSO‐LSTM Model of Offshore Wind Power Forecast considering the Variation of Wind Speed in Second‐Level Time Scale | |
CN103632314B (zh) | 基于概率统计的风电场广义节点特征建模方法 | |
Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
CN118017482A (zh) | 基于预测误差特征提取的灵活性爬坡容量需求分析方法 | |
Nguyen et al. | A recent invasion wave of deep learning in solar power forecasting techniques using ANN | |
Yang et al. | Day‐ahead wind power combination forecasting based on corrected numerical weather prediction and entropy method | |
Xu et al. | A classified identification deep-belief network for predicting electric-power load | |
Liu et al. | Short-Term Wind Speed and Wind Power Prediction Based on Meteorological Model Modification | |
CN117892099B (zh) | 基于概率神经网络的风电机组服役效能评估方法和系统 | |
Zhu et al. | Operation state of the wind turbine pitch system based on fuzzy comprehensive evaluation | |
Zhou et al. | Day-ahead power forecasting model for a photovoltaic plant in Macao based on weather classification using SVM/PCC/LM-ANN | |
Matip et al. | Estimation of wind power in coastal areas using a Model based on the learning of a Multilayer Perceptron: Case of Douala, Cameroon |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |