一種基于深度神經(jīng)網(wǎng)絡(luò)的風(fēng)電場功率預(yù)測方法
【專利摘要】本發(fā)明公開了屬于電力系統(tǒng)預(yù)測與控制【技術(shù)領(lǐng)域】的一種基于深度神經(jīng)網(wǎng)絡(luò)的風(fēng)場功率預(yù)測方法。首先，獲取實(shí)測風(fēng)速、風(fēng)向、氣溫、濕度及大氣壓強(qiáng)數(shù)據(jù)，采用投影尋蹤進(jìn)行主成分的提取，投影尋蹤采用中位絕對偏差作為投影指標(biāo)，能夠有效排除與數(shù)據(jù)結(jié)構(gòu)和特征無關(guān)的或關(guān)系很小的離群點(diǎn)的干擾，提取主成分比較穩(wěn)定。采用深度神經(jīng)網(wǎng)絡(luò)模型，建立了風(fēng)速、風(fēng)向、濕度、溫度和氣壓這五種影響因素與風(fēng)場輸出功率之間的預(yù)測模型。對風(fēng)場功率進(jìn)行預(yù)測，得到預(yù)測功率。本發(fā)明提高了風(fēng)電場未來72小時(shí)預(yù)測功率的精度，為電網(wǎng)合理調(diào)度提供了依據(jù)，減輕了并網(wǎng)壓力。
【專利說明】—種基于深度神經(jīng)網(wǎng)絡(luò)的風(fēng)電場功率預(yù)測方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于電力系統(tǒng)預(yù)測與控制【技術(shù)領(lǐng)域】，尤其涉及一種基于深度神經(jīng)網(wǎng)絡(luò)的風(fēng)電場功率預(yù)測方法。

【背景技術(shù)】
[0002]風(fēng)力發(fā)電是一種清潔、無污染的可再生能源發(fā)電方式，越來越受到世界各國的高度重視，風(fēng)電的裝機(jī)容量迅速增長，在電網(wǎng)中所占的比例不斷提高，預(yù)計(jì)到2020年，風(fēng)力發(fā)電總量將占據(jù)全球總電量的12%。但是風(fēng)力發(fā)電也有其缺點(diǎn)，由于風(fēng)能具有波動(dòng)性、間歇性、低能量密度、不可控等特點(diǎn)，因而風(fēng)電功率也是波動(dòng)的、間歇的。對于有大規(guī)模風(fēng)電接入的電網(wǎng)來說，風(fēng)電的波動(dòng)性對全網(wǎng)的電力平衡將會帶來很大的影響，給并網(wǎng)帶來了巨大挑戰(zhàn)。對風(fēng)電場功率進(jìn)行預(yù)報(bào)，對于電力系統(tǒng)的并網(wǎng)和經(jīng)濟(jì)調(diào)度意義重大。
[0003]對風(fēng)電場輸出功率的預(yù)報(bào)，將使電力調(diào)度部門能夠提前為風(fēng)電場輸出功率發(fā)生變化及時(shí)調(diào)整調(diào)度計(jì)劃，從而減少供電系統(tǒng)旋轉(zhuǎn)備用容量，降低電力系統(tǒng)運(yùn)行成本，并為電網(wǎng)系統(tǒng)調(diào)度提供可靠的依據(jù)。從風(fēng)電場角度考慮，與其他可控的發(fā)電方式相比，風(fēng)電的間歇性將大大削弱其競爭力，如果能夠提前對風(fēng)電場的輸出功率進(jìn)行預(yù)報(bào)，將很大程度上提高風(fēng)力發(fā)電的競爭力。同時(shí)，風(fēng)電場可以根據(jù)預(yù)報(bào)結(jié)果，選擇在無風(fēng)或低風(fēng)時(shí)間段，對設(shè)備進(jìn)行維修，減少資源的浪費(fèi)，提高發(fā)電量和風(fēng)電場容量系數(shù)。
