CN116050591A - 基于生成对抗网络gan的风力发电功率预测方法 - Google Patents
基于生成对抗网络gan的风力发电功率预测方法 Download PDFInfo
- Publication number
- CN116050591A CN116050591A CN202211681817.0A CN202211681817A CN116050591A CN 116050591 A CN116050591 A CN 116050591A CN 202211681817 A CN202211681817 A CN 202211681817A CN 116050591 A CN116050591 A CN 116050591A
- Authority
- CN
- China
- Prior art keywords
- wind power
- data
- discriminator
- power generation
- neural 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
- 238000010248 power generation Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 claims 1
- 230000008485 antagonism Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000000737 periodic effect Effects 0.000 abstract description 2
- 230000001932 seasonal effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract 1
- 238000013135 deep learning Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G06N3/08—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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Wind Motors (AREA)
Abstract
本发明是有关于风力发电功率的预测技术,具体为使用生成对抗网络GAN的方法来进行风力发电功率的预测方法。本发明公开了使用了生成对抗网络ForGAN来处理风力发电预测的时间信息的技术方案,通过对风力发电数据进行预处理,去除掉风力发电中的杂音,找到风力发电的规律,通过周期性,季节性时间特征对风力发电进行分解,通过ForGAN对时间序列进行生成,最后对ForGAN生成的结果进行监测,从而实现对风力发电的预测。
Description
技术领域
本发明是有关于风力发电功率的预测,具体为使用生成对抗网络GAN的方法来进行风力发电功率的预测方法。
背景技术
地球上有许多可再生能源,包括太阳能、风能等许多其他能源,但所有的可再生能源都有一个共同的特点,那就是不容易收集,而且有很大的不便。与其他能源相比,风力易于获取,使用条件无限,应用不存在重大技术障碍。同时,它是取之不尽的。它是目前世界上广泛应用的一种新型绿色能源。风力发电正在成为可再生能源系统的支柱。此外,风力发电还具有环境友好性,经济高效,安全等特点。通过使用风力发电,会减少制造业、工业和化工厂等许多领域的碳排放。
深度学习以人工神经网络为框架,是一种对数据进行表征学习的算法,深度学习从2006年起在各行各业中掀起了大浪潮,即深度学习被人们广泛地运用于各个领域。生成对抗网络(Generative adversarial networks)是深度学习领域的一个重要生成模型,即两个网络(生成器和鉴别器)在同一时间训练并且在极小化极大算法(minimax)中进行竞争。这种对抗方式避免了一些传统生成模型在实际应用中的一些困难,巧妙地通过对抗学习来近似一些不可解的损失函数。近年来,深度学习在风力预测研究的作用发挥的越来越广泛,利用计算机来预测风力发电功率对于能源研究具有重要的意义和价值。
发明内容
本发明公开了使用了生成对抗网络ForGAN来处理风力发电预测的时间信息的技术方案,通过对风力发电数据进行预处理,去除掉风力发电中的杂音,找到风力发电的规律,通过周期性,季节性时间特征对风力发电进行分解,通过ForGAN对时间序列进行生成,最后对ForGAN生成的结果进行监测,从而实现对风力发电的预测。
本发明是采用如下技术方案实现的:一种基于生成对抗网络GAN的风力发电功率预测方法,包括如下步骤:
(1)数据预处理
通过SCADA系统收集某风力发电系统发电功率的时间序列,对于SCADA系统在收集风力发电功率数据产生的信号中断、设备损坏或程序中断这些传输故障引起的数据错误和数据缺失,使用近期平均值通过发生数据错误和缺失的时间段附近的时间信息对小段缺失值进行补全,并通过线性模型对由设备损毁造成的大段的时间空缺进行补充;
(2)数据去噪
通过非线性阈值处理法对步骤(1)采集到的时间序列去噪,具体是通过选择Daubechies正交小波基对步骤(1)预处理后的时间序列进行小波变换,小波变换后有用信号的能量集中于少数小波系数上,之后选择三~五层分阶层对得到的小波系数使用软阈值法进行阈值处理,将较小的小波系数置零,而对较大的小波系数向零收缩;得到去噪后的风力发电功率时间序列;
(3)通过神经网络模型对风力发电功率进行预测
将步骤(2)得到的去噪后的风力发电功率时间序列数据做为神经网络生成器G的数据输入,以及用于规范生成器G和鉴别器D的输入条件,用于GAN神经网络的训练,进而构建出GAN神经网络模型,并套用以下神经网络的训练公式进行神经网络的训练和测试:
所述GAN神经网络包括生成器G和鉴别器D,这些组件在对抗过程中同时训练,G以随机的噪声向量z为输入,训练生成一个分布符合真实数据分布的样本的同时优化D以区分生成数据和真实数据;通过最小化生成器G生成的样本的判别误差和最大化鉴别器D的判别准确度的方式,使得生成器G能够模拟出来真实的风力功率预测结果;
