CN113902228A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113902228A
CN113902228A CN202111495208.1A CN202111495208A CN113902228A CN 113902228 A CN113902228 A CN 113902228A CN 202111495208 A CN202111495208 A CN 202111495208A CN 113902228 A CN113902228 A CN 113902228A
Authority
CN
China
Prior art keywords
output
wind power
data
parameters
power prediction
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
CN202111495208.1A
Other languages
English (en)
Inventor
李润
田伟
谷宗鹏
马腾飞
柴宏阳
于晓磊
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.)
Beijing East Environment Energy Technology Co ltd
Original Assignee
Beijing East Environment Energy Technology 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 Beijing East Environment Energy Technology Co ltd filed Critical Beijing East Environment Energy Technology Co ltd
Priority to CN202111495208.1A priority Critical patent/CN113902228A/zh
Publication of CN113902228A publication Critical patent/CN113902228A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/044—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
    • G06N3/048—Activation functions
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供一种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，方法包括：基于回归方程筛选风力发电的工作参数中具有显著性的目标参数；获取所述目标参数在第一时间段的观测数据；将所述观测数据输入训练好的功率预测模型，得到目标时间的风电功率预测值。根据本公开，利用回归方法选择对预测变量即风电功率的变化具有显著解释能力的目标参数作为输入变量，并结合长短期记忆神经网络进行风电功率预测，能够有效提高预测精度和运算效率。

Description

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
技术领域
本公开涉及数据处理技术领域，尤其涉及一种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。
背景技术
能源危机、环境污染以及气候变化等问题使得以风力发电为代表的新能源发电技术得到广泛关注。全国各地的风电场数目正在急剧增加，由于风的波动性、间歇性导致风电场出力具有不确定性，使电网公司在制定调度计划和风电场在制定风电机组检修计划时存在困难，风电功率预测的重要性日益凸显，因此有必要对风电场进行功率预测。现有的风电功率预测方法存在准确度不高的问题，无法为风力发电等各方面的规划提供有效的数据支持。
发明内容
有鉴于此，本公开的目的在于提出一种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。
基于上述目的，第一方面，本公开提供了一种基于逐步回归与深度学习的风电功率预测方法，包括：
基于回归方程筛选风力发电的工作参数中具有显著性的目标参数；
获取所述目标参数在第一时间段的观测数据；
将所述观测数据输入训练好的功率预测模型，得到目标时间的风电功率预测值。
第二方面，本公开提供了一种基于逐步回归与深度学习的风电功率预测装置，包括：
回归单元，用于基于回归方程筛选风力发电的工作参数中具有显著性的目标参数；
获取单元，用于获取所述目标参数在第一时间段的观测数据；
预测单元，用于将所述观测数据输入训练好的功率预测模型，得到目标时间的风电功率预测值。
第三方面，本公开提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的方法。
第四方面，本公开提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行第一方面所述方法。
