CN115859816A - 一种基于cnn-lstm算法的风功率分钟级预测方法及系统 - Google Patents
一种基于cnn-lstm算法的风功率分钟级预测方法及系统 Download PDFInfo
- Publication number
- CN115859816A CN115859816A CN202211569144.XA CN202211569144A CN115859816A CN 115859816 A CN115859816 A CN 115859816A CN 202211569144 A CN202211569144 A CN 202211569144A CN 115859816 A CN115859816 A CN 115859816A
- Authority
- CN
- China
- Prior art keywords
- wind
- wind speed
- frequency
- data
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于CNN‑LSTM算法的风功率分钟级预测方法,包括:获取风电场的历史数据;对历史数据进行预处理形成风速、风向多维时序数据;基于小波分解获得高频及低频风速和风向原始秒级数据分量;进行正交分解为东西及南北方向风速高频和低频数据;划分为训练集和测试集,进行模型训练得到风矢量预测模型网络;基于测试集进行测试后获得风矢量预测模型;基于最小二乘法建立风速、风向、偏航角与风机输出功率间的映射关系模型;对未来短期风速进行小步长预测获得未来短期风速预测值;反正交分解获得风向、风速高频分量预测结果和低频分量预测结果;获得实际风速及风向预测结果;进行风功率分钟级预测。还公开对应系统、电子设备及计算机可读存储介质。
Description
技术领域
本发明涉及风功率预测技术领域,尤其涉及一种基于CNN-LSTM算法的风功率分钟级预测方法及系统。
背景技术
由于自然界的风是波动的、间歇性的,这就导致利用风能进行发电的风力发电机其输出功率是波动变化的。由于风电机组输出功率与风速的立方存在关系,因此微小的风速波动都可能带来大幅度的输出功率波动,当风电输出到电网的电能比重达到一定的比例时,风电功率的大幅度波动将给电力系统的平衡带来很大的冲击,严重影响电能质量。风电功率预测是解决这一问题的主要途径,其中,以10或15分钟为单位的提前几小时的风电功率预测可以帮助调度部门进行调度决策,以小时为单位的提前一天的短期风电功率预测有利于制定负荷计划和策略,以天为单位的提前一周的长期风电功率预测有利于制定风电场风电机组的维修计划。从预测模型上可以分为物理方法、统计方法以及组合模型方法。
人工神经网络法是模拟人脑神经过程,能够对历史数据进行学习从而实现对复杂问题的处理,目前已被大量应用于短期风电功率预测过程当中。其模型建立的过程包括预处理数据、确定其网络模型、选择网络参数、数据训练、网络测试。该方法对于数据的质量要求不高,不需要建立先验模型,但需要长时间的训练和大量的训练数据,难以确定网络结构和参数的问题。
时间序列法通过分析与挖掘现有的数据来建立相应的数学模型,建模过程包括对处理历史数据、模型识别、确定参数、校验模型适用性等,该方法建模容易,结构较为简单,但是需要大量的历史数据,非线性关系无法拟合,预测时间较长,预测精度较低,因此将该类方法用于风功率分钟级预测过程中,如何能够获得高质量的训练数据,建立高精度的预测模型,并且通过新的方法辅助参数确定从而提高预测精度和准确率,并结合深度学习算法以及数据处理方式提高预测速度是正待解决的问题。
发明内容
为了解决现有技术中存在的问题,本发明提供了如下技术方案,一种基于CNN-LSTM算法的风功率分钟级预测方法及系统,通过获取风电场风速、风向、风机发电功率历史数据;预处理形成多维时序数据;采用小波分解对得到的风速、风向多维时序数据进行进一步处理,得到高频及低频风速、风向数据分量;对高频及低频风速、风向原始秒级数据分量进行正交分解,分解为东西及南北方向风速高频和低频数据;处理后的风速数据划分为训练集和测试集进行模型训练,得到高精度的风矢量预测模型;基于最小二乘法建立风速、风向、偏航角与风机输出功率间的映射关系模型;通过以上两模型实现对未来短期风速的小步长、精准预测;利用反正交分解获得风向、风速高频分量预测结果和低频分量预测结果;综合风向、风速高频分量预测结果和低频分量预测结果获得风速及风向预测结果。
