[发明专利]一种基于深度学习的风电功率短期预测方法

说明书

本发明公开了一种基于深度学习的风电功率短期预测方法，包括以下步骤：步骤1：收集风电功率预测所需数据集并进行预处理；步骤2：针对风电数据不同变量，采用标准方法进行归一化处理；步骤3：对风电数据不同变量之间的相关性进行分析；步骤4：深度神经网络结构设计；步骤5：利用训练样本数据对神经网络进行训练；步骤6：利用训练训练好的神经网络模型对测试样本的风电功率进行预测。本发明所提出的系统能够充分提取风电场数据特征，并实现特种融合，能够有效的提升风电功率短期预测的精度。

技术领域

本发明涉及新能源技术领域，具体为一种基于深度学习的风电功率短期预测方法。

背景技术

近年来由于环境污染和能源危机日趋严重，许多国家都在加紧研究和利用可再生能源。风力发电由于其无污染、储量大、可再生的特点，已成为当前发展最为快速的洁净能源。然而，由于风电的间歇性和变异性，任何严重的干扰都会影响风电电网的安全性。因此，准确的对风电功率进行预测对于电网的安全性、稳定性和经济效益都具有重要的意义。此外，精确的风电功率预测，特别是短期预测有助于合理的制定发电计划、缓解电网调峰压力，对风电并网具有重要意义。然而，由于当前统计模型的风电功率预测方法多为基于经典的时间序列预测方法，数据来源一般为单变量(即风速时间序列)，属于典型的基于单模态的学习方式。实际中影响风力发电的因素多种多样，既包含风电功率数据，又包含着气象相关数据，它们都可以为风电功率预测提供有价值的信息。近几年随着深度学习的不断发展，如何有效利用深度网络更好的提取数据特征并用来进行风电功率预测已引起越来越多的研究人员重视。

发明内容

本发明的目的在于提供一种基于深度学习的风电功率短期预测方法，解决现有风电功率短期预测精度不高，无法充分利用多模态信息等技术问题，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于深度学习的风电功率短期预测方法，包括以下步骤：

步骤1：收集风电功率预测所需数据集并进行预处理；

步骤2：针对风电数据不同变量，采用标准方法进行归一化处理；

步骤3：对风电数据不同变量之间的相关性进行分析；

步骤4：深度神经网络结构设计；

步骤5：利用训练样本数据对神经网络进行训练；

步骤6：利用训练训练好的神经网络模型对测试样本的风电功率进行预测。

优选的，所述步骤1包括：所需数据集包括风电功率和风速、温度、风向、湿度四类气象数据，采集的风电功率时间分辨率与气象数据的分辨率一致，风向的活动范围是360°，风速数据为正值，温度的数据范围为当地统计的近两年最低温度和最高温度，湿度范围为当地统计的近两年最大湿度和最小湿度；当采集的数据集预处理前的范围超过所需数据集对应的合理范围，需对数据集进行校正。

优选的，所述步骤2包括：风电数据中不同模态数据的单位量纲不同，数值大小有差别，为便于神经网络学习计算，对采样数据进行归一化处理；

针对不同的变量数据，通过以下公式，把采样数据限制到区间[0,1]：

其中是模态变量i的最小值，是模态变量i的最大值，为时刻t采样数据，为时刻t归一化之后的数值；

经过神经网络预测模型得到风电功率数据后，对数据进行反归一化处理，其计算公式为：

优选的，所述步骤3包括：为挖掘不同大气状态数据对风电功率的影响因素，采用距离分析方法—Pearson系数来刻画实验数据中不同气象数据的相关性；

对于任意两个n维数据a和b，其Pearson相关系数的计算公式为：