从上面所述可以看出，本公开提供的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，利用回归方法选择对预测变量即风电功率的变化具有显著解释能力的目标参数作为输入变量，并结合长短期记忆神经网络进行风电功率预测，能够有效提高预测精度和运算效率。
附图说明
为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本公开实施例的基于逐步回归与深度学习的风电功率预测方法的示意性流程图；
图2为根据本公开实施例的功率预测模型的示意性原理图；
图3为根据本公开实施例的神经网络模型的示意性原理图；
图4为根据本公开实施例的神经网络模型在不同学习率下的损失函数曲线；
图5为根据本公开实施例的神经网络模型在不同情况下的损失函数曲线；
图6为根据本公开实施例的基于逐步回归与深度学习的风电功率预测装置的示意性框图；
图7为根据本公开实施例的电子设备的示意性框图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。
目前的风电功率预测方法很多，例如利用小生境遗传算法对支持向量机惩罚参数C和核函数进行寻优，并对算法中小生境半径L值难确定的问题，引入自适应的思想，使L并不取某个固定值，而是随着最优个体的变化而变化，参数更优；再例如针对风电场功率时间序列的非线性和非平稳性，分别将EMD和EEMD方法与时间序列的方法相结合应用于风电场功率预测中，提出基于EMD-ARMA和EEMD-ARMA的风功率预测方法。然而这些方法均需要对原始数据进行分解，过程较为复杂，而且在分解过程中原始数据所包含的部分信息丢失，对预测的精确度产生影响，导致预测精度低。
鉴于此，本公开实施例提供了一种基于逐步回归与深度学习的风电功率预测方法，利用回归方法选择对预测变量即风电功率的变化具有显著解释能力的目标参数作为输入变量，并结合长短期记忆神经网络进行风电功率预测，能够有效提高预测精度和运算效率。
参见图1，图1示出了根据本公开实施例的基于逐步回归与深度学习的风电功率预测方法的示意性流程图。如图1所示，基于逐步回归与深度学习的风电功率预测方法100包括：
步骤S110，基于回归方程筛选风力发电的工作参数中具有显著性的目标参数；
步骤S120，获取所述目标参数在第一时间段的观测数据；
步骤S130，将所述观测数据输入训练好的功率预测模型，得到目标时间的风电功率预测值。
其中，通过回归方程对工作参数进行筛选得到具有显著性的目标参数，将目标参数的观测数据作为功率预测模型的输入数据。因为本公开实施例意识到基于深度学习的神经网络模型虽然在给定数据的处理上具有一定的优势，但是风电领域具有其特殊性，风电功率的输出与客观的自然环境有很大关联，而自然环境所提供的工作参数并不受人为的控制，使得影响风电功率的参数很多，其中有些参数可能影响相对较大，有些参数可能影响比较微弱。而神经网络模型对于不同类型的参数对风电预测的贡献并没有甄别能力，在功率预测的众多种类的可用参数中无法选择更高效的变量进行数据处理，这也制约了进一步提高神经网络模型对风电预测的精度。对于这种数据预处理上的不足，本公开实施例提出了基于逐步回归有效寻找更优的随机变量、非随机变量的统计关系，挑选出有显著影响的自变量作为目标参数，避免这种仅用深度学习在数据预处理上的不足。这样，将回归技术与深度学习技术相结合，并用于风电领域中，一方面避免了变量选择过多会导致信息冗余、运算效率降低的问题，提高了风电功率的预测效率；另一方面提高了预测的精度。
根据本公开实施例，在步骤S110中，基于回归方程筛选风力发电的工作参数中具有显著性的目标参数。
其中，工作参数可以指与风力发电相关的环境指标，例如风速、风向、温度、湿度、气压、空气密度以及历史功率等。具有显著性的目标参数可以指在若干工作参数中，对风电功率的变化解释能力贡献大的变量。因为如果输入参数选择过多会导致信息冗余，以及功率预测模型的运算效率降低，本公开实施例利用回归方程选出对预测变量即风电功率解释能力较强的因素，可以使得功率预测模型的结果精度更高，且更加稳定，模型训练速度更快。
在一些实施例中，基于回归方程筛选风力发电的工作参数中具有显著性的目标参数进一步包括：
对于每个工作参数，执行如下步骤：
基于所述工作参数引入所述回归方程是否发生显著性变化，如果发生显著性变化，则将所述工作参数加入到所述显著性参数集合；
以及基于当前的引入所述回归方程的所有变量进行t检验，移除当前所述所有变量中不具有显著性的变量；
直至遍历所有所述工作参数，得到引入所述回归方程的最终变量；
将所述最终变量作为所述目标参数。
其中，每将一个工作参数引入回归方程都要进行F检验，并对已经选入的工作参数逐个进行t检验，当原来引入的工作参数由于后面引入的工作参数变得不再显著时，则将其删除，以确保每次引入新的变量之前回归方程中只包含显著性变量。直到既没有显著的工作参数选入回归方程，也没有不显著的工作参数从回归方程中剔除为止，这样，则使得最后保留在回归方程中的目标参数既是重要的，又没有严重多重共线性。
在一些实施例中，基于所述工作参数引入所述回归方程是否发生显著性变化包括：对所述工作参数进行F检验。
在一些实施例中，对于每个工作参数，还执行如下步骤：如果没有发生显著性变化，则不将所述工作参数加入到所述显著性参数集合。