本发明一方面提供了一种基于CNN-LSTM算法的风功率分钟级预测方法,包括:
S1,获取风电场的历史数据,所述历史数据包括风电场风速、风向、偏航角和风机输出功率;
S2,对所述历史数据进行预处理形成风速、风向多维时序数据;
S3,基于小波分解对所述多维时序数据进行进一步处理从而获得高频及低频风速和风向原始秒级数据分量;其中低频风速和风向原始秒级数据分量表征了信号的时序性,高频风速和风向原始秒级数据分量表征了信号的局部性;
S4,对高频及低频风速和风向原始秒级数据分量进行正交分解,从而分解为东西及南北方向风速高频和低频数据;
S5,将东西及南北方向风速高频和低频数据划分为训练集和测试集,基于训练集进行模型训练,得到风矢量预测模型网络;基于测试集对风矢量预测模型网络进行测试后获得风矢量预测模型;
S6,基于最小二乘法建立风速、风向、偏航角与风机输出功率间的映射关系模型;
S7,基于风矢量预测模型和映射关系模型对未来短期风速进行小步长的精准预测获得未来短期风速预测值;
S8,对所述未来短期风速预测值进行反正交分解获得风向、风速高频分量预测结果和低频分量预测结果;综合风向、风速高频分量预测结果和低频分量预测结果获得实际风速及风向预测结果;
S9,基于实际风速及风向预测结果进行风功率分钟级预测。
优选的,所述S1中获取风电场一年的历史数据。
优选的,所述S2所述预处理包括监测及处理异常值、消除极值以及利用插值法补全空缺位;其中监测及处理异常值包括保持风向在0~360°之间,消除极值包括去除输出功率较低的数据点。
优选的,所述S5所述风矢量预测模型为CNN-LSTM(卷积长短期记忆神经网络)时间序列预测模型,CNN模型用于捕捉数据局部特征,LSTM模型用于捕捉信号的时序性;CNN及LSTM部分通过连接层相连,经过全链接层输出。
优选的,所述CNN模型由两个卷积层、两个池化层、一个展平(flatten)层及一个遗弃层组成;其中第一个卷积层读取输入序列,并将结果投影到特征图上,第二个卷积层在第一个卷积层创建的特征图上执行相同的操作,用于放大其显著特征,每个卷积层使用64个特征图,并以3个小时步长的内核大小读取输入序列;两个池化层降采样成原来特征图尺寸的1/4来简化特征图,然后将提取的特征图展平为一个长向量,将其作为解码过程的输入;所述卷积层由多个特征面组成,每个特征面由多个神经元组成,其中每个神经元通过卷积核与上一层局部的特征面区域相互连接,卷积神经网络的卷积层通过卷积操作提取不同时间序列数据的不同特征;所述池化层在卷积层之后,也是多个特征面组成,每个特征面对应上一层的一个特征面,用于数据特征的二次提取,对数据进行降维,采用的池化方法为最大池化法或者均值池化法;
所述LSTM模型由两个LSTM层及一个遗弃层组成;其中两个LSTM层包括隐含层,并在隐含层内部加入输入门、输出门,遗弃层中包含遗忘门,并增加了用于存储记忆的单元;当输入量输入到LSTM网络隐含层后,先经过输入门经过非线性变换后,与遗忘门处理过的记忆单元状态叠加,形成新的记忆单元状态,最后记忆单元状态经非线性函数处理后与非线性函数处理的当前信息状态相点乘得到隐含层的输出。
优选的,采用离线方式训练基于CNN-LSTM算法的风功率分钟级预测模型。
优选的,所述S6包括:利用风向、风速、偏航角及输出功率等种类数据通过采用七阶多项式对的最小二乘法拟合发电机功率曲线,基于发电机功率曲线获得映射关系模型。
本发明的第二方面提供一种基于CNN-LSTM算法的风功率分钟级预测系统,包括:
数据采集模块,用于获取风电场的历史数据,所述历史数据包括风电场风速、风向、偏航角和风机输出功率;
预处理模块,用于对所述历史数据进行预处理形成风速、风向多维时序数据;
小波分解模块,用于基于小波分解对所述多维时序数据进行进一步处理从而获得高频及低频风速和风向原始秒级数据分量;
正交分解模块,用于对高频及低频风速和风向原始秒级数据分量进行正交分解,从而分解为东西及南北方向风速高频和低频数据;
第一模型建立模块,用于将东西及南北方向风速高频和低频数据划分为训练集和测试集,基于训练集进行模型训练,得到风矢量预测模型网络;基于测试集对风矢量预测模型网络进行测试后获得高精度的风矢量预测模型;