[0004]目前，國外風(fēng)電發(fā)展比較成熟的國家，如丹麥、德國、西班牙、美國等，已經(jīng)研發(fā)出用于風(fēng)電場輸出功率短期預(yù)報(bào)的系統(tǒng)，并且在多個(gè)風(fēng)電場在線運(yùn)行。這些系統(tǒng)使用統(tǒng)計(jì)模型，或物理模型，如第一個(gè)風(fēng)電場出力短期預(yù)報(bào)系統(tǒng)是丹麥里索國家實(shí)驗(yàn)室開發(fā)的Prediktor,使用的是物理模型方法；德國ISET開發(fā)的WPMS系統(tǒng)，使用的是基于神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)模型。這些模型的預(yù)報(bào)誤差一般都在15%-20%，效果還不盡如人意。并且由于沒有充分考慮我國風(fēng)電場獨(dú)特性，國外的風(fēng)電出力預(yù)報(bào)系統(tǒng)還不能直接應(yīng)用于國內(nèi)，或者應(yīng)用效果很差。而國內(nèi)這方面研究起步較晚，尚處于初歩探索研究階段，研究工作主要集中在風(fēng)電場風(fēng)速預(yù)測，真正意義上的發(fā)電功率研究更少，目前已經(jīng)面世的產(chǎn)品，多處于試運(yùn)行、積累經(jīng)驗(yàn)階段，預(yù)測精度還有待檢驗(yàn)與提高。因此，加快開展風(fēng)電功率預(yù)測研究步伐，盡快研制出適合我國國情的、預(yù)測精度高、具有自主知識產(chǎn)權(quán)的風(fēng)電功率預(yù)測系統(tǒng)意義重大。


【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的是提供一種基于深度神經(jīng)網(wǎng)絡(luò)的風(fēng)場功率預(yù)測方法，其特征在于，所述風(fēng)場功率預(yù)測方法包括下列步驟:
[0006]步驟1:通過數(shù)值氣象預(yù)報(bào)系統(tǒng)提供的天氣預(yù)測值，并對獲取的數(shù)據(jù)進(jìn)行預(yù)處理；
[0007]步驟2:采用投影尋蹤對步驟I進(jìn)行預(yù)處理數(shù)據(jù)的主成分提取，投影尋蹤采用中位絕對偏差MAD作為投影指標(biāo)，能夠有效排除與數(shù)據(jù)結(jié)構(gòu)和特征無關(guān)的或關(guān)系很小的離群點(diǎn)的干擾，提取主成分比較穩(wěn)定；
[0008]步驟3:采用深度神經(jīng)網(wǎng)絡(luò)模型，建立風(fēng)速、風(fēng)向、濕度、溫度和氣壓這五種影響因素與風(fēng)場輸出功率之間的預(yù)測模型，其中深度神經(jīng)網(wǎng)絡(luò)模型隱含層的函數(shù)為Y = f(WiX)；其中X為輸入矩陣，Wi為輸入層到隱含層的權(quán)值；
[0009]步驟4:采用投影尋蹤結(jié)合深度神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)測功率；
[0010]所述步驟I中天氣預(yù)測值的預(yù)測步驟為:
[0011]步驟101:獲取天氣預(yù)測值，具體是獲得由數(shù)值氣象預(yù)報(bào)系統(tǒng)NWP輸出的72小時(shí)天氣預(yù)報(bào)值，包括O米、30米、50米、70米、100米、120米不同高度的風(fēng)速、風(fēng)向、氣溫、濕度及大氣壓強(qiáng)數(shù)據(jù)；
[0012]步驟102:預(yù)處理包括剔除錯(cuò)誤數(shù)據(jù)和數(shù)據(jù)歸一化；
[0013]所述步驟2中投影尋蹤采用中位絕對偏差MAD為目標(biāo)函數(shù)，中位絕對偏差公式為MAD = median」(| XjIediani (Xi));其中X表示初始數(shù)據(jù)矩陣，Xi表示第i組數(shù)據(jù)的均值，即第i行數(shù)據(jù)的均值，Xj表第j組數(shù)據(jù)的均值，Hiediani (Xi)表示取所有均值的中位值,Hiedianj表不取誤差的中值；
[0014]所述步驟4包括:
[0015]步驟401:用投影尋蹤尋得風(fēng)速、風(fēng)向、濕度、溫度和氣壓這五種影響因素對風(fēng)場功率影響最大的主成分；
[0016]步驟402:將風(fēng)速、風(fēng)向、濕度、溫度和氣壓的主成分作為深度神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行輸出功率預(yù)測。具體步驟為，采用歷史的天氣數(shù)據(jù)和其對應(yīng)的功率數(shù)據(jù)對模型進(jìn)行訓(xùn)練，當(dāng)深度神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果和實(shí)際功率的誤差小于一定閾值ε時(shí)，模型訓(xùn)練完成；用當(dāng)前天氣預(yù)測值作為模型的輸入對輸出功率進(jìn)行預(yù)測。