在一些实施例中，目标参数可以包括风速和风向。在一些实施例中，目标参数可以包括风速、风向和历史输出功率。
根据本公开实施例，在步骤S120中，获取所述目标参数在第一时间段的观测数据。
具体实施中，可以基于无线通信或有线通信的方式从设置于风力发电设备上的各类传感器获取目标参数的观测数据，例如测量风速、风向、温度、湿度、气压、空气密度的传感器；还可以通过网络从服务器获取目标参数的观测数据，例如获取相关部门发布的气象数据等。进一步地，可以从所有的相关数据中获取第一时间段的观测数据。例如，可以是按照给定周期从所有相关数据中获取观测数据。应了解，观测数据可以是连续数据，也可以是离散数据；以及第一时间段可以根据需要进行设置，在此不做限制。
根据本公开实施例，在步骤S130中，将所述观测数据输入训练好的功率预测模型，得到目标时间的风电功率预测值。
在一些实施例中，目标时间可以指下一时刻或下一时期。
在一些实施例中，训练好的功率预测模型包括：至少一个LSTM(Long-Short TermMemory)神经网络模型，每个LSTM神经网络模型包括：
第一单元，包括第一sigmoid层和第一逐点相乘器，上一时刻的输出数据ht-1与当前时刻的输入数据xt经过所述第一sigmoid层得到第一输出，所述第一输出与上一时刻长期状态Ct-1经过所述第一逐点相乘器得到第一单元输出；
第二单元，包括第二sigmoid层、第一tanh层、第二逐点相乘器和加法器，上一时刻的输出数据ht-1与当前时刻的输入数据xt经过所述第二sigmoid层得到第二输出，上一时刻的输出数据ht-1与当前时刻的输入数据xt经过所述第一tanh层得到候选长期状态Ct’，所述第二输出和所述候选长期状态Ct’经过所述第二逐点相乘器得到第三输出，所述第三输出和所述第一单元输出经过所述加法器得到第二单元输出Ct；
第三单元，包括第三sigmoid层、第二tanh层和第三逐点相乘器，上一时刻的输出数据ht-1与当前时刻的输入数据xt经过所述第三sigmoid层得到第四输出，所述第二单元输出Ct经过所述第二tanh层后与所述第四输出经过第三逐点相乘器得到当前时刻的输出数据ht。
其中，功率预测模型可以包括LSTM(Long-Short Term Memory)神经网络，这是一种时间递归神经网络，其比RNN具备长期记忆功能，可控记忆能力。具体实施中，如图2所示，图2示出了根据本公开实施例的功率预测模型的示意性原理图。图2中，功率预测模型可以包括至少一个神经网络模型，例如神经网络模型201a、神经网络模型201b、神经网络模型201c，每个神经网络模型串联连接，前一时刻t-1的输入数据xt-1、前一时刻t-1的输出数据xt-1为神经网络模型201a的输入和输出，当前时刻t的输入数据xt、当前时刻t的输出数据xt为神经网络模型201b的输入和输出，下一时刻t+1的输入数据xt+1和下一时刻t+1的输出数据xt+1为神经网络模型201c的输入和输出。C t-1、C t、C t+1分别为神经网络模型201a、神经网络模型201b、神经网络模型201c的长期状态。
对于每个神经网络模型，如图3所示，图3示出了根据本公开实施例的神经网络模型的示意性原理图。图3中的神经网络模型300可以是图2中神经网络模型201b，应了解，神经网络模型300仅为说明内部结构，并不旨在对其进行限制，其可以表示功率预测模型中的每个神经网络模型的结构。神经网络模型300包括：
第一单元310，包括第一sigmoid层311和第一逐点相乘器312，上一时刻的输出数据ht-1与当前时刻的输入数据xt经过所述第一sigmoid层311得到第一输出，所述第一输出与上一时刻长期状态Ct-1经过所述第一逐点相乘器312得到第一单元输出。
第二单元320，包括第二sigmoid层321、第一tanh层322、第二逐点相乘器323和加法器324，上一时刻的输出数据ht-1与当前时刻的输入数据xt经过所述第二sigmoid层321得到第二输出，上一时刻的输出数据ht-1与当前时刻的输入数据xt经过所述第一tanh层322得到候选长期状态Ct’，所述第二输出和所述候选长期状态Ct’经过所述第二逐点相乘器323得到第三输出，所述第三输出和所述第一单元输出经过所述加法器324得到第二单元输出Ct（即当前时刻长期状态Ct）。
第三单元330，包括第三sigmoid层331、第二tanh层332和第三逐点相乘器333，上一时刻的输出数据ht-1与当前时刻的输入数据xt经过所述第三sigmoid层得到第四输出，所述第二单元输出Ct经过所述第二tanh层后与所述第四输出经过第三逐点相乘器得到当前时刻的输出数据ht。
其中，第一单元310中可以训练第一权值wf，由于上一时刻长期状态Ct-1可以输出0-1之间的数字，“1”表示“完全保留”，“0”表示“完全遗忘”，则通过第一sigmoid层311和第一逐点相乘器312将上一时刻t-1的输出数据ht-1和当前时刻的输入数据xt合并，并基于Ct-1决定会从第一单元的状态中丢弃什么信息，因为第一sigmoid层311的输出是一个小于1的值，相当于对每个维度上的值做一个衰减。例如，第一sigmoid层311的第一输出ft可以表示为ft=sigmoid（wf·[ht-1，xt]+bf），其中，bf可以为给定参数。