第二模型建立模块,用于基于最小二乘法建立风速、风向、偏航角与风机输出功率间的映射关系模型;
第一预测模块,用于基于风矢量预测模型和映射关系模型对未来短期风速进行小步长的精准预测获得未来短期风速预测值;
反正交分解模块,用于对所述未来短期风速预测值进行反正交分解获得风向、风速高频分量预测结果和低频分量预测结果;综合风向、风速高频分量预测结果和低频分量预测结果获得实际风速及风向预测结果;
第二预测模块,用于基于实际风速及风向预测结果进行风功率分钟级预测。
本发明的第三方面提供一种电子设备,包括处理器和存储器,所述存储器存储有多条指令,所述处理器用于读取所述指令并执行如第一方面所述的方法。
本发明的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质存储有多条指令,所述多条指令可被处理器读取并执行如第一方面所述的方法。
本发明提供的一种基于CNN-LSTM算法的风功率分钟级预测方法、系统和电子设备,具有如下有益效果:
(1)通过高精度的风矢量预测模型以及风速、风向、偏航角与风机输出功率间的映射关系模型这两个模型可以实现对未来短期风速的小步长、精准预测。
(2)通过风速与风向间具有强相关性的性质同时预测,可以同时提高准确性;
(3)通过正交分解的方式将由风速、风向两种数据类型变为风速一种数据类型,有助于深度学习模型掌握其规律,提高预测精度;
(4)采用小波分解处理原始数据,从而将数据的高频与低频分量分离,有利于深度学习算法捕捉数据的内在关联;
(5)CNN-LSTM算法分别在局部特性与连续特性方面具有优势,同时使用可以提高预测精度;
(6)将风机信息纳入输入变量中,能够使模型反映风机的风能转换能力,从而提高风功率分钟级预测背景下长期的预测精度;
(7)改进的预测模型能够提高以30s为步长的高准确率预测结果,弥补了传统算法在小步长预测方面的空白。
附图说明
图1为本发明所述的基于CNN-LSTM算法的风功率分钟级预测方法流程总体原理示意图。
图2为本发明所述基于CNN-LSTM算法的风功率分钟级预测算法结构图。
图3(a)为本发明提供的风速预测结果曲线图;图3(b)为本发明提供的风向预测结果曲线图;图3(c)为本发明提供的输出功率预测结果曲线图。
图4为本发明所述基于CNN-LSTM算法的风功率分钟级预测系统架构图。
图5为本发明提供的电子设备一种实施例的结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施,该终端可以包括一个或多个如下部件:处理器、存储器和显示屏。其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分,通过运行或执行存储在存储器内的指令、程序、代码集或指令集,以及调用存储在存储器内的数据,执行终端的各种功能和处理数据。
存储器可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory,ROM)。存储器可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
除此之外,本领域技术人员可以理解,上述终端的结构并不构成对终端的限定,终端可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。比如,终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件,在此不再赘述。
实施例一
如图1所示,本实施例提供了一种基于CNN-LSTM算法的风功率分钟级预测方法,包括:
S1,获取风电场的历史数据,所述历史数据包括风电场风速、风向、偏航角和风机输出功率;
作为优选的实施方式,获取风电场一年的历史数据。也可以获取更短或者更长时间的历史数据。
S2,对所述历史数据进行预处理形成风速、风向多维时序数据;
作为优选的实施方式,所述预处理包括但不限于监测及处理异常值(例如保持风向在0~360°之间)、消除极值(去除输出功率较低的数据点)以及利用插值法补全空缺位。
S3,基于小波分解对所述多维时序数据进行进一步处理从而获得高频及低频风速和风向原始秒级数据分量;