上式中第一个E表示鉴别器的期望,xt+1表示预测出的风力发电功率结果,ρdata(xt+1)表示来自于真实数据的风力发电功率预测结果,log D(x|c)表示判别器在与生成器的风力发电功率数据输入c相同的前提下进行预测,第二个E表示的是生成器的期望,z~ρz(z)表示用于生成器训练的数据z服从噪声分布ρz(z),G(z|c)表示生成器在与鉴别器D相同的风力发电功率数据输入c下进行预测,D(G(z|c))表示将生成的结果放进鉴别器进行判别,用鉴别器的结果来表示鉴别器鉴别生成数据的准确程度,log(1-D(G(z|c)))是将鉴别器的鉴别风力预测数据的准确程度用做衡量生成器的准确程度。
上述第一步处理后的时间序列有助于后续预测结果的准确性;第二步中通过小波变换后有用信号的能量集中于少数小波系数上,而白噪声在小波变换域上仍然分散在大量小波系数之上。因而相对来说,有用信号的小波系数值必然大于那些能量分散且幅值较小的噪声的小波系数值。
而使用软阈值法将较小的小波系数置零,而对较大的小波系数向零收缩。软阈值法去噪后的估计信号是原始信号的近似最优估计,并且具有更广泛的适用性。第三步中通过使用GAN神经网络的结构就可以将通过复杂条件预测风力发电功率的任务转化成训练生成器的鉴别器的深度学习问题,从而减少了在预测风力发电中所需要考虑的风力发电功率的数据分布问题和影响风力发电的复杂现实因素。
具体实施方式
一种基于生成对抗网络GAN的风力发电功率预测方法,包括如下步骤:
(1)数据预处理
通过SCADA系统收集某风力发电系统发电功率的时间序列,通常情况下,由scada系统在进行数据采集的过程中,可能会发生信号中断、设备损坏或程序中断等传输故障,都会使得收集到错误的数据或者引起数据缺失。为有效解决上述问题,本发明使用近期平均值通过发生数据错误和缺失的时间段附近的时间信息对小段缺失值进行补全,并通过线性模型对由设备损毁造成的大段的时间空缺进行补充;此处所述时间序列中的时间是年份、季度、月份或日期。
(2)数据去噪
通过非线性阈值处理法对步骤(1)采集到的时间序列去噪,具体是通过选择Daubechies正交小波基对步骤(1)预处理后的时间序列进行小波变换,小波变换后有用信号的能量集中于少数小波系数上,之后选择三层分阶层对得到的小波系数使用软阈值法进行阈值处理,将较小的小波系数置零,而对较大的小波系数向零收缩;得到去噪后的风力发电功率时间序列;
一般对分解得到的小波系数进行阈值处理,可以使用两种处理方法:硬阈值和软阈值法。
硬阈值法保留较大的小波系数并将较小的小波系数置零;软阈值法将较小的小波系数置零,而对较大的小波系数向零收缩。根据相关推导证明了软阈值法去噪后的估计信号是原始信号的近似最优估计,并且具有更广泛的适用性。
(3)通过神经网络模型对风力发电功率进行预测
将步骤(2)得到的去噪后的风力发电功率时间序列数据做为神经网络生成器G的数据输入,以及用于规范生成器G和鉴别器D的输入条件,用于GAN神经网络的训练,进而构建出GAN神经网络模型,并套用以下神经网络的训练公式进行神经网络的训练和测试:
所述GAN神经网络包括生成器G和鉴别器D,这些组件在对抗过程中同时训练,G以随机的噪声向量z为输入,训练生成一个分布符合真实数据分布的样本的同时优化D以区分生成数据和真实数据;通过最小化生成器G生成的样本的判别误差和最大化鉴别器D的判别准确度的方式,使得生成器G能够模拟出来真实的某风力发电系统的风力功率预测结果;
上式中第一个E表示鉴别器的期望,xt+1表示预测出的风力发电功率结果,ρdata(xt+1)表示来自于真实数据的风力发电功率预测结果,log D(x|c)表示判别器在与生成器的风力发电功率数据输入c相同的前提下进行预测,第二个E表示的是生成器的期望,z~ρz(z)表示用于生成器训练的数据z服从噪声分布ρz(z),G(z|c)表示生成器在与鉴别器D相同的风力发电功率数据输入c下进行预测,D(G(z|c))表示将生成的结果放进鉴别器进行判别,用鉴别器的结果来表示鉴别器鉴别生成数据的准确程度,log(1-D(G(z|c)))是将鉴别器的鉴别风力预测数据的准确程度用做衡量生成器的准确程度。
Claims (2)
1.一种基于生成对抗网络GAN的风力发电功率预测方法,其特征在于,包括如下步骤:
(1)数据预处理
通过SCADA系统收集某风力发电系统发电功率的时间序列,对于SCADA系统在收集风力发电功率数据产生的信号中断、设备损坏或程序中断这些传输故障引起的数据错误和数据缺失,使用近期平均值通过发生数据错误和缺失的时间段附近的时间信息对小段缺失值进行补全,并通过线性模型对由设备损毁造成的大段的时间空缺进行补充;
(2)数据去噪
通过非线性阈值处理法对步骤(1)采集到的时间序列去噪,具体是通过选择Daubechies正交小波基对步骤(1)预处理后的时间序列进行小波变换,小波变换后有用信号的能量集中于少数小波系数上,之后选择三~五层分阶层对得到的小波系数使用软阈值法进行阈值处理,将较小的小波系数置零,而对较大的小波系数向零收缩;得到去噪后的风力发电功率时间序列;
(3)通过神经网络模型对风力发电功率进行预测
将步骤(2)得到的去噪后的风力发电功率时间序列数据做为神经网络生成器G的数据输入,以及用于规范生成器G和鉴别器D的输入条件,用于GAN神经网络的训练,进而构建出GAN神经网络模型,并套用以下神经网络的训练公式进行神经网络的训练和测试:
所述GAN神经网络包括生成器G和鉴别器D,这些组件在对抗过程中同时训练,G以随机的噪声向量z为输入,训练生成一个分布符合真实数据分布的样本的同时优化D以区分生成数据和真实数据;通过最小化生成器G生成的样本的判别误差和最大化鉴别器D的判别准确度的方式,使得生成器G能够模拟出来真实的风力功率预测结果;
上式中第一个E表示鉴别器的期望,xt+1表示预测出的风力发电功率结果,ρdata(xt+1)表示来自于真实数据的风力发电功率预测结果,log D(x|c)表示判别器在与生成器的风力发电功率数据输入c相同的前提下进行预测,第二个E表示的是生成器的期望,z~ρz(z)表示用于生成器训练的数据z服从噪声分布ρz(z),G(z|c)表示生成器在与鉴别器D相同的风力发电功率数据输入c下进行预测,D(G(z|c))表示将生成的结果放进鉴别器进行判别,用鉴别器的结果来表示鉴别器鉴别生成数据的准确程度,log(1-D(G(z|c)))是将鉴别器的鉴别风力预测数据的准确程度用做衡量生成器的准确程度。