第二单元320中可以训练两个权值：第二权值wi和第三权值wc，由于第一单元310中已经决定了丢弃的信息，即决定了第二单元320中需要更新的数值，在第二单元320中第一tanh层成一个新的候选长期状态Ct’，用于增加到神经网络模型的状态中。例如，第二sigmoid层的第二输出it= sigmoid（wi·[ht-1，xt]+bi），候选数值Ct’=tanh（wc·[ht-1，xt]+bc），bi、bc可以为给定参数。那么，当前时刻的长期状态Ct=ft*Ct-1+ it*Ct’。
第一单元310和第二单元320中分别确定了要丢弃的信息和要增加的信息，此时，第三单元330可以对神经网络模型300的更新，可以通过第三sigmoid层确定第四输出ot=sigmoid（wo·[ht-1，xt]+bo），wo为第四权值，bo可以为给定参数。第二tanh层处理当前时刻长期状态Ct得到一个-1到1之间的值tanh（Ct），再将它和第三sigmoid层的第四输出ot相乘，输出当前时刻的输出数据ht=ot* tanh（Ct）。
具体实施中，功率预测模型的训练可以包括：首先构建网络，网络结构可以如图3中所示。例如，隐匿层选择50个神经元，输入层根据实际情况设置神经元个数，输入层选择1个神经元，设置初始学习率为0.006，模型迭代次数为200次。然后，对训练集和测试集数据进行归一化处理后，设置输入层和输出层权重、偏置，以及定义损失函数。接着采用训练集开始训练模型，用测试集测试模型的精度，当达到训练标准后（例如达到迭代次数或达到预设精度）即可以得到训练好的功率预测模型。
例如，风电场提供了2018年9月份30天，时间间隔为15分钟、风塔高度为30m、70m、90m的工作参数的观测值（风速、风向、温度、湿度、气压、空气密度），以及风电场的实际功率。则可以将训练数据设置为2018年9月1号到9月21号数值天气预报数据和风电场的实际功率，而将测试数据设置为2018年9月22号到9月30号的数据。
在训练过程中，为了能够使得梯度下降法有较好的性能，可以将学习率的值设定在合适的范围内。太大的学习速率导致学习的不稳定，太小值又导致极长的训练时间。一个合适的学习速率通过保证稳定训练的前提下，能够使得神经网络模型的训练达到了合理的高速率，可以减少训练时间。如下表1和图4所示，表1示出了学速率对神经网络模型的精度的影响，图4示出了根据本公开实施例的神经网络模型在不同学习率下的损失函数曲线。
Figure 518765DEST_PATH_IMAGE001
表1
可以看出，学习率为0.05时，损失函数下降速度很快，结合损失函数的方差可以发现，学习率较大时，会导致学习的不稳定。综合损失函数的平均数以及方差这两个数字特征，学习率为0.01时，既可以保证较快的训练速度，又可以保证学习的稳定以及预测结果的准确性。
将前一刻的实际功率测量值作为神经网络模型的输入变量（即目标参数），经过计算得到不同情况下的误差，如下表2和图5所示，图5示出了根据本公开实施例的神经网络模型在不同情况下的损失函数曲线。
Figure 904747DEST_PATH_IMAGE002
表2
可以看出，把上一刻风电场的实际输出功率作为神经网络模型的输入，能够提高预测精度。在15min内，风速的变化一般不会那么剧烈，前一刻风速与此刻风速相关性较大，所以将前一刻实际输出功率考虑进来，可以提高预测精度。
风机设备的风轮扫风的最低点在14m-50m之间，风轮扫风的最高点在71.6m-150m之间，因此这段空间内的风速分布对风电机组的输出功率有较大影响。风电场提供的数据中，风速的测量高度有30m、70m、90m。下列情况考虑的分别是只考虑30m高度的风速数据、只考虑30m和70m高度的风速数据、将30m、70m、90m高度的风速全都纳入考虑，误差如下表3所示。
Figure 153325DEST_PATH_IMAGE003
表3
可知，第一种情况的均方误差为13.66%，第二种情况的均方误差为7.84%，第三种情况的均方误差为8.64%，因此将不同高度的数据纳入考虑，可以提高预测的精度，但要将变量合理纳入考虑，否则会导致精度下降。
由上述分析可知，对功率预测模型的预测结果产生影响的一共有两类因素，一类是模型自身的参数设置，比如学习率和隐匿层神经元的个数；另一类是输入数据对于预测结果的影响，考虑实测数据以及不同高度的风速。由于3种不同的高度对应的历史气象数据（风速、风向、温度、湿度、气压、空气密度）不同，为了加快训练速度、减小计算量，本公开实施例利用回归方法选出对预测功率解释能力较强的目标参数，将这些目标参数作为训练好的功率预测模型（例如图2和图3中的神经网络模型）的输入变量，预测出来的结果精度更高，且更加稳定，模型训练速度更快。例如，将风速、风向作为功率预测模型的输入，功率预测模型设置学习率为0.01，隐匿层神经元个数为50，输入层神经元个数为5，输出层神经元个数为1，迭代次数为200，得到均方误差为0.069059，与BP神经网络、ARMA、LSTM相比，本公开实施例将逐步回归和长短期记忆神经网络模型相结合（记为Stepwise Regression-LSTM）所得到的预测数据均方误差较小，预测精度较高，如下表4所示：
Figure 282955DEST_PATH_IMAGE004
表4
