本发明专利技术提供了一种基于多目标协同训练和NWP隐式校正的风电功率预测方法，该方法以实测风电功率为最终输出，实测气象数据为隐层输出，通过多目标损失函数协同训练网络，使得模型同时具备风电功率预测和气象预测能力。本发明专利技术模型网络在优化训练时，不仅优化了风电功率及实测气象对应NWP输入的误差，还同时优化了风电功率对应隐含层输出NWP校正结果的误差，避免二步预测法可能失效的问题。此外，本发明专利技术方法仅采用一个网络同时实现NWP的隐式校正和功率预测，避免二次计算，节省了计算储存成本，通过NWP校正可改善预测性能。通过NWP校正可改善预测性能。通过NWP校正可改善预测性能。
【技术实现步骤摘要】
基于多目标协同训练和NWP隐式校正的风电功率预测方法
[0001]本专利技术属于风电功率预测
，具体涉及一种基于多目标协同训练和NWP隐式校正的风电功率预测方法。
技术介绍
[0002]随着新能源的迅速发展，如何建设新型电力系统，实现高比例新能源并网已经成为大家的研究热点，同时这也是实现双碳战略目标的必经路径；风电当前在新能源中占比最高，同时也是未来新能源的主体。根据国家能源局的统计信息，截至2021年11月29日，我国风电并网装机容量已突破3亿千瓦大关，是2020年底欧盟风电总装机的1.4倍，是美国的2.6倍，连续12年稳居世界第一。但随着风电装机容量的不断增加，电网中风电比例日益提高，新的风电问题不断产生并亟需解决，因此需要研究更高精度的风电功率预测技术。
[0003]风电功率预测一般分为超短期预测、短期预测和中长期预测，超短期预测主要帮助优化调频旋转储备能力，短期预测则主要用于电网的调度，而中长期预报时长从几天到几周甚至几个月不等，预测结果可为风电场设备维护与调试提供计划，也可为风电场的建设可行性提供评估数据。目前，短期、超短期风电功率预测的相关研究已相对成熟，其预测结果已可以基本满足国家能源局的要求，研究难点也因此逐渐从短期、超短期预测转为中长期预测，且主要基于智能学习方法进行改进优化。智能学习方法主要以NWP(Numerical Weather Predicition，数值天气预报)数据及相关历史数据为输入，以机器学习模型为主网络进行建模。随着人工智能算法的快速发展，智能学习模型具备了更强大的非线性拟合能力，越来越多的智能学习模型如长短时记忆网络、随机森林及梯度提升决策树等被用于风电功率预测建模。
[0004]公开号为CN113379142A的中国专利提出了一种基于风速修正和融合模型的短期风电功率预测方法，以解决NWP预报数据精度有待提高，NWP预报风速与风电场实际风速存在偏差，导致预测效果欠佳的问题；但是该专利技术只是修正了风速误差，且只用修正后的风速进行功率预测，而与风电功率相关性较大的风向、温度、湿度、压强等特征值并未考虑。文献[蔡祯祺.基于数值天气预报NWP修正的BP神经网络风电功率短期预测研究[D].浙江大学,2012]先利用实测气象数据对NWP进行校正，随后用NWP校正结果进行预测，将其称为二步预测法；该预测方法提升了短期风电功率预测的精度，但其未进行中长期风电功率预测的算例分析；并且，当二步预测法引入的误差大于功率预测模型带来的误差改善时，二步预测法将会失效，甚至显著降低预测精度。
[0005]上述现有技术从误差修正、模型优化、数据预处理层面提升了风电功率预测精度，但算法均涉及多个模型，较为复杂，可适用性不强。
技术实现思路
[0006]鉴于上述，本专利技术提供了一种基于多目标协同训练和NWP隐式校正的风电功率预测方法，该方法以实测风电功率为最终输出，实测气象数据为隐层输出，通过多目标损失函
数协同训练网络，使得模型同时具备风电功率预测和气象预测能力。
[0007]一种基于多目标协同训练和NWP隐式校正的风电功率预测方法，包括如下步骤：
[0008](1)采集目标区域过去一段时间内的风电场数据，包括风电功率实测数据、NWP数据以及气象实测数据；
[0009](2)对上述三类数据进行预处理，从而得到大量以时间序列形式的数据样本，每组数据样本包含固定长度时间对应的风电功率实测数据序列、NWP数据序列以及气象实测数据序列；
[0010](3)将所有数据样本分成训练集和测试集；
[0011](4)搭建基于神经网络的预测模型，其采用多层的前向神经网络，包括输入层、隐含层和输出层，其中输入层的神经元数量为NWP气象特征的数量，中间隐含层通过非线性激活函数及嵌套运算对NWP数据进行特征提取，输出层作为风电功率的预测输出；
[0012](5)利用训练集样本中的NWP数据序列作为模型输入，风电功率实测数据序列和气象实测数据序列作为真值标签，对网络模型进行训练；
[0013](6)将测试集样本中的NWP数据序列输入训练好的预测模型中，即可直接输出得到风电功率和气象的预测结果。
