[发明专利]一种基于深度学习的短期风功率预测方法

说明书

本发明公开了一种基于深度学习的短期风功率预测方法，包括步骤：1)通过计算机输入历史风功率数据以及风速风向等相关天气特征因素，并对获取的数据进行预处理；2)采用卷积神经网络(CNN)对预处理后的数据进行特征提取和挖掘，并形成特征图谱；3)采用深度门控循环单元(GRU)神经网络对特征图谱进行训练建模，通过不断优化调参后建立特征图谱与风电场功率之间的非线性关系，形成短期风功率预测模型；4)利用训练建立的模型，对所需预测的风电场进行一段时间的风功率预测，并产生该风电场的风功率预测结果；5)通过计算机输出风功率预测结果。本发明在预测准确度和预测效率上均有显著提高，为电网合理调度提供依据，具有工业应用价值。

技术领域

本发明涉及电力系统预测与控制的技术领域，尤其是指一种基于深度学习的短期风功率预测方法。

背景技术

风功率预测是风力发电系统中的关键技术，准确地对风电场未来风功率的预测可以有效地减少和避免风电场对电力系统产生的冲击。因此，风功率预测方法对风力发电的可持续发展起着重要的作用。当前的风功率预测方法可以主要分为物理方法、统计学方法、学习方法以及上述方法的混合，每种方法都有各自适应的时间尺度和数据类型。

物理模型是一种间接预测风功率的方法，首先将NWP中的数据作为初值，在计算机上进行数值方法求解大气动力学和热力学方程组得到风速预测，然后根据风力发电机功率曲线来推算出风功率的预测值。统计模型旨在利用统计学的方法，描绘出风功率的预测值与以往的风功率数据的时间序列之间的关系。常用到的统计学方法有时间序列模型、回归分析模型以及卡尔曼滤波模型。统计学模型可以有效地解决预测延迟的问题，但长期预测的准确性较低。学习模型的核心在于通过计算机人工智能算法来构建输入数据与输出数据之间的关系。通过大量数据的训练与学习，使得模型能捕捉到数据中隐含的规律与逻辑，从而做出准确的预测。人工神经网络(Artificial Neural Network,ANN)与支持向量机(Support Vector Machine,SVM)是学习模型中的两种主流方法，但是传统神经网络对长时间序列处理能力较弱且伴随着梯度消失与过拟合等问题，使得这种方法也难以有较高的准确度。支持向量回归算法虽然能够避免陷入局部最优解，但当处理大规模训练样本时会出现收敛速度慢及难以实施的问题。

深度学习作为机器学习的一个分支，它旨在构建更深层的结构来加强模型在海量数据中捕捉隐含特征的能力。与传统的浅层神经网络比较而言，深度学习有一系列能够进行非线性变换的隐含层，从而能够挑战更加复杂的环境与问题。就短期风功率预测问题而言，深度学习模型能够提供更准确的风功率预测值。因此，将深度学习理论应用到电力系统领域，是能源电力转型发展的重要支撑，也是电网技术发展的重要方向。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于深度学习的短期风功率预测方法，基于深度学习中的门控循环单元(GRU)网络和卷积神经网络(CNN)来构建端到端训练的深层神经网络模型，能够更加准确地提供风电场短期风功率的预测值。

为实现上述目的，本发明所提供的技术方案为：一种基于深度学习的短期风功率预测方法，包括以下步骤：

步骤1：通过计算机输入一些相关天气特征因素，包括历史风功率数据以及风速风向，并对获取的数据进行预处理；

步骤2：采用一维卷积神经网络(Convolutional Neural Network,CNN)对步骤1预处理后的数据进行特征提取，挖掘隐含在数据中的潜在特征，并形成特征图谱；

步骤3：采用深度门控循环单元(Gated Recurrent Unit,GRU)神经网络对步骤2中得到的特征图谱进行训练建模，通过不断优化调参后建立特征图谱与风电场功率之间的非线性关系，生成短期风功率预测模型；

步骤4：利用训练建立的短期风功率预测模型，对所需预测的风电场进行一段时间的风功率预测，并产生该风电场的风功率预测结果；