作为优选的实施方式,风能数据具有时序及局部两种显著特性,通过小波分解将原始输入数据分解为高频及低频两部分,其中,低频分量表征了信号的时序性,高频信号表征了信号的局部性;信号提取有利于提高算法捕捉信息的能力。
S4,对高频及低频风速和风向原始秒级数据分量进行正交分解,从而分解为东西及南北方向风速高频和低频数据;
作为优选的实施方式,通过正交分解的方式,将风速与风向秒级历史数据(高频、低频数据分别训练)分解为东西及南北方向风速数据作为风矢量预测模型的原始输入数据。这种处理方法的优势一方面在于类别简化带来的处理优势,即将风向及风速两类物理量合并为风速一类物理量,能够提高模型捕捉信息的效率;另一方面在于维度降维带来的处理优势,以风速预测为例,其输入数据为风速及风向,为二维变量,分解后,由于正交性,预测东西方向只需要东西方向的数据,输入数据降为一维变量,训练时间显著降低;
S5,将东西及南北方向风速高频和低频数据划分为训练集和测试集,基于训练集进行模型训练,得到风矢量预测模型网络;基于测试集对风矢量预测模型网络进行测试后获得高精度的风矢量预测模型;
作为优选的实施方式,将高频、低频信号分别作为输入数据训练风矢量预测模型;预测结构如图2所示,同时运用了CNN及LSTM两种算法,形成CNN-LSTM(卷积长短期记忆神经网络)时间序列预测。其中,CNN算法在捕捉数据局部特征时表现优异,LSTM算法更适合捕捉信号的时序性。
卷积神经网络CNN可用作编码器-解码器结构中的编码器,CNN不直接支持序列输入,一维CNN能够读取序列输入并自动学习显著特征,然后可以通过LSTM解码器解释这些内容,CNN和LSTM的混合模型在编码器-解码器结构中一起使用,CNN输入的数据具有与LSTM模型相同的3D结构,尽管将多个特征作为不同的通道读取,但效果相同。
CNN网络可提取多维时间序列数据在空间结构上的关系,主要由卷积层和池化层组成,利用局部连接、权值共享等特征大幅降低模型参数的数量、提取数据特征、加快训练速度、提高泛化性能。
本实施例中,CNN算法部分,由两个卷积层、两个池化层、一个展平(flatten)层及一个遗弃层组成;其中第一个卷积层读取输入序列,并将结果投影到特征图上,第二个卷积层在第一个卷积层创建的特征图上执行相同的操作,尝试放大其显著特征,每个卷积层使用64个特征图,并以3个小时步长的内核大小读取输入序列;两个池化层降采样成原来特征图尺寸的1/4来简化特征图,然后将提取的特征图展平为一个长向量,将其作为解码过程的输入。卷积层由多个特征面组成,每个特征面由多个神经元组成,其中每个神经元通过卷积核与上一层局部的特征面区域相互连接,卷积神经网络的卷积层通过卷积操作提取不同时间序列数据的不同特征。池化层在卷积层之后,也是多个特征面组成,每个特征面对应上一层的一个特征面,因而不会改变特征面的数量,池化层的作用是数据特征的二次提取,对数据进行降维,采用的池化方法为最大池化法或者均值池化法。
LSTM网络是循环神经网络(recurrent neural network,RNN)的一种,RNN网络能更好地处理时间序列问题。
本实施例中,LSTM算法由两个LSTM层及一个遗弃层组成;
其中两个LSTM层包括隐含层,并在隐含层内部加入输入门、输出门,遗弃层中包含遗忘门,并增加了用于存储记忆的单元。当输入量输入到LSTM网络隐含层后,先经过输入门经过非线性变换后,与遗忘门处理过的记忆单元状态叠加,形成新的记忆单元状态,最后记忆单元状态经非线性函数处理后与非线性函数处理的当前信息状态相点乘就可以得到隐含层的输出。
本实施例中,CNN及LSTM部分通过连接层相连,经过全链接层输出;
将1维的向量输入到CNN-LSTM网络中。类似构造的网络结构,经测试,本文构造的CNN-LSTM网络模型参数为:
1)一维卷积神经网络:CNN网络包括卷积层和池化层,各层有卷积核和池化核,大小设定维度向量;激活函数都为ReLu或eLu。
2)长短期记忆神经网络:LSTM网络包括层单元,每一层的隐含神经元数目相应设定;激活函数可以选择ReLu或eLu。
3)全连接层:采用单隐含层的深度神经网络作为CNNLSTM网络模型的输出层对数据进行拟合预测,输出结果为t时刻的预测值。