[0017]本發(fā)明的效果在于，利用深度神經(jīng)網(wǎng)絡(luò)能以任意精度逼近任何非線性映射，具有一定的容錯(cuò)性，結(jié)構(gòu)簡單，操作性強(qiáng)，訓(xùn)練效率高，適合處理復(fù)雜問題等；提高了風(fēng)電場未來72小時(shí)預(yù)測功率的精度，為電網(wǎng)合理調(diào)度提供了依據(jù)，減輕了并網(wǎng)壓力。

【專利附圖】

【附圖說明】
[0018]圖1是根據(jù)本發(fā)明實(shí)施例的一種基于深度神經(jīng)網(wǎng)絡(luò)的風(fēng)電場功率預(yù)測方法的總體流程圖；
[0019]圖2是根據(jù)本發(fā)明實(shí)施例投影尋蹤提取主成分示意圖；
[0020]圖3是根據(jù)本發(fā)明實(shí)施例深度神經(jīng)網(wǎng)絡(luò)(auto-encoder)訓(xùn)練示意圖；及
[0021]圖4是根據(jù)本發(fā)明實(shí)施例投影尋蹤提取主成分結(jié)合深度神經(jīng)網(wǎng)絡(luò)模型流程圖；

【具體實(shí)施方式】
[0022]本發(fā)明提供一種基于深度神經(jīng)網(wǎng)絡(luò)的風(fēng)場功率預(yù)測方法，下面結(jié)合附圖和實(shí)施例對本發(fā)明作詳細(xì)說明。
[0023]本發(fā)明針對相關(guān)技術(shù)風(fēng)場功率預(yù)測精度較低的問題，在實(shí)施例中，將影響風(fēng)場功率的因素作為深度神經(jīng)網(wǎng)絡(luò)模型的輸入，通過深度學(xué)習(xí)來對風(fēng)場功率進(jìn)行預(yù)測。下面對實(shí)施例的方案進(jìn)行詳細(xì)描述。
[0024]本實(shí)施例采用的深度神經(jīng)網(wǎng)絡(luò)是auto-encoder網(wǎng)絡(luò)結(jié)構(gòu)，是基于7層的非線性映射的網(wǎng)絡(luò)。
[0025]圖1是基于深度神經(jīng)網(wǎng)絡(luò)的風(fēng)場功率預(yù)測方法的總體流程圖，包括四個(gè)步驟:
[0026]步驟a.通過數(shù)值氣象預(yù)報(bào)系統(tǒng)提供的天氣預(yù)測值，具體是獲得由數(shù)值氣象預(yù)報(bào)系統(tǒng)NWP輸出的72小時(shí)天氣預(yù)報(bào)值，包括O米、30米、50米、70米、100米、120米不同高度的風(fēng)速、風(fēng)向、氣溫、濕度及大氣壓強(qiáng)數(shù)據(jù)；并對獲取的數(shù)據(jù)進(jìn)行預(yù)處理，剔除錯(cuò)誤數(shù)據(jù)和數(shù)據(jù)歸一化；
[0027]步驟b.采用投影尋蹤對步驟a.預(yù)處理數(shù)據(jù)進(jìn)行主成分的提取，投影尋蹤采用中位絕對偏差(MAD)作為投影指標(biāo)，MAD = median」(I XjIiedianj: (Xi) I)，將對應(yīng)于P維空間的數(shù)據(jù)投影到d維子空間上，搜索出使該投影指標(biāo)達(dá)到最大的d維子空間，所得到的d維子空間的投影能最大限度地提取原數(shù)據(jù)的結(jié)構(gòu)特征。由于本發(fā)明選用的影響風(fēng)場輸出功率的變量只有5個(gè)，因此保留全部主成分，即取d = 5，采用中位絕對偏差能夠有效排除與數(shù)據(jù)結(jié)構(gòu)和特征無關(guān)的或關(guān)系很小的離群點(diǎn)的干擾，提取主成分比較穩(wěn)定；