可以看出，经逐步回归挑选出来的输入变量结合LSTM神经网络预测出来的结果精度更高，且更加稳定，模型训练速度更快。
根据本公开实施例，所述方法还可以包括：基于所述目标参数确定对应的功率预测模型。
其中，对于不同的预测模型，选择不同的输入数据对精度有较大影响。而风力发电的工作参数包括不同高度的风速、风向、温度、湿度、气压、空气密度、风机的历史转速以及历史功率，变量选择过多会导致信息冗余、运算效率降低。本公开实施例可以基于具有显著性的目标参数来确定合适的预测模型，能够进一步保证最终得到的预测值的预测精度。
在一些实施例中，当目标参数包括风速和风向时，或者当目标参数包括风速、风向和历史输出功率时，功率预测模型包括基于长短期记忆神经网络的功率预测模型。
在一些实施例中，当目标参数包括风速、风向、风机的历史转速时，功率预测模型包括基于支持向量机的功率预测模型。
需要说明的是，上述示例仅为对功率预测模型进行举例说明，并不旨在对目标参数和功率预测模型的确定进行限制，目标参数还可以是更多或更少个，不同的目标参数对应的功率预测模型可以相同也可以不同，在此不做限制。
需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种基于逐步回归与深度学习的风电功率预测装置。
参考图6，所述基于逐步回归与深度学习的风电功率预测装置，包括：
回归单元，用于基于回归方程筛选风力发电的工作参数中具有显著性的目标参数；
获取单元，用于获取所述目标参数在第一时间段的观测数据；
预测单元，用于将所述观测数据输入训练好的功率预测模型，得到目标时间的风电功率预测值。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本公开时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的基于逐步回归与深度学习的风电功率预测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的基于逐步回归与深度学习的风电功率预测方法。
图7示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器710、存储器720、输入/输出接口730、通信接口740和总线 750。其中处理器710、存储器720、输入/输出接口730和通信接口740通过总线750实现彼此之间在设备内部的通信连接。
处理器710可以采用通用的CPU（Central Processing Unit，中央处理器）、微处理器、应用专用集成电路（Application Specific Integrated Circuit，ASIC）、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器720可以采用ROM（Read Only Memory，只读存储器）、RAM（Random AccessMemory，随机存取存储器）、静态存储设备，动态存储设备等形式实现。存储器720可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器720中，并由处理器710来调用执行。
输入/输出接口730用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中（图中未示出），也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口740用于连接通信模块（图中未示出），以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式（例如USB、网线等）实现通信，也可以通过无线方式（例如移动网络、WIFI、蓝牙等）实现通信。
总线750包括一通路，在设备的各个组件（例如处理器710、存储器720、输入/输出接口730和通信接口740）之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器710、存储器720、输入/输出接口730、通信接口740以及总线750，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的基于逐步回归与深度学习的风电功率预测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的基于逐步回归与深度学习的风电功率预测方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存（PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、其他类型的随机存取存储器（RAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、快闪记忆体或其他内存技术、只读光盘只读存储器（CD-ROM）、数字多功能光盘（DVD）或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的基于逐步回归与深度学习的风电功率预测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围（包括权利要求）被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本公开实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路（IC）芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的（即，这些细节应当完全处于本领域技术人员的理解范围内）。在阐述了具体细节（例如，电路）以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构（例如，动态RAM（DRAM））可以使用所讨论的实施例。