2.如权利要求1所述的基于生成对抗网络GAN的风力发电功率预测方法,其特征在于,所述时间序列中的时间是年份、季度、月份或日期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211681817.0A CN116050591A (zh) | 2022-12-26 | 2022-12-26 | 基于生成对抗网络gan的风力发电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211681817.0A CN116050591A (zh) | 2022-12-26 | 2022-12-26 | 基于生成对抗网络gan的风力发电功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116050591A true CN116050591A (zh) | 2023-05-02 |
Family
ID=86117434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211681817.0A Pending CN116050591A (zh) | 2022-12-26 | 2022-12-26 | 基于生成对抗网络gan的风力发电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050591A (zh) |
-
2022
- 2022-12-26 CN CN202211681817.0A patent/CN116050591A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111159638B (zh) | 基于近似低秩矩阵补全的配电网负荷缺失数据恢复方法 | |
Xiong et al. | Fault diagnosis of a rolling bearing based on the wavelet packet transform and a deep residual network with lightweight multi-branch structure | |
Dong et al. | Short-term wind-speed forecasting based on multiscale mathematical morphological decomposition, K-means clustering, and stacked denoising autoencoders | |
Yang et al. | One-dimensional deep attention convolution network (ODACN) for signals classification | |
CN112395737A (zh) | 一种基于生成对抗网络高速列车量测数据缺失重建的方法 | |
Ye et al. | Single pole‐to‐ground fault location method for mmc‐hvdc system using wavelet decomposition and dbn | |
CN114252739A (zh) | 配电网单相接地故障判别方法、系统、设备和存储介质 | |
CN114386452A (zh) | 核电循环水泵太阳轮故障检测方法 | |
CN114519293A (zh) | 基于小样本机器学习模型的电缆本体故障识别方法 | |
CN116050591A (zh) | 基于生成对抗网络gan的风力发电功率预测方法 | |
CN113076925A (zh) | 基于cnn和elm的m-qam信号调制模式识别方法 | |
Priyadarshini et al. | Detection of islanding and non-islanding fault disturbances in microgrid using LMD and deep stacked RVFLN based auto-encoder | |
CN108459585B (zh) | 基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法 | |
CN116070768A (zh) | 一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法 | |
CN110930024A (zh) | 一种基于贝叶斯网络的深海应急态势智能分析系统及方法 | |
CN115659133A (zh) | 一种风电变流器故障诊断方法 | |
CN113949065B (zh) | 一种确定电力系统暂态电压稳定薄弱节点的方法及系统 | |
CN113378643B (zh) | 一种基于随机变换和小波重构的信号对抗样本检测方法 | |
CN112016684B (zh) | 一种深度并行柔性发射网络的电力终端指纹识别方法 | |
CN114519294A (zh) | 基于小波奇异熵和bp神经网络的电力电缆故障识别方法 | |
CN109506936B (zh) | 基于流向图和非朴素贝叶斯推理的轴承故障程度识别方法 | |
CN110047048B (zh) | 一种基于mse选优的相位恢复改进算法 | |
CN112395335A (zh) | 一种基于Hadoop的输电网络节点数据分析系统及方法 | |
Wang et al. | Fault detection and fault identification in marine current turbines | |
CN116165473B (zh) | 一种列车牵引传动系统的网侧过流故障实时溯源方法 |
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 |