一种基于多点NWP的深度学习功率预测方法与流程

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。

技术实现要素：

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。

优选地，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。

优选地，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。

优选地，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。

优选地，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。

优选地，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。

优选地，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。

优先的，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。

优选地，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，得到深度网络的每层的初始化参数。

优选地，所述步骤(5)包括以下步骤：

(51)使用所述步骤(4)中得到的所述每层的初始化参数初始化步骤(3)搭建好的深度神经网络；

(52)以经过筛选后的指定区域内的多点NWP作为输入，以经过筛选和修正后的指定区域内风电机组实测功率为输出，微调所述步骤(51)中初始化的 所述深度神经网络，得到基于多点NWP的深度学习功率预测模型。

优选地，所述步骤(6)包括以下步骤：

(61)将指定区域内多点NWP数据输入所述步骤(52)中得到的基于多点NWP的深度学习功率预测模型，可得到指定区域内所有风电机组短期预测功率结果。

(62)将指定区域内单一风电场内所有风电机组功率叠加获得该风电场的短期功率预测结果，将指定区域内所有风电场短期功率预测结果叠加得到整个区域或集群的短期功率预测结果。

本发明的基于多点NWP的深度学习功率预测方法以指定区域内多点NWP作为输入增加了模型输入信息，并通过深度学习具备的复杂函数学习和逐层特征提取能力深度挖掘了多点NWP数据中所能提供的有用信息，指定区域内任意风电机组、风电场、风电场群功率作为输出实现了大规模的风电功率预测，建立起的功率预测模型既考虑到了机组间出力的相关关系同时能够考虑到复杂地形的影响，完成训练后的模型能够快速计算指定区域内未来的风电功率，大幅提升了预测效率，有利于电网实时调度和企业计划制定。

附图说明

图1是基于多点NWP的深度学习功率预测模型流程图。

图2是风电场实测风速数据缺失位置示意图。

图3是筛选前训练数据的风速-功率散点图。

图4是筛选后训练数据的风速-功率散点图。

图5是经过更正训练数据的风速-功率散点图。

图6是降噪自动编码机模型示意图。

图7是深度神经网络初始化和微调示意图

图8是华北某区域内基于多点NWP的深度学习功率预测模型。

图9是华北某区域内基于多点NWP的深度学习功率预测模型的预测结果图。

具体实施方式

为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。下面结合附图对本发明的实施例进行详细说明。

在本发明一宽泛实施例中：一种基于多点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，得到训练深度神经网络所需数据集；

(3)以所述步骤(2)处理后的多点NWP数据为输入，以所述步骤(2)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，该结构使复杂流场的时空耦合关系和机组出力间相互影响关系得以充分描述，在预测时考虑到了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。

如图1所示为基于多点NWP的深度学习功率预测模型流程图；该方法采用了指定区域内的多点NWP作为输入，以指定区域内任意风电机组、风电场、风电场群短期预测功率作为输出，通过多点NWP输入增加模型输入信息，使用深度学习技术提升模型学习能力，通过输出指定区域内每一台风电机组功率实现风电机组、风电场、风电场群的短期功率预测，通过多对多的映射关系体现出流场各位置间的联系(即风况时空相关性)和机组出力间的联系，经过训练后 得到的模型计算高效、便捷、精度高。

一种基于多点NWP的深度学习功率预测方法，包括以下步骤：

步骤1)：采集指定区域内功率预测所需数据；

所需数据包括：指定区域内所有风电机组输出功率数据、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、指定区域内多点NWP数据。

步骤2)：将步骤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；

步骤2)的具体步骤为：

21)通过插补算法插补步骤1)中所采集的指定区域内实测数据的缺失值，无法插补的数据则将其删除；其中实测数据包括指定区域内所有机组实测风速数据、指定区域内所有机组实测功率数据；数据插补方法可有多种选择，包括回归插补、插值插补、最近邻插补等。当某个时刻所有风电机组数据均缺失，这个时刻数据则属于无法插补的情况。

22)设置筛选规则，筛选经过步骤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)筛选后部分不利于模型训练的训练数据；设置的修正规则主要为了修正步骤22)中筛选出的数据中不处于正常发电状态的某几台风电机组数据；通过机组实测风速数据、机组桨距角数据判断数据是否处于正常发电状态，若不处于正常发电状态则通过修正方法将机组实测功率值修正；修正方法包括功率回归算法修正、功率中位数值修正、功率插值修正等。

24)在训练模型前将步骤23)修正后的数据进行规范化；数据规范化方式主要包括数据归一化、数据白化、标准差标准化等。

步骤(3)包括以下步骤：

(31)搭建的多对多映射的深度神经网络结构是以指定区域内多点NWP为输入多台风电机组功率为输出的网络结构，该结构使复杂流场的时空耦合关系和机组出力间相互影响关系得以充分描述，考虑到了流场各位置间的联系(即风况时空相关性)、和机组间出力的联系。

