一种基于深度学习的递进式短期风电功率预测方法和系统技术方案

本发明专利技术公开了一种基于深度学习的递进式短期风电功率预测方法和系统，包括：根据风场的测风塔经纬度和数值天气预报网格，获取测风塔预测网格内的预报风速序列、观测功率序列和观测风速序列；依次根据空间订正MLP网络、时间差值MLP网络、GRU网络和第四MLP网络，获取预测风速序列、差值预测功率序列、第二预测功率序列和精确预测功率序列；进而根据训练后的网络对风功率进行预测。本发明专利技术通过对两条路径对对功率进行预测后将结构进行连接，大大提高了预测精度；同时利用神经网络的黑盒性，使用深度学习建模，有利于突破现有气象科学发展制约。仅需公开的数值天气预报，就可对风场进行具体的建模，不需要花费更多的算力。不需要花费更多的算力。不需要花费更多的算力。

【技术实现步骤摘要】
一种基于深度学习的递进式短期风电功率预测方法和系统


[0001]本专利技术涉及风电功率预测
，尤其涉及一种基于深度学习的递进式短期风电功率预测方法和系统。

技术介绍

[0002]风力发电至关重要。据调查，风力发电每发一度电，所消耗的碳仅有火力发电的1％。电网调度部门要进行合理的发电计划安排，提高电网运行的经济性、安全性、可靠性，因此风电功率的预测，成为至关重要的一环。而风速的预测，则是风电功率预测的基础。
[0003]以往的风速预测，往往来自于数值天气预报，数值天气预报是对大气运动基本方程组进行一定的简化和近似，以及引入气象物理规律和边界条件约束。数值天气预报的风速预报，时间分辨率一般在3小时或者1小时，空间分辨率一般在9KMx9KM或者12.5KMx12.5KM，对于风场来说，一般要求的功率预测时间分辨率为15min，而且需要在风机位置的风速预报。这就造成了预报精度受制于现有的气象科学理论，数值天气预报的时间分辨率以及空间分辨率一般不符合风场风电功率预测的要求，功率预报的准确率低。若要提高时间分辨率以及空间分辨率，则需要花费更多的算力和时间，而更多的算力则代表花费更多的碳。

