[发明专利]一种应用于风电场风速的深度神经网络预测方法

说明书

本发明涉及一种应用风电场风速的深度神经网络预测方法，包括：设定一个风电机组，从机组数据集中选取训练备用集，采用基于互信息的特征选择方法从该备用集中确定最适合进行风速预测的数据集，确定基于堆叠自编码器和长短期记忆网络的深度神经网络的结构，选取的输入数据集作为整个网络的输入，先对各自编码器进行预训练，再利用输入输出数据对整个网络进行微调，最后对数据反归一化，以产生深度神经网络的最终输出。本发明在风电场内选用了较完整数据组的情况下，采用基于互信息的特征选择方法确定该网络的输入，并采用堆叠自编码器和长短期记忆网络相结合的方式进行预测，解决了传统神经网络难以获取风速的概率特征及预测精度低的问题。

技术领域

本发明涉及风力发电领域，尤其涉及一种应用于风电场风速的深度神经网络预测方法。

背景技术

风能作为清洁能源和可再生能源，已得到世界各国的高度重视和大力发展。但风速的随机性、间歇性和不可控性会导致风电场输出功率的不稳定性，大规模的风电接入电网势必会对电力系统的安全、稳定运行以及电能质量带来严重的不利影响。为减轻风电功率的不稳定性对电力系统的不利影响，极其有必要准确地预测风电功率，而风速预测是风电功率预测的基础。

目前，有很多方法被用于风速预测过程，对于短期预测，通常运用持续法、时间序列法等。持续法是用于此领域的最简单的方法,认为风速预测值等于最近几个风速历史值的滑动平均值，模型简单,但预测误差较大,且预测结果不稳定。时间序列法只需知道风电场的单一风速或功率时间序列即可建立模型预测,并且可以达到较好的预测效果。该方法在气候等影响因素变化不大时预测效果较好,但在随机性因素变化较大或存在不良数据的情况下,预测结果不理想。

对于长期预测而言，往往需要更为复杂的模型来满足精度的要求，迄今为止，有大量的统计方法被采用，例如统计回归、马尔科夫模型、主成分分析法和贝叶斯理论等；另一种常采用的方法是机器学习方法，例如人工神经网络、支持向量机、卡尔曼滤波法等，或者将多种方法综合使用。然而，这些预测方法是直接对原始风速数据进行建模和分析，这些传统方法很难提供很高的推理精度。

不同于通常方法，深度神经网络是深层结构的随机模型，更适用于获得风速的概率特征，可以将风速数据中的原始信息一层一层的提取，这种自学习的模式被证实对预测问题非常有效，而且，不需要任何有关风速分布函数的假设和额外的统计分析。

发明内容

针对现有技术存在的问题，本发明提供了一种应用于风电场风速的深度神经网络预测方法，用以解决传统预测方法难以获取风速的概率特征及预测精度低的问题。

为实现上述目的，本发明提供一种应用风电场风速的深度神经网络预测方法，包括：

步骤1：设定风电场，并对风电场的风速预测设定一个总目标代价函数；

步骤2：从风电场历史数据集中提取与风速相关的数据作为模型训练的输入输出备用样本集，采用基于互信息的特征选择方法从备用样本集中确定合适的输入输出数据作为样本集；

步骤3：对确定的输入输出样本集的数据进行归一化处理；

步骤4：设定堆叠自编码器的结构，选取输入数据集作为模型的输入，采用梯度下降法对各自编码器进行训练，代价函数采用欧式距离函数；

步骤5：设定长短期记忆网络结构，利用堆叠自编码器的输出数据作为长短期记忆网络的输入数据，采用梯度下降法对整个深度神经网络进行微调，代价函数采用欧式距离函数；

步骤6：对数据进行反归一化处理以产生所述深度神经网络的最终输出。

进一步地，所述总目标代价函数为所述风电场中风速的拟合指标。

进一步地，所述总目标代价函数为：