[发明专利]一种基于多点NWP的深度学习功率预测方法

说明书

本发明公开了一种基于多点NWP的深度学习功率预测方法，所述基于多点NWP的深度学习功率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，得到训练深度学习网络所需数据集；(3)根据所述步骤(2)得到的数据集逐层训练深度学习网络的每一层，得到每层的网络参数；(4)将所述步骤(3)中得到的每层网络参数初始化一个深度神经网络，并进行微调，得到最终的深度学习功率预测模型；(5)将多点NWP数据输入所述步骤(4)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。

技术领域

本发明涉及风电场的技术领域，特别是涉及基于多点NWP的深度学习功率预测方法。

背景技术

风电固有的波动性影响电力系统的安全、稳定和经济运行，是大规模风电并网的主要挑战。风电功率预测是解决该问题的必要手段之一，提高风电功率预测精度对新能源电力系统优化运行具有重要意义。

功率预测模型是典型的回归预测模型，其本质是预测风况(即数值天气预报，NWP)与风电输出功率间的非线性回归函数，该函数可以通过端到端的学习来获得。但在学习过程中，回归函数类型、输入方式、输出方式、数据预处理方式、参数选择等问题等都将直接影响回归效果。

NWP数据是风电功率预测中重要的输入数据，通常基于初始场经过数值计算得到。

指定区域内多点NWP数据可以描述为在一种或多种初始场条件下，计算得到指定区域不同位置处、不同高度出的NWP数据集合。

在建模路线方面现有技术存在以下问题：

(1)现有的功率预测模型通常仅以一组NWP作为模型输入，建立其与风电场(或风电机组)输出功率一一对应的映射模型，这种一一对应的建模思路忽略了流场各位置间的联系(即风况时空相关性)、忽略了机组出力间的联系，极大地限制了预测精度的提升；

(2)建模时往往只考虑单台机组或者单个风电场，未能将区域内所有的风电场风电机组考虑进来，极大的限制了模型的应用范围；

(3)以往模型的学习能力难以满足对大规模数据的学习，往往未能充分挖掘数据的价值。

因此希望有一种基于多点NWP的深度学习功率预测方法可以克服或至少 减轻现有技术的上述缺陷。

发明内容

本发明的目的在于提供一种基于多点NWP的深度学习功率预测方法来克服现有技术中存在的上述问题。

为实现上述目的，本发明提供一种基于多点NWP的深度学习功率预测方法，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。