技术实现思路

[0004]本专利技术提供一种基于深度学习的递进式短期风电功率预测方法和系统，以克服上述技术问题。
[0005]为了实现上述目的，本专利技术的技术方案是：
[0006]一种基于深度学习的递进式短期风电功率预测方法和系统，包括如下步骤：
[0007]S1：根据风场的测风塔经纬度和数值天气预报网格，确定在数值天气预报网格中的测风塔所在位置的测风塔位置网格，并根据所述测风塔位置网格，获取用于进行风功率预测所需测风塔预测网格；
[0008]S2：按时间的先后取第一时间点T1、第二时间点T2和第三时间点T3，
[0009]其中，定义：
[0010]第一时间序列对应的时间区间为[T1,T3]，且第一时间序列中相邻时间点之间的时间间隔被设定为第一时间阈值；
[0011]第二时间序列对应的时间区间为[T2,T3]，且第二时间序列中相邻时间点之间的时间间隔为第一时间阈值；
[0012]第三时间序列对应的时间区间为[T2,T3]，且第三时间序列中相邻时间点之间的时间间隔为第二时间阈值；
[0013]其中，所述
[0014]其中，a为时间转换系数；
[0015]第四时间序列对应的时间区间为[T4,T2]，其中，第四时间序列对应的时间区间为[T4,T2]，其中，其中，T4为第四时间点，且T4早于T2，且晚于T1；第四时间序列中相邻时间点之间的时间间隔为第一时间阈值；
[0016]S3：获取所述测风塔预测网格中的经纬度网格点的预报风速；并对所述预报风速进行归一化处理，获取归一化的预报风速；
[0017]获取测风塔预测网格中的经纬度网格点的观测数据；并对所述观测功率进行归一化处理，获取归一化的观测数据；所述观测数据包括观测功率和观测风速，所述归一化的观测数据包括归一化的观测功率和归一化的观测风速；以根据所述归一化的预报风速，获取测风塔预测网格内的所有经纬度网格点的与第一时间序列对应的预报风速序列；根据归一化的观测功率，获取测风塔位置处与第三时间序列对应的观测功率序列；和根据归一化的观测风速，获取测风塔预测网格内的所有经纬度网格点与第四时间序列对应的观测风速序列；
[0018]所述预报风速包括所述经纬度网格点的距离地面的第i个高度H
i
处的风速；其中，i＝1,2,
…
；所述观测功率包括所述经纬度网格点的距离地面的第i个高度H
i
处的观测功率；所述观测风速包括所述经纬度网格点的距离地面的第i个高度H
i
处的观测风速；
[0019]S4：将所述预报风速序列，输入至空间订正MLP网络中，获取所述测风塔位置网格的与第二时间序列对应的预测风速序列，
[0020]S5：将所述预测风速序列，输入至时间差值MLP网络中，获取测风塔位置的第三时间序列对应的差值预测功率序列；
[0021]S6：根据所述观测风速序列，基于GRU网络获取测风塔位置的第三时间序列对应的第二预测功率序列；
[0022]S7：将所述差值预测功率序列和第二预测功率序列进行concat连接，获取测风塔位置的第三时间序列对应的连接后的预测功率序列；
[0023]S8：将所述连接后的预测功率序列输入至第四MLP网络中，获取测风塔位置的第三时间序列对应的精确预测功率序列；
[0024]S9：根据所述观测功率序列和精确预测功率序列，基于损失函数对所述空间订正MLP网络、时间差值MLP网络、GRU网络和第四MLP网络进行训练；以基于训练后的空间订正MLP网络、时间差值MLP网络、GRU网络和第四MLP网络，对风功率进行预测。
[0025]进一步的，所述第一时间阈值＝1小时＝60分钟；所述第二时间阈值＝15分钟。
[0026]进一步的，获取第三时间序列对应的第二预测功率序列方法如下：
[0027]将第四时间序列对应的观测风速序列输入至所述GRU网络，获取第三时间序列对应的第1阶段预测功率序列；第1阶段预测功率序列包括在第1,1时间区间内的第1,1预测功率序列，和第1,2时间区间内的第1,2预测功率序列；所述第1阶段预测功率序列中相邻时间点之间的时间间隔为第二时间阈值；
[0028]将时间区间处于内的观测风速序列输入至所述GRU网络中，获取在第
1,1时间区间内的第2阶段预测功率序列，并且将第1,1时间区间内的第1,1预测功率序列替换为所述第2阶段预测功率序列；所述第2阶段预测功率序列包括第2,1时间区间内的第2,1预测功率序列，和第2,2时间区间内的第2,2预测功率序列；所述第2阶段预测功率序列中相邻时间点之间的时间间隔为第二时间阈值；
[0029]将时间区间处于内的观测风速序列输入至所述GRU网络中，获取在第2,1时间区间内的第3阶段预测功率序列，并且将第2,1时间区间内的第2,1预测功率序列替换为所述第3阶段预测功率序列；所述第3阶段预测功率序列包括第3,1时间区间内的第3,1预测功率序列，和第3,2时间区间内的第3,2预测功率序列；所述第3阶段预测功率序列中相邻时间点之间的时间间隔为第二时间阈值；