(32)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。

步骤4)将步骤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网络参数。

步骤4)：将步骤3)中所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；

步骤5)的具体实施步骤为：

51)使用步骤3)中得到的每层的初始化网络参数初始深度神经网络；

52)以经过筛选后的指定区域内的多点NWP作为输入，以经过筛选和修正后的指定区域内风电机组实测功率为输出，微调步骤51)中初始化的深度神经网络；最终得到基于多点NWP的深度学习功率预测模型。

步骤6)：将指定区域内未来的多点NWP数据输入步骤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、风电场群短期预测功率。

所述步骤6)具体实施步骤为：

61)将指定区域内未来的多点NWP数据输入步骤52)中得到的基于多点NWP的深度学习功率预测模型，可得到指定区域内所有风电机组短期预测功率结果。

62)将指定区域内单一风电场内所有风电机组功率叠加可得到该风电场的短期功率预测结果，将指定区域内所有风电场短期功率预测结果叠加可得到整个区域或集群的短期功率预测结果。

如图2，以华北某风电场区域为指定区域，采集该风电场一年的24台风电机组实测风速数据、实测功率数据、实测桨距角数据以及同期的28个点的NWP数据，28个点随机分布在风电场各个位置。

选定插补算法插补缺失的实测风速数据。图中圆圈标记位置为风电场实测风速数据缺失位置示意图，图中数据分为两种情况，虚线框内为可以插补的情况，本算例中采用最近邻插补算法插补缺失数据；实线框内数据为无法插补数据，将该部分数据删除。

通过设立识别条件和筛选规则，从插补后的数据中筛选出能用来训练神经网络的数据。由于记录错误、机组停机检修导致数据缺测等问题，运行数据中 有部分为缺失的NAN数据。首先对有误数据和缺测时段进行剔除。其次为了识别运行数据中限功率运行和记录有误的时间点，本实施例设定了五类识别条件，如下

条件一：桨距角小于8度，或者功率大于1800kW；

条件二：风速大于5m/s，且功率小于25kW；

条件三：风速大于6m/s，且功率小于100kW；

条件四：风速大于10m/s，且功率小于500kW；

条件五：功率小于0kW。

基于上述识别条件进行数据筛选，筛选规则为：某时刻若风电场全部机组中(本算例中风电场总机组台数为24)功率数据不满足条件一，但满足条件二、三、四、五其中之一的机组台数超过四台都剔除，不将其应用于深度学习模型训练。图3、图4分别为筛选前以及筛选后数据的风速-功率散点图。

进一步修正经过筛选后的实测功率数据。修正规则：实测风速经插补后无缺失，通过实测风速区间内功率的中位数来更正不合理实测功率数据。数据更正后如图5所示。

NWP风速数据归一化：

其中，x为NWP风速数据；x_min为NWP风速最小值；x_max为NWP风速的最大值。

实测功率数据归一化：

其中，p为实测功率数据；p_max为实测功率最大值。

经过数据预处理，筛选并修正得到了部分可用于深度学习的多点NWP数据与实测功率数据，接下来要用这些数据训练深度神经网络。

搭建一个84个输入神经元、24个输出神经元的3层神经网络，网络的激活函数选择sigmoid函数。

逐层训练过程：将训练使用的28组NWP数据x输入如图6的一个降噪自 动编码机模型，训练得到隐层与输入层间的映射函数f_θ及映射函数的网络参数θ＝{W,b}，舍弃映射函数g_θ'及其网络参数θ'，并求得隐层输出y，将重构数据y视为NWP经过非线性转化后的一种等价表现形式。由此完成第一层深度神经网络的训练。

接下来将y输入下一个降噪自动编码机模型，训练得到第二个个降噪自动编码机模型中的映射函数f_θ⁽²⁾和参数θ⁽²⁾＝{W,b}，舍弃映射函数g_θ'⁽²⁾及其网络参数θ'⁽²⁾，并求出经过f_θ⁽²⁾非线性转化后的y⁽¹⁾，同样将其视为NWP的另外一种等价表现形式。这样完成了第二层深度神经网络的训练。依照上述的方式完成多个层的逐层训练过程。

微调过程：将多个降噪自动编码机层所得到的网络参数用来初始化一个深度网络，如图7，再以经过预处理的NWP数据为输入，经过预处理的24台风电机组实测功率为输出，使用BP算法迭代深度神经网络的网络参数，最终得到多输入多输出的深度学习功率预测模型。

如图8，本算例中训练得到的深度学习模型为3隐层网络；输入维数为84，输出维数为24。3个隐层的神经元节点数均为40，激活函数为sigmoid函数。

将某个时段48小时的28个点NWP数据输入训练好的基于多点NWP深度学习功率预测模型，得到的功率预测结果如图9所示。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。