[0028]步驟c.采用深度神經(jīng)網(wǎng)絡(luò)(auto-encoder)模型,建立風(fēng)速、風(fēng)向、濕度、溫度和氣壓這五種影響因素與風(fēng)場輸出功率之間的預(yù)測模型，auto-encoder是一種無監(jiān)督的學(xué)習(xí)算法，本實(shí)施例采用auto-encoder神經(jīng)網(wǎng)絡(luò)訓(xùn)練單層網(wǎng)絡(luò)，其編碼部分的激活函數(shù)為:

【權(quán)利要求】
1.一種基于深度神經(jīng)網(wǎng)絡(luò)的風(fēng)場功率預(yù)測方法，其特征在于，所述風(fēng)場功率預(yù)測方法包括下列步驟: 步驟1:通過數(shù)值氣象預(yù)報(bào)系統(tǒng)提供的天氣預(yù)測值，并對獲取的數(shù)據(jù)進(jìn)行預(yù)處理； 步驟2:采用投影尋蹤對步驟I進(jìn)行預(yù)處理數(shù)據(jù)的主成分提取，投影尋蹤采用中位絕對偏差MAD作為投影指標(biāo)，能夠有效排除與數(shù)據(jù)結(jié)構(gòu)和特征無關(guān)的或關(guān)系很小的離群點(diǎn)的干擾，提取主成分比較穩(wěn)定； 步驟3:采用深度神經(jīng)網(wǎng)絡(luò)模型，建立風(fēng)速、風(fēng)向、濕度、溫度和氣壓這五種影響因素與風(fēng)場輸出功率之間的預(yù)測模型，其中深度神經(jīng)網(wǎng)絡(luò)模型隱含層的函數(shù)為Y = f (WiX);其中X為輸入矩陣，Wi為輸入層到隱含層的權(quán)值； 步驟4:采用投影尋蹤結(jié)合深度神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)測功率。
2.根據(jù)權(quán)利要求1所述基于深度神經(jīng)網(wǎng)絡(luò)的風(fēng)場功率預(yù)測方法，其特征在于，所述步驟I中天氣預(yù)測值的預(yù)測步驟為: 步驟101:獲取天氣預(yù)測值，具體是獲得由數(shù)值氣象預(yù)報(bào)系統(tǒng)NWP輸出的72小時(shí)天氣預(yù)報(bào)值，包括O米、30米、50米、70米、100米、120米不同高度的風(fēng)速、風(fēng)向、氣溫、濕度及大氣壓強(qiáng)數(shù)據(jù)； 步驟102:預(yù)處理包括剔除錯(cuò)誤數(shù)據(jù)和數(shù)據(jù)歸一化。
3.根據(jù)權(quán)利要求1所述基于深度神經(jīng)網(wǎng)絡(luò)的風(fēng)場功率預(yù)測方法，其特征在于，所述步驟2中投影尋蹤采用中位絕對偏差MAD為目標(biāo)函數(shù)，中位絕對偏差公式為MAD =median」(IXjiediani (Xi) D);其中X表示初始數(shù)據(jù)矩陣，Xi表示第i組數(shù)據(jù)的均值，即第i行數(shù)據(jù)的均值，Xj表第j組數(shù)據(jù)的均值，Hiediani (Xi)表示取所有均值的中位值,Hiedianj表示取誤差的中值。
4.根據(jù)權(quán)利要求1所述基于深度神經(jīng)網(wǎng)絡(luò)的風(fēng)場功率預(yù)測方法，其特征在于，所述步驟4包括: 步驟401:用投影尋蹤尋得風(fēng)速、風(fēng)向、濕度、溫度和氣壓這五種影響因素對風(fēng)場功率影響最大的主成分； 步驟402:將風(fēng)速、風(fēng)向、濕度、溫度和氣壓的主成分作為深度神經(jīng)網(wǎng)絡(luò)的輸入，采用歷史的天氣數(shù)據(jù)和其對應(yīng)的功率數(shù)據(jù)對模型進(jìn)行訓(xùn)練，當(dāng)深度神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果和實(shí)際功率的誤差小于一定閾值ε時(shí)，模型訓(xùn)練完成；用當(dāng)前天氣預(yù)測值作為模型的輸入對輸出功率進(jìn)行預(yù)測。
【文檔編號】G06Q10/04GK104077632SQ201410283817
【公開日】2014年10月1日 申請日期:2014年6月23日 優(yōu)先權(quán)日:2014年6月23日
【發(fā)明者】王震宇, 李航, 滕婧, 王天宇 申請人:華北電力大學(xué)