整个CNN-LSTM网络风功率训练预测模型主要由两部分组成:首先输入数据经过CNN网络,通过卷积和池化操作,实现对数据特征的提取和降维;经CNN网络处理过的数据输入到LSTM网络,LSTM网络中的遗忘门、输入门和输出门通过大量数据的不断迭代训练调整自身参数,使它能从CNN网络提取的数据信息中学习数据间的时间拟合关系,从而对预测时间序列输入输出数据进行有效的动态建模,最后通过CNN-LSTM网络拟合训练好的数据通过全连接神经元网络输出预测值。整个预测过程需先通过数据进行训练,确定网络模型参数。对于整个CNN-LSTM网络风功率预测模型的训练,本文采用按时间展开的反向误差传播算法(BPTT),即对神经网络按时间顺序展开为一个深层网络,然后使用误差反向传播(backpropagation,BP)算法对展开后的网络进行训练。传统的梯度优化算法如随机梯度下降法(stochastic gradient descent,SGD),该算法简单、易于实现,但存在梯度消失、收敛速度较慢、难于收敛到全局最小值等缺点。针对SGD算法的缺点,本实施例使用改进的优化算法,如动量算法、AdaGrad、Adam等。优选使用Adam的算法。
作为优选的实施方式,采用离线方式训练基于CNN-LSTM算法的风功率分钟级预测模型。
S6,基于最小二乘法建立风速、风向、偏航角与风机输出功率间的映射关系模型;
本实施例中,作为优选的实施方式,利用风向、风速、偏航角及输出功率等种类数据通过最小二乘法拟合发电机功率曲线;最小二乘法可以获得函数的未知参数并使参数数据与实际数据之间的误差的平方和最小化,可以提高模型的精度,实验结果表明,采用七阶多项式对进行最小二乘法拟合可以得到更好的结果;
S7,基于风矢量预测模型和映射关系模型对未来短期风速进行小步长的精准预测获得未来短期风速预测值;
S8,对所述未来短期风速预测值进行反正交分解获得风向、风速高频分量预测结果和低频分量预测结果;综合风向、风速高频分量预测结果和低频分量预测结果获得实际风速及风向预测结果;
S9,基于实际风速及风向预测结果进行风功率分钟级预测。
具体的,采用过去两年的秒级数据作为原始数据;在线运行时,运用过去30分钟数据对未来5分钟内的数据进行预测;本实施例方法得到的分钟级风速及风向预测结果如图3(a)-(c)所示。由图3可知,所提出预测方法具有较高预测精度。
实施例二
如图4所示,本实施例一种基于CNN-LSTM算法的风功率分钟级预测系统,包括:
数据采集模块101,用于获取风电场的历史数据,所述历史数据包括风电场风速、风向、偏航角和风机输出功率;
预处理模块102,用于对所述历史数据进行预处理形成风速、风向多维时序数据;
小波分解模块103,用于基于小波分解对所述多维时序数据进行进一步处理从而获得高频及低频风速和风向原始秒级数据分量;
正交分解模块104,用于对高频及低频风速和风向原始秒级数据分量进行正交分解,从而分解为东西及南北方向风速高频和低频数据;
第一模型建立模块105,用于将东西及南北方向风速高频和低频数据划分为训练集和测试集,基于训练集进行模型训练,得到风矢量预测模型网络;基于测试集对风矢量预测模型网络进行测试后获得高精度的风矢量预测模型;
第二模型建立模块106,用于基于最小二乘法建立风速、风向、偏航角与风机输出功率间的映射关系模型;
第一预测模块107,用于基于风矢量预测模型和映射关系模型对未来短期风速进行小步长的精准预测获得未来短期风速预测值;
反正交分解模块108,用于对所述未来短期风速预测值进行反正交分解获得风向、风速高频分量预测结果和低频分量预测结果;综合风向、风速高频分量预测结果和低频分量预测结果获得实际风速及风向预测结果;
第二预测模块109,用于基于实际风速及风向预测结果进行风功率分钟级预测。
该系统可实现上述实施例一提供的方法,具体的方法可参见实施例一中的描述,在此不再赘述。
本发明还提供了一种存储器,存储有多条指令,指令用于实现如实施例一的方法。
如图5所示,本发明还提供了一种电子设备,包括处理器301和与处理器301连接的存储器302,存储器302存储有多条指令,指令可被处理器加载并执行,以使处理器能够执行如实施例一的方法。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于CNN-LSTM算法的风功率分钟级预测方法,其特征在于,包括:
S1,获取风电场的历史数据,所述历史数据包括风电场风速、风向、偏航角和风机输出功率;
