[发明专利]一种基于深度学习的超短时风功率预测方法

摘要

本发明提供一种基于深度学习的超短时风功率预测方法，涉及风场风功率预测领域。包括：获取数据表；筛选出故障数据；搭建神经网络模型；设定神经网络参数并更新神经网络模型需要学习的参数，对神经网络模型进行训练并输出；计算模型输出值的准确率；补全数据表中缺失的参数；分割数据表中的数据并随机分配训练集与测试集比例；对数据表中的数据进行归一化预处理；搭建编码模型和译码模型并生成预测值；搭建风功率预测模型的损失函数；更新风功率预测模型需要学习的参数，对模型进行训练并输出测试误差最小的模型。本方法能够解决风功率的不确定性，降低由于风电随机性导致的上报预测误差，提高风功率预测的准确性，使电力系统更平稳经济调度。

主权项

1.一种基于深度学习的超短时风功率预测方法，其特征在于，包括以下步骤：步骤1：从风场获取风机功率历史信息以及包括风速、风向、温度、湿度构成的气象特征形成数据表；步骤2：补全数据表中缺失的风功率参数，具体步骤如下：步骤2.1：筛选出风功率小于阈值p的数据作为风机故障数据；步骤2.2：搭建三层由全连接层组成的神经网络模型；步骤2.3：设定神经网络的参数，包括第一层全连接层的输出通道数l1、第二层全连接层的输出通道数l2、第三层全连接层的输出通道数l3、各全连接层的输入层数n_in和各全连接层的输出层数n_out，初始化神经网络的权重在的范围内均匀分布；步骤2.4：采用梯度下降法更新神经网络模型需要学习的参数，即权重w和偏差b；步骤2.5：将数据批次设置为batch1，训练次数设置为maxt‑iters，对神经网络模型进行训练，并保存maxt‑iters次训练的神经网络模型；步骤2.6：计算maxt‑iters次神经网络模型输出值的准确率acc，将准确率最高的神经网络模型输出；步骤2.7：将风机故障数据中的气象特征输入到输出的神经网络模型中，将输出的出风功率补全到数据表中；步骤3：搭建基于序列对序列的风功率预测模型，具体步骤如下：步骤3.1：以时间t为单位，将数据表中的数据分割成多组长度为l的序列，第一组序列中的温度、湿度以及该时刻的风功率作为输入特征，下一组序列中的风功率作为输出特征，随机分配训练集，测试集比例为k1∶k2；步骤3.2：对数据表中的数据进行归一化预处理；步骤3.3：搭建编码模型和译码模型并生成预测值；步骤3.4：搭建风功率预测模型的损失函数loss2：步骤3.5：采用梯度下降法更新风功率预测模型需要学习的参数，即权重W和偏差B；步骤3.6：将批次设置为batch2，最大迭代次数设置为itersmax，对风功率预测模型进行训练，并保存itersmax次训练的风功率预测模型；步骤3.7：计算itersmax次风功率预测模型的测试误差accuracy，将测试误差最小的风功率预测模型输出，用于预测风功率。