[发明专利]基于时空特性融合的卷积神经网络进行风电功率预测方法

说明书

本发明公开一种基于时空特性融合的卷积神经网络进行风电功率预测方法，包括以下步骤：步骤一，构建多特征模型，提取与风相关信息的时空特征，并将这些时空特征融合到一起，共同作为卷积神经网络模型的输入；步骤二，构建卷积神经网络模型，拟合风能数据变化的趋势，结合步骤一中得到的时空特征进行风能预测；步骤三，分别选取涡轮机分布稠密和稀疏的两片区域作为数据集以进行实验；步骤四，通过选取均方误差、均方根误差和峰值信噪比指标验证本发明的有效性。本发明在提取特征方面，更为有效和先进。同时本发明构造的卷积神经网络和其他方法提出的卷积神经网络相比，也更为先进，可以有效的解决机器学习中梯度消失的问题，更符合风电功率的实际变化情况。

技术领域

本发明涉及卷积神经网络、均方误差、均方根误差和峰值信噪比等深度学习领域的概念和方法；特别是涉及基于时空特性融合的卷积神经网络进行风电功率预测的方法。

背景技术

风能作为一种新兴的可大规模开发利用的重要可再生能源，在电力系统中得到了迅猛的发展。全球风能理事会(GWEC)预测，到2020年，风力发电能力将达到3.2亿千瓦。然而，由于风速和风向的影响，涡轮机组的随机性和波动性是不可避免的，因此，准确的风能预测对电力系统运行的安全性和稳定性是至关重要的。准确的风能预测可以增强对风电的可控性，保证电网的稳定运行，降低风力发电的成本，提高电网接受风力发电的能力。同时，准确的风能预测不仅对于电力系统的可靠性起着重要的作用,而且也为决策提供了指。近年来，许多学者致力于开发高效可靠的风速和风力预测模型，并提出了许多不同的方法。目前用来预测风力发电的主要方法包括：物理方法，统计方法，和机器学习方法。物理预测模型利用历史风速、地形特征数据和许多气象数据(大气压、温度和湿度)来预测考虑场地的风速。统计模型则是建立在统计模型的基础上，使用历史风速序列进行预测。机器学习的方法主要采用支持向量机回归(SVR)、k近邻回归(k-nearest neighbor regression,kNN)、多层感知器神经网络(MLP)长短期记忆网络(LSTM)等方法对风速时间序列或功率时间序列进行建模，实现预测。机器学习方法有效的简化了风能预测问题，但近年来在预测的准确率方面没有特别多的提高。

机器学习方法常被应用在短期风能预测中。研究人员基于时间序列通过回归模型或神经网络来进行预测功率或者风速。常用的方法有SVR、kNN、多层感知器网络(MLP)、长短期记忆神经网络(LSTM)等。随着预测技术的快速发展和风速预测方法的深入研究，近年来，有许多新的方法被提出：信号分解算法是简化复杂问题的一种流行思想，主要用于对原始风速序列进行预测前处理,通过消除原始数据中的离群值和噪声的影响预测精度，EMD(经验模态分解)、EEMD(集成经验模态分解)等方法；混合模型结合多个深度学习算法来提高单个模型的预测能力，由于单一模型的局限性，组合多个单一模型的混合模型可以同时发挥各自的优势。上述方法本质上都是利用时间序列数据进行建模，通过复杂的模型获得更高的精度，因为复杂模型的使用让它们的计算成本大大增加，而且它们的提取特征的模型并不能反映风力的时空变化。

发明内容

本发明的目的是为了克服现有技术中的不足，提供一种基于时空特性融合的卷积神经网络进行风电功率预测的方法，该方法能够有效克服目前风电功率预测方法，只能同时对单个风电机进行预测，或者只使用一种特征进行预测，不能准确的表征风力的技术性问题。

本发明的目的是通过以下技术方案实现的：

基于时空特性融合的卷积神经网络进行风电功率预测方法，包括以下步骤：

步骤一，构建多特征模型，提取与风相关信息的时空特征，并将这些时空特征融合到一起，共同作为卷积神经网络模型的输入；

步骤二，构建卷积神经网络模型，拟合风能数据变化的趋势，结合步骤一中得到的时空特征进行风能预测；

步骤三，分别选取涡轮机分布稠密和稀疏的两片区域作为数据集以进行实验；