本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于逐步回归与深度学习的风电功率预测方法，其特征在于，包括：
基于回归方程筛选风力发电的工作参数中具有显著性的目标参数；
获取所述目标参数在第一时间段的观测数据；
将所述观测数据输入训练好的功率预测模型，得到目标时间的风电功率预测值。
2.根据权利要求1所述的方法，其特征在于，所述训练好的目标预测模型包括：至少一个神经网络模型，每个LSTM神经网络模型包括：
第一单元，包括第一sigmoid层和第一逐点相乘器，上一时刻的输出数据ht-1与当前时刻的输入数据xt经过所述第一sigmoid层得到第一输出，所述第一输出与上一时刻长期状态Ct-1经过所述第一逐点相乘器得到第一单元输出；
第二单元，包括第二sigmoid层、第一tanh层、第二逐点相乘器和加法器，上一时刻的输出数据ht-1与当前时刻的输入数据xt经过所述第二sigmoid层得到第二输出，上一时刻的输出数据ht-1与当前时刻的输入数据xt经过所述第一tanh层得到候选长期状态Ct’，所述第二输出和所述候选长期状态Ct’经过所述第二逐点相乘器得到第三输出，所述第三输出和所述第一单元输出经过所述加法器得到第二单元输出Ct；
第三单元，包括第三sigmoid层、第二tanh层和第三逐点相乘器，上一时刻的输出数据ht-1与当前时刻的输入数据xt经过所述第三sigmoid层得到第四输出，所述第二单元输出Ct经过所述第二tanh层后与所述第四输出经过第三逐点相乘器得到当前时刻的输出数据ht。
3.根据权利要求2所述的方法，其特征在于，所述目标参数包括风速和风向。
4.根据权利要求2所述的方法，其特征在于，所述第一sigmoid层的第一输出ft=sigmoid（wf·[ht-1，xt]+bf），其中，wf为第一权值，bf为给定参数。
5.根据权利要求4所述的方法，其特征在于，所述第二sigmoid层的第二输出it=sigmoid（wi·[ht-1，xt]+bi），候选长期状态Ct’=tanh（wc·[ht-1，xt]+bc），wi为第二权值，wc为第三权值，bi、bc为给定参数；当前时刻的长期状态Ct=ft*Ct-1+ it*Ct’。
6.根据权利要求5所述的方法，其特征在于，所述第三sigmoid层的第四输出ot=sigmoid（wo·[ht-1，xt]+bo），wo为第四权值，bo为给定参数；输出数据ht=ot* tanh（Ct）。
7.根据权利要求1所述的方法，所述基于回归模型选择工作参数中的目标参数进一步包括：
对于每个工作参数，执行如下步骤：
基于所述工作参数引入所述回归方程是否发生显著性变化，如果发生显著性变化，则将所述工作参数加入到所述显著性参数集合；
以及基于当前的引入所述回归方程的所有变量进行t检验，移除当前所述所有变量中不具有显著性的变量；
直至遍历所有所述工作参数，得到引入所述回归方程的最终变量；
将所述最终变量作为所述目标参数。
8.一种基于逐步回归与深度学习的风电功率预测装置，其特征在于，包括：
回归单元，用于基于回归方程筛选风力发电的工作参数中具有显著性的目标参数；
获取单元，用于获取所述目标参数在第一时间段的观测数据；
预测单元，用于将所述观测数据输入训练好的功率预测模型，得到目标时间的风电功率预测值。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。
10.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行权利要求1至7任一所述方法。
CN202111495208.1A 2021-12-09 2021-12-09 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 Pending CN113902228A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111495208.1A CN113902228A (zh) 2021-12-09 2021-12-09 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111495208.1A CN113902228A (zh) 2021-12-09 2021-12-09 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

Publications (1)

