[发明专利]基于混合深度学习机制的风速预测方法及系统、设备

说明书

本发明提供了一种基于混合深度学习机制的风速预测方法，包括如下步骤：步骤S1：收集历史风力数据进行预处理；步骤S2：经过预处理的历史风力数据输入至混合深度学习机制进行训练；步骤S3：将训练完成的预测模型进行风速预测。本发明还提供了一种基于混合深度学习机制的风速预测系统和设备。本发明通过仅使用历史风力数据对未来风力的预测以及神经网络的快速训练，结合门控循环单元和长短期记忆神经网络的特点，有效平衡了预测时间和预测准确度之间的矛盾，所得结果能够促进电网更加充分的利用风资源。

技术领域

本发明涉及风速预测技术领域，具体地，涉及一种基于混合深度学习机制的风速预测方法及系统、设备。

背景技术

在化石能源逐渐枯竭，现代生活所需用电量激增，环保问题日益引起重视的趋势下，世界各国均积极开展绿色可再生能源的研究与建设。而风能作为一种重要的绿色可再生能源，有可开发量大，污染较小，占地面积较小的特点，成为了世界各国大力投入建设的领域。目前，中国风电总装机容量位于世界第一位。

然而，风电受制于自然因素，其输出具有波动性与不可控性。随着风电并网容量的不断增加，其波动性对于电网电压、频率的影响不能完全通过电网的一次调节和二次调节而消除，对电网的安全性造成了威胁。同时，风电的随机波动性也会造成电能消纳难题，严重的会造成弃风现象，使得风电经济性下降。通过准确地预测风资源，可以预先掌握风速的变化情况，从而改善风电经济性，减小风电并网后对电网稳定性的影响。

风速预测方法主要分为物理模型与数据模型。物理模型能够基于天气预报以及历史天气数据预测未来的风电发电量。数据模型是目前较为主流的预测方法，常用方法包括自回归模型，支持向量机，人工神经网络等。近年来，基于长短期记忆神经网络的风电预测研究不断增加，并且取得了优于以往模型的结果。但基于长短期记忆神经网络的风电预测方式要求参数较多，且网络训练时间较长。对站点的天气数据测量能力，以及计算机计算能力都有较高的要求。

经过检索，专利文献CN112149859A公开了一种风速预测方法和风速预测装置，所述风速预测方法包括：获取目标区域在未来预设时间段的预测背景场数据和观测场数据；根据获取的预测背景场数据和观测场数据使用天气预报模式系统来生成初始条件和边界条件；基于第一同化系统对所述初始条件进行优化，并且相应地更新所述边界条件；基于优化后的初始条件以及更新的边界条件，使用天气预报模式系统和第二同化系统来获得目标区域在所述预设时间段的风速。该现有技术的不足之处在于大量依赖获取的预测背景场数据和观测场数据，也就是常规的主流预测方法，所需要的网络训练时间较长。

基于李相俊等人在《发电技术》一书中发表的文献《基于长短期记忆神经网络的风力发电功率预测方法》，该现有技术披露了一种融合深度学习算法的风力发电功率预测方法。以历史风力发电功率数据作为输入，建立风力发电功率预测模型，实现对未来一个时间刻度的风力发电功率预测。算例结果表明，与传统时序预测方法相比，基于长短期记忆神经网络的风力发电功率预测结果在各项指标中误差更小，但其时间最短间隔为1分钟，但现有操作中是时间间隔会较长，而时间间隔越长，预测难度越大。此外，该现有技术尚未涉及多种深度学习预测的混合，无法借助不同种深度学习方法的优势。

基于王炜等人在《可再生能源》一书中发表的文献《基于LSTM循环神经网络的风力发电预测》披露了基于AGC自动发电控制的要求,选取每15min为一个数据采集点,构建大数据集，建立了基于LSTM结构的循环神经网络超短期风力发电预测模型，并每15min根据最新实际采集数据更新数据集，实现了预测网络的滚动更新。最后通过某风电场的实际数据进行验证。但是该现有技术所需数据量较大，数据种类复杂，预测精度有限，不具备风电预测的普适性。此外，该文献尚未考虑风速变化量对于风电功率预测的影响。

因此，亟需研发设计一种能够兼顾神经网络训练速度与预测精确度的风速预测方法与系统。

发明内容