S2,对所述历史数据进行预处理形成风速、风向多维时序数据;
S3,基于小波分解对所述多维时序数据进行进一步处理从而获得高频及低频风速和风向原始秒级数据分量;其中低频风速和风向原始秒级数据分量表征了信号的时序性,高频风速和风向原始秒级数据分量表征了信号的局部性;
S4,对高频及低频风速和风向原始秒级数据分量进行正交分解,从而分解为东西及南北方向风速高频和低频数据;
S5,将东西及南北方向风速高频和低频数据划分为训练集和测试集,基于训练集进行模型训练,得到风矢量预测模型网络;基于测试集对风矢量预测模型网络进行测试后获得风矢量预测模型;
S6,基于最小二乘法建立风速、风向、偏航角与风机输出功率间的映射关系模型;
S7,基于风矢量预测模型和映射关系模型对未来短期风速进行小步长的精准预测获得未来短期风速预测值;
S8,对所述未来短期风速预测值进行反正交分解获得风向、风速高频分量预测结果和低频分量预测结果;综合风向、风速高频分量预测结果和低频分量预测结果获得实际风速及风向预测结果;
S9,基于实际风速及风向预测结果进行风功率分钟级预测。
2.根据权利要求1所述的一种基于CNN-LSTM算法的风功率分钟级预测方法,其特征在于,所述S1中获取风电场一年的历史数据。
3.根据权利要求1所述的一种基于CNN-LSTM算法的风功率分钟级预测方法,其特征在于,所述S2所述预处理包括监测及处理异常值、消除极值以及利用插值法补全空缺位;其中监测及处理异常值包括保持风向在0~360°之间,消除极值包括去除输出功率较低的数据点。
4.根据权利要求1所述的一种基于CNN-LSTM算法的风功率分钟级预测方法,其特征在于,所述S5所述风矢量预测模型为CNN-LSTM(卷积长短期记忆神经网络)时间序列预测模型,CNN模型用于捕捉数据局部特征,LSTM模型用于捕捉信号的时序性;CNN及LSTM部分通过连接层相连,经过全链接层输出。
5.根据权利要求4所述的一种基于CNN-LSTM算法的风功率分钟级预测方法,其特征在于,所述CNN模型由两个卷积层、两个池化层、一个展平(flatten)层及一个遗弃层组成;其中第一个卷积层读取输入序列,并将结果投影到特征图上,第二个卷积层在第一个卷积层创建的特征图上执行相同的操作,用于放大其显著特征,每个卷积层使用64个特征图,并以3个小时步长的内核大小读取输入序列;两个池化层降采样成原来特征图尺寸的1/4来简化特征图,然后将提取的特征图展平为一个长向量,将其作为解码过程的输入;所述卷积层由多个特征面组成,每个特征面由多个神经元组成,其中每个神经元通过卷积核与上一层局部的特征面区域相互连接,卷积神经网络的卷积层通过卷积操作提取不同时间序列数据的不同特征;所述池化层在卷积层之后,也是多个特征面组成,每个特征面对应上一层的一个特征面,用于数据特征的二次提取,对数据进行降维,采用的池化方法为最大池化法或者均值池化法;
所述LSTM模型由两个LSTM层及一个遗弃层组成;其中两个LSTM层包括隐含层,并在隐含层内部加入输入门、输出门,遗弃层中包含遗忘门,并增加了用于存储记忆的单元;当输入量输入到LSTM网络隐含层后,先经过输入门经过非线性变换后,与遗忘门处理过的记忆单元状态叠加,形成新的记忆单元状态,最后记忆单元状态经非线性函数处理后与非线性函数处理的当前信息状态相点乘得到隐含层的输出。
6.根据权利要求5所述的一种基于CNN-LSTM算法的风功率分钟级预测方法,其特征在于,采用离线方式训练基于CNN-LSTM算法的风功率分钟级预测模型。
7.根据权利要求1所述的一种基于CNN-LSTM算法的风功率分钟级预测方法,其特征在于,所述S6包括:利用风向、风速、偏航角及输出功率等种类数据通过采用七阶多项式对的最小二乘法拟合发电机功率曲线,基于发电机功率曲线获得映射关系模型。
8.一种基于CNN-LSTM算法的风功率分钟级预测系统,用于实施权利要求1-7任一所述的方法,其特征在于,包括:
数据采集模块,用于获取风电场的历史数据,所述历史数据包括风电场风速、风向、偏航角和风机输出功率;
预处理模块,用于对所述历史数据进行预处理形成风速、风向多维时序数据;
小波分解模块,用于基于小波分解对所述多维时序数据进行进一步处理从而获得高频及低频风速和风向原始秒级数据分量;
正交分解模块,用于对高频及低频风速和风向原始秒级数据分量进行正交分解,从而分解为东西及南北方向风速高频和低频数据;