[0014]进一步地，所述风电功率实测数据和气象实测数据由风电场的SCADA(Supervisory Control And Data Acquisition，监视控制与数据采集)系统采集获得，NWP数据从相关第三方公司获得；所述NWP数据每日更新且提供未来7日的预测数据，步骤(1)中采集的NWP数据取每日数据更新时间点未来24小时的数据，以提高NWP数据质量。
[0015]进一步地，所述步骤(2)的具体实施方式为：首先将三类数据以24小时为固定长度分成多段，每段中的数据值以15分钟为间隔，整合成时间序列的形式；然后识别数据序列中重复值、异常值以及因清洗风电机组造成空值，进而采用相关性分析对这些值进行替换或填充；最后对所有数据序列进行归一化，即将序列中的数据值统一映射到[0，1]区间上。
[0016]进一步地，采集目标区域过去一年内的风电场数据，将前9个月的数据样本作为训练集，后3个月的数据样本作为测试集。
[0017]进一步地，所述前向神经网络采用5层隐含层H1～H5，H1～H5的神经元数量分别为100、50、40、20、10，提取H3中最后4个神经元的输出即作为气象的预测结果，对应风电机组轮毂高处的风速、气温、气压、相对湿度共4项输出特征。
[0018]进一步地，从隐含层中提取的气象预测结果同时也将输入后续的隐含层，参与后续的特征提取。
[0019]进一步地，所述隐含层中非线性激活函数采用ReLU函数与Sigmoid函数搭配实现。
[0020]进一步地，所述步骤(5)的具体实施方式如下：
[0021]5.1初始化模型参数，包括每一层的偏置向量和权值矩阵、学习率以及优化器；
[0022]5.2将训练集样本中的NWP数据序列输入至模型，模型正向传播输出得到对应风电功率和气象的预测结果，计算预测结果与真值标签之间的损失函数L；
[0023]5.3根据损失函数L利用优化器通过随机梯度下降(Stochastic Gradient Descent，SGD)法对模型参数不断迭代更新，直至损失函数L收敛，训练完成。
[0024]进一步地，训练过程中优化器采用Adam算法，并采用BP算法进行梯度求解。
[0025]进一步地，所述损失函数L的表达式如下：
[0026][0027]其中：P
pred，i
和，P
real，i
分别表示第i时刻的风电功率预测值和风电功率实测值，C
i
表示第i时刻的开机容量，W
pred，i
和W
real，i
分别表示第i时刻的气象预测值和气象实测值，β为权重系数，n为数据序列的长度。
[0028]基于上述技术方案，本专利技术具有以下有益技术效果：
[0029]1本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于多目标协同训练和NWP隐式校正的风电功率预测方法，包括如下步骤：(1)采集目标区域过去一段时间内的风电场数据，包括风电功率实测数据、NWP数据以及气象实测数据；(2)对上述三类数据进行预处理，从而得到大量以时间序列形式的数据样本，每组数据样本包含固定长度时间对应的风电功率实测数据序列、NWP数据序列以及气象实测数据序列；(3)将所有数据样本分成训练集和测试集；(4)搭建基于神经网络的预测模型，其采用多层的前向神经网络，包括输入层、隐含层和输出层，其中输入层的神经元数量为NWP气象特征的数量，中间隐含层通过非线性激活函数及嵌套运算对NWP数据进行特征提取，输出层作为风电功率的预测输出；(5)利用训练集样本中的NWP数据序列作为模型输入，风电功率实测数据序列和气象实测数据序列作为真值标签，对网络模型进行训练；(6)将测试集样本中的NWP数据序列输入训练好的预测模型中，即可直接输出得到风电功率和气象的预测结果。2.根据权利要求1所述的风电功率预测方法，其特征在于：所述风电功率实测数据和气象实测数据由风电场的SCADA系统采集获得，NWP数据从相关第三方公司获得；所述NWP数据每日更新且提供未来7日的预测数据，步骤(1)中采集的NWP数据取每日数据更新时间点未来24小时的数据，以提高NWP数据质量。3.根据权利要求1所述的风电功率预测方法，其特征在于：所述步骤(2)的具体实施方式为：首先将三类数据以24小时为固定长度分成多段，每段中的数据值以15分钟为间隔，整合成时间序列的形式；然后识别数据序列中重复值、异常值以及因清洗风电机组造成空值，进而采用相关性分析对这些值进行替换或填充；最后对所有数据序列进行归一化，即将序列中的数据值统一映射到[0，1]区间上。4.根据权利要求1所述的风电功率预测方法，其特征在于：采集目标区域过去一年内的风电场数据，将前9个月的数据样本作为训练集，后3...
【专利技术属性】
技术研发人员：宋家康，孙海霞，伏祥运，王华雷，岳付昌，杨宏宇，张志福，李闯，许其楼，
申请(专利权)人：国网江苏省电力有限公司连云港供电分公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。