[发明专利]一种基于多点NWP的深度学习功率预测方法

权利要求书

1.一种基于多点NWP的深度学习功率预测方法，其特征在于，所述预测方法包括以下步骤：

(1)采集指定区域内功率预测所需数据；

(2)将所述步骤(1)采集的数据进行预处理，得到训练深度神经网络所需数据集；

(3)以所述步骤(2)预处理后的多点NWP数据为输入，以所述步骤(2)预处理后指定区域内多台风电机组功率作为输出，搭建多对多映射的深度神经网络结构，所述深度神经网络结构表示复杂流场的时空耦合关系和机组出力间相互影响关系，并结合流场各位置间的联系和机组间出力的联系；

(4)根据所述步骤(2)得到的数据集逐层训练深度神经网络的每一层，得到每层的网络参数；

(5)将所述步骤(4)中得到的每层网络参数初始化步骤(3)搭建好的深度神经网络，并进行微调，得到最终的深度学习功率预测模型；

(6)将多点NWP数据输入所述步骤(5)中得到的深度学习功率预测模型，预测得到指定区域内任意风电机组、风电场、风电场群短期功率预测结果。

2.如权利要求1所述的基于多点NWP的深度学习功率预测方法，其特征在于：所述步骤(1)中所需数据包括：指定区域内所有风电机组实测功率数据、指定区域内所有风电机组实测风速数据、指定区域内所有风电机组桨距角数据和指定区域内多点NWP数据。

3.如权利要求2所述的基于多点NWP的深度学习功率预测方法，其特征在于：所述步骤(2)中的数据预处理包括以下步骤：

(21)通过插补算法插补所述步骤(1)中所采集的指定区域内实测数据的缺失值，删除无法插补的数据；

(22)设置筛选规则，筛选经过所述步骤(21)插补后可用于模型训练的数据；

(23)设置数据修正规则，修正经过步骤(22)筛选后不利于模型训练的训练数据；

(24)在训练模型前将步骤(23)修正后的数据进行规范化。

4.如权利要求3所述的基于多点NWP的深度学习功率预测方法，其特征在于：所述步骤(21)中实测数据包括指定区域内所有机组实测风速数据和指定区域内所有机组实测功率数据，所述插补算法包括：回归插补、插值插补和最近邻插补。

5.如权利要求4所述的基于多点NWP的深度学习功率预测方法，其特征在于：所述步骤(22)中所述设置筛选规则用于保证所述训练数据能够反映真实发电情景，防止模型在训练时受到机组停机和风电场限电情况的影响，使深度学习模型学习真实的映射关系；所述步骤(22)中筛选出的所述数据满足风电机组处于正常的发电状态，并且所述步骤(22)中筛选出的所述数据为指定区域内实测功率数据以及实测功率数据所对应的指定区域内的同期多点NWP数据。

6.如权利要求5所述的基于多点NWP的深度学习功率预测方法，其特征在于：所述步骤(23)中设置的所述修正规则用于修正所述步骤(22)中筛选出的真实发电情景下发电状态数据，通过所述机组实测风速数据和机组桨距角数据判断所述步骤(22)中筛选出的数据是否为正常发电状态，若是不正常发电状态则通过所述步骤(23)中设置的所述修正规则将所述机组实测功率值修正，所述修正规则包括功率回归算法修正、功率中位数值修正和功率插值修正。

7.如权利要求6所述的基于多点NWP的深度学习功率预测方法，其特征在于：所述步骤(24)中的数据规范化方式包括数据归一化、数据白化和标准差标准化。

8.如权利要求1所述的基于多点NWP的深度学习功率预测方法，其特征在于：所述步骤(3)中的所述深度神经网络的输入层由多点NWP的维数决定，输出层由指定区域内风电机组数量决定，中间的隐层数及隐层节点数通过参数调试得到。

9.如权利要求1所述的基于多点NWP的深度学习功率预测方法，其特征在于：所述步骤(4)将所述步骤(2)中经过筛选后的指定区域内的多点NWP数据用于深度神经网络的逐层训练，得到深度神经网络的每层的初始化参数。