第一模型建立模块,用于将东西及南北方向风速高频和低频数据划分为训练集和测试集,基于训练集进行模型训练,得到风矢量预测模型网络;基于测试集对风矢量预测模型网络进行测试后获得高精度的风矢量预测模型;
第二模型建立模块,用于基于最小二乘法建立风速、风向、偏航角与风机输出功率间的映射关系模型;
第一预测模块,用于基于风矢量预测模型和映射关系模型对未来短期风速进行小步长的精准预测获得未来短期风速预测值;
反正交分解模块,用于对所述未来短期风速预测值进行反正交分解获得风向、风速高频分量预测结果和低频分量预测结果;综合风向、风速高频分量预测结果和低频分量预测结果获得实际风速及风向预测结果;
第二预测模块,用于基于实际风速及风向预测结果进行风功率分钟级预测。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有多条指令,所述处理器用于读取所述指令并执行如权利要求1-7任一所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多条指令,所述多条指令可被处理器读取并执行如权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211569144.XA CN115859816A (zh) | 2022-12-08 | 2022-12-08 | 一种基于cnn-lstm算法的风功率分钟级预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211569144.XA CN115859816A (zh) | 2022-12-08 | 2022-12-08 | 一种基于cnn-lstm算法的风功率分钟级预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115859816A true CN115859816A (zh) | 2023-03-28 |
Family
ID=85671004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211569144.XA Pending CN115859816A (zh) | 2022-12-08 | 2022-12-08 | 一种基于cnn-lstm算法的风功率分钟级预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115859816A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116594019A (zh) * | 2023-07-18 | 2023-08-15 | 北京华信科创科技有限公司 | 雷达数据预测方法及系统 |
CN116629027A (zh) * | 2023-07-18 | 2023-08-22 | 北京华信科创科技有限公司 | 基于雷达数据的风功率预测方法及系统 |
CN116930973A (zh) * | 2023-09-15 | 2023-10-24 | 湖南赛能环测科技有限公司 | 一种场景自适应的声雷达风功率精确预测方法 |
CN117056735A (zh) * | 2023-10-13 | 2023-11-14 | 云南电投绿能科技有限公司 | 一种风电场的短期风速预测方法、装置、设备及存储介质 |
-
2022
- 2022-12-08 CN CN202211569144.XA patent/CN115859816A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116594019A (zh) * | 2023-07-18 | 2023-08-15 | 北京华信科创科技有限公司 | 雷达数据预测方法及系统 |
CN116629027A (zh) * | 2023-07-18 | 2023-08-22 | 北京华信科创科技有限公司 | 基于雷达数据的风功率预测方法及系统 |
CN116594019B (zh) * | 2023-07-18 | 2023-09-19 | 北京华信科创科技有限公司 | 雷达数据预测方法及系统 |