[0030]以此类推，直至
[0031]将时间区间处于内的观测风速序列输入至所述GRU网络中，获取在第n
‑
1,1时间区间内的第n阶段预测功率序列，并且将第n
‑
1，1时间区间内的第n
‑
1，1预测功率序列替换为所述第n阶段预测功率序列，获取最终的第二预测功率序列；
[0032]所述第n阶段预测功率序列包括第n,1时间区间内的第n,1预测功率序列，和第n,2时间区间内的第n,2预测功率序列；所述第n阶段预测功率序列中相邻时间点之间的时间间隔为第二时间阈值；其中，n为设定的迭代次数。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的递进式短期风电功率预测方法和系统，其特征在于，包括如下步骤：S1：根据风场的测风塔经纬度和数值天气预报网格，确定在数值天气预报网格中的测风塔所在位置的测风塔位置网格，并根据所述测风塔位置网格，获取用于进行风功率预测所需测风塔预测网格；S2：按时间的先后取第一时间点T1、第二时间点T2和第三时间点T3，其中，定义：第一时间序列对应的时间区间为[T1,T3]，且第一时间序列中相邻时间点之间的时间间隔被设定为第一时间阈值；第二时间序列对应的时间区间为[T2,T3]，且第二时间序列中相邻时间点之间的时间间隔为第一时间阈值；第三时间序列对应的时间区间为[T2,T3]，且第三时间序列中相邻时间点之间的时间间隔为第二时间阈值；其中，所述其中，a为时间转换系数；第四时间序列对应的时间区间为[T4,T2]，其中，第四时间序列对应的时间区间为[T4,T2]，其中，其中，T4为第四时间点，且T4早于T2，且晚于T1；第四时间序列中相邻时间点之间的时间间隔为第一时间阈值；S3：获取所述测风塔预测网格中的经纬度网格点的预报风速；并对所述预报风速进行归一化处理，获取归一化的预报风速；获取测风塔预测网格中的经纬度网格点的观测数据；并对所述观测功率进行归一化处理，获取归一化的观测数据；所述观测数据包括观测功率和观测风速，所述归一化的观测数据包括归一化的观测功率和归一化的观测风速；以根据所述归一化的预报风速，获取测风塔预测网格内的所有经纬度网格点的与第一时间序列对应的预报风速序列；根据归一化的观测功率，获取测风塔位置处与第三时间序列对应的观测功率序列；和根据归一化的观测风速，获取测风塔预测网格内的所有经纬度网格点与第四时间序列对应的观测风速序列；所述预报风速包括所述经纬度网格点的距离地面的第i个高度H
i
处的风速；其中，i＝1,2,
…
；所述观测功率包括所述经纬度网格点的距离地面的第i个高度H
i
处的观测功率；所述观测风速包括所述经纬度网格点的距离地面的第i个高度H
i
处的观测风速；S4：将所述预报风速序列，输入至空间订正MLP网络中，获取所述测风塔位置网格的与第二时间序列对应的预测风速序列，S5：将所述预测风速序列，输入至时间差值MLP网络中，获取测风塔位置的第三时间序列对应的差值预测功率序列；S6：根据所述观测风速序列，基于GRU网络获取测风塔位置的第三时间序列对应的第二预测功率序列；S7：将所述差值预测功率序列和第二预测功率序列进行concat连接，获取测风塔位置
的第三时间序列对应的连接后的预测功率序列；S8：将所述连接后的预测功率序列输入至第四MLP网络中，获取测风塔位置的第三时间序列对应的精确预测功率序列；S9：根据所述观测功率序列和精确预测功率序列，基于损失函数对所述空间订正MLP网络、时间差值MLP网络、GRU网络和第四MLP网络进行训练；以基于训练后的空间订正MLP网络、时间差值MLP网络、GRU网络和第四MLP网络，对风功率进行预测。2.根据权利要求1所述的一种基于深度学习的递进式短期风电功率预测方法和系统，其特征在于，所述第一时间阈值＝1小时＝60分钟；所述第二时间阈值＝15分钟。3.根据权利要求1所述的一种基于深度学习的递进式短期风电功率预测方法和系统，其特征在于，获取第三时间序列对应的第二预测功率序列方法如下：将第四时间序列对应的观测风速序列输入至所述GRU网络，获取第三时间序列对应的第1阶段预测功率序列；第1阶段预测功率序列包括在第1,1时间区间内的第1,1预测功率序列，和第1,2时间区间内的第1,2预测功率序列；所述第1阶段预测功率序列中相邻时间点之间的时间间隔为第二时间阈值；将时间区间处于内的观测风速序列输入至所述GRU网络中，获取在第1,1时间区间内的第2阶段预测功率序...

【专利技术属性】
技术研发人员：朱圣晨，马一鸣，王彬，
申请(专利权)人：米塔碳杭州智能科技有限公司，
类型：发明
国别省市：