[发明专利]基于神经网络不平衡优化的短期风电功率预测方法及系统

说明书

本发明提出一种基于神经网络不平衡优化的短期风电功率预测方法及系统，涉及风电功率预测的技术领域，首先对风速时间序列、风向时间序列及风电功率时间序列预处理，得到特征向量，并构建神经网络，选定中间特征层，将特征向量作为神经网络的输入，对中间特征层进行特征张量相似性处理，提高了风电功率相近样本的特征相似性，使数据量少的风电功率样本可以依靠风电功率相近样本在神经网络中的传播增强拟合效果，提升了神经网络自身对不平衡风电序列样本的处理能力；对神经网络的训练损失进行多方向的不平衡优化，基于不平衡调整，扩展神经网络训练最优拟合参数的能力，使得神经网络泛化能力增强，提高风电功率的预测精度。

技术领域

本发明涉及风电功率预测的技术领域，更具体地，涉及一种基于神经网络不平衡优化的短期风电功率预测方法及系统。

背景技术

一方面，当前电力负荷日益增长，能源短缺和环境恶化的情况愈发严重，另一方面，国家对清洁能源大力支持，具有污染少、能源利用效率高、安装地点灵活等优点的清洁能源分布式发电及其并网方式受到了越来越多的关注。

风能是典型的清洁能源，在分布式发电及并网中占据重要的地位，风电功率精准预测是实现风电并网以及电网经济调度的关键，因此，及时精准地预测风电功率动态具有重要意义，风电功率预测是指根据风速及相关因素的历史数据和当前状态，定性或定量地推测其此后的演化过程，可按时间尺度分为中长期、短期和超短期预测，其中，短期预测要求较高的精度。

目前，应用深度学习神经网络对风电功率进行预测是比较普遍且受欢迎的方法，如现有技术中公开了一种基于双向注意力和二次优化额度短期风功率预测方法，在该现有技术中，首先将风电功率子序列、风速子序列、风向正弦时间序列及风向余弦时间序列拼接处理形成输入张量，然后建立双向注意力-残差网络-门控循环单元深度学习预测模型，并动态选择单个输入张量作为模型的训练样本进行训练，一方面确保训练样本更具有代表性，另一方面基于双向注意力-残差网络-门控循环单元深度学习预测模型能实现特征选择时的自适应学习，利用双向注意力机制从输入张量的时间维度和特征维度两方面考虑，提高了模型对重要信息的敏感性，最后，二次优化进一步提升了模型的泛化性能，提升短期风电功率预测精度。然而，应用神经网络的方式均离不开神经网络的训练，风能具有很强的间歇性与随机性，体现在风速大的区间小，风速小的区间大，因此，在输入至神经网络训练的风电样本中，风电功率小的样本多，风电功率大的样本少，但在神经网络的训练中，样本量直接决定了样本输出结果的优劣，而样本的不平衡严重影响风电功率预测的精度。现有样本不平衡问题的解决方法主要应用于分类任务，所面向的对象是离散的，不同的样本类别之间边界明显，而风电功率数据样本作为连续序列，相邻的功率之间边界模糊，在神经网络训练中存在相邻耦合关系，因此，目前解决样本不平衡问题的方式不适合于风电序列样本。

发明内容

为解决风电序列样本不平衡导致应用神经网络进行风电功率预测的精度低的问题，本发明提出一种基于神经网络不平衡优化的短期风电功率预测方法及系统，在应用神经网络预测风电功率时，从整体上提高所有风电功率区间的预测精度，特别是数据稀疏的风电功率区间，泛化能力强。

为了达到上述技术效果，本发明的技术方案如下：

一种基于神经网络不平衡优化的短期风电功率预测方法，包括：

S1.采集原始风电场数据，从原始风电场数据中提取风速时间序列、风向时间序列及风电功率时间序列；

S2.对风速时间序列、风向时间序列及风电功率时间序列进行预处理，得到特征向量，并将风电功率时间序列作为风电功率预测目标样本，将特征向量及风电功率时间序列均分别划分为训练集和验证集；

S3.确定风电功率时间序列中风电功率之间的相邻耦合关系，获得耦合关系的累计影响贡献值序列；