CN116629027B (zh) * | 2023-07-18 | 2023-10-13 | 北京华信科创科技有限公司 | 基于雷达数据的风功率预测方法及系统 |
CN116930973A (zh) * | 2023-09-15 | 2023-10-24 | 湖南赛能环测科技有限公司 | 一种场景自适应的声雷达风功率精确预测方法 |
CN116930973B (zh) * | 2023-09-15 | 2023-12-08 | 湖南赛能环测科技有限公司 | 一种场景自适应的声雷达风功率精确预测方法 |
CN117056735A (zh) * | 2023-10-13 | 2023-11-14 | 云南电投绿能科技有限公司 | 一种风电场的短期风速预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115859816A (zh) | 一种基于cnn-lstm算法的风功率分钟级预测方法及系统 | |
Alencar et al. | Hybrid approach combining SARIMA and neural networks for multi-step ahead wind speed forecasting in Brazil | |
CN107330514B (zh) | 一种基于集成极限学习机的空气质量预测方法 | |
CN107133695A (zh) | 一种风电功率预测方法和系统 | |
CN112348292A (zh) | 一种基于深度学习网络的短期风电功率预测方法和系统 | |
Lawal et al. | Wind speed prediction using hybrid 1D CNN and BLSTM network | |
CN111539841A (zh) | 电量预测方法、装置、设备及可读存储介质 | |
CN111582551A (zh) | 风电场短期风速预测方法、系统及电子设备 | |
CN112766600B (zh) | 一种城市区域人群流量预测方法及系统 | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
CN103914740B (zh) | 一种基于数据驱动的输电线路覆冰预测与自校正方法 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
Jin et al. | Deep learning for seasonal precipitation prediction over China | |
CN115759365A (zh) | 光伏发电功率的预测方法及相关设备 | |
CN116699731B (zh) | 一种热带气旋路径短期预报方法、系统及存储介质 | |
CN113984198A (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
CN113435595A (zh) | 基于自然进化策略的极限学习机网络参数两阶段优化方法 | |
CN116663739A (zh) | 一种复杂地形风机出力预测方法、系统、设备和储存介质 | |
CN117293809A (zh) | 一种基于大模型的多时空尺度新能源发电功率预测方法 | |
CN117421871A (zh) | 海上风电潜力评估方法、装置和计算机设备 | |
CN112734073A (zh) | 一种基于长短期记忆网络的光伏发电功率短期预测方法 | |
CN114004405A (zh) | 基于Elman神经网络和卫星云图的光伏功率预测方法及系统 | |
Bantupalli et al. | Wind Speed forecasting using empirical mode decomposition with ANN and ARIMA models | |
CN114925931A (zh) | 台区负荷预测方法及系统 | |
CN107102543A (zh) | 一种能量路由器抗干扰控制器的形成方法及装置 |
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 |