Publication Number Publication Date
CN113902228A true CN113902228A (zh) 2022-01-07

Family

ID=79025899

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111495208.1A Pending CN113902228A (zh) 2021-12-09 2021-12-09 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

Country Status (1)

Country Link
CN (1) CN113902228A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816491A (zh) * 2019-01-18 2019-05-28 创新奇智(北京)科技有限公司 基于逐步回归去除因式分解机交叉项的方法
CN110826791A (zh) * 2019-10-31 2020-02-21 东北电力大学 一种基于长短时记忆神经网络的混合风功率预测方法
CN111832812A (zh) * 2020-06-27 2020-10-27 南通大学 一种基于深度学习的风电功率短期预测方法
CN112949945A (zh) * 2021-04-15 2021-06-11 河海大学 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816491A (zh) * 2019-01-18 2019-05-28 创新奇智(北京)科技有限公司 基于逐步回归去除因式分解机交叉项的方法
CN110826791A (zh) * 2019-10-31 2020-02-21 东北电力大学 一种基于长短时记忆神经网络的混合风功率预测方法
CN111832812A (zh) * 2020-06-27 2020-10-27 南通大学 一种基于深度学习的风电功率短期预测方法
CN112949945A (zh) * 2021-04-15 2021-06-11 河海大学 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
浪子私房菜: "LSTM神经网络详解", 《CSDN，HTTPS://BLOG.CSDN.NET/NIUXUERUI11/ARTICLE/DETAILS/109036092》 *

Similar Documents

Publication Publication Date Title
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN112555084B (zh) 一种实时状态预警方法、装置、电子设备及存储介质
CN111461445B (zh) 短期风速预测方法、装置、计算机设备及存储介质
CN103971167B (zh) 预测光伏发电设备的发电功率的方法和系统
CN115660233A (zh) 光伏功率预测方法、装置、电子设备及存储介质
CN112508299A (zh) 一种电力负荷预测方法、装置、终端设备及存储介质
CN113935512A (zh) 风电功率预测方法、装置、计算机设备和存储介质
CN114498619A (zh) 一种风电功率预测方法及装置
CN113159102A (zh) 一种多时间尺度的光伏功率预测方法及系统
CN115759365A (zh) 光伏发电功率的预测方法及相关设备
CN115689061B (zh) 风电超短期功率预测方法及相关设备
CN111950752A (zh) 光伏电站发电量预测方法、装置、系统及其存储介质
CN113642812A (zh) 基于北斗的微形变预测方法、装置、设备及可读存储介质
CN116739172B (zh) 一种基于爬坡识别的海上风电功率超短期预测方法及装置
CN113240217A (zh) 一种基于集成预测模型的光伏发电预测方法及装置
CN117543544A (zh) 一种负荷预测方法、装置、设备及存储介质
CN115081742A (zh) 分散式风电场的超短期功率预测方法及相关设备
CN113902228A (zh) 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
CN115907194A (zh) 一种光伏发电功率预测方法、系统及产品
CN115622029A (zh) 输电线路覆冰负荷预测方法、装置、存储介质和设备
CN113449920A (zh) 一种风电功率预测方法、系统及计算机可读介质
CN113779859A (zh) 可解释的时序预测模型的训练方法、装置和计算设备
CN111428924A (zh) 一种植物生育期的预测方法、装置、电子设备及存储介质
CN113496698B (zh) 训练数据的筛选方法、装置、设备和存储介质
CN116205377B (zh) 分布式光伏电站出力预测方法、系统、计算机及存储介质

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: 20220107