一种基于深度卷积神经网络的风电功率预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109657839A(43)申请公布日2019.04.19(21)申请号201811401163.5(22)申请日2018.11.22(71)申请人天津大学地址300072天津市南开区卫津路92号(72)发明人于瑞国刘志强李雪威路文焕喻梅王建荣李斌马德刚(74)专利代理机构天津市北洋有限责任专利代理事务所12201代理人李林娟(51)Int.Cl.G06Q10/04(2012.01)G06Q50/06(2012.01)G06N3/04(2006.01)权利要求书1页说明书9页附图3页(54)发明名称一种基于深度卷积神经网络的风电功率预测方法(57)摘要本发明公开了一种基于深度卷积神经网络的风电功率预测方法，包括以下步骤：选取与采集风电场数据，利用网格空间嵌入法将风力发电机的真实坐标映射到平面网格上；将某一时刻风电场中所有风电机的输出按照映射的结果填入网格中，得到该时刻对应的场景特征，将多个连续的场景特征按时序进行排列，形成多通道图像，即时空特征；在时空特征的基础上构造三种深度卷积网络模型进行风电功率的预测；并对各个模型的风电功率预测效果进行分析及对比。本发明通过对风电场区域内风电机的网格空间嵌入，构造多通道图像形式的STF，充分表达空气流动的时空变换过程；提出了三种深度卷积网络模型，每种模型均可同时预测大量风力涡轮机的风电功率。CN109657839ACN109657839A权利要求书1/1页1.一种基于深度卷积神经网络的风电功率预测方法，其特征在于，所述方法包括以下步骤：选取与采集风电场数据，利用网格空间嵌入法将风力发电机的真实坐标映射到平面网格上；将某一时刻风电场中所有风电机的输出按照映射的结果填入网格中，得到该时刻对应的场景特征，将多个连续的场景特征按时序进行排列，形成多通道图像，即时空特征；在时空特征的基础上构造三种深度卷积网络模型进行风电功率的预测；并对各个模型的风电功率预测效果进行分析及对比。2.根据权利要求1所述的一种基于深度卷积神经网络的风电功率预测方法，其特征在于，所述利用网格空间嵌入法将风力发电机的真实坐标映射到平面网格上具体为：将某时刻各风电机的输出电功率按照地理坐标，映射到平面网格上，形成单通道二维图像，即场景特征；将所涉及风电机的地理坐标分别按经度、纬度进行去重、离散化处理，以确定待构造的场景特征的形状规格，并生成初始网格；将风力发电机的真实坐标分别映射到面积尽量小的平面网格上。3.根据权利要求1所述的一种基于深度卷积神经网络的风电功率预测方法，其特征在于，所述三种深度卷积网络模型具体为：第一种模型是基于时空特征进行风电功率预测的端到端模型，该端到端模型遵循自动编码器-解码器的架构，即为E2E模型；第二种模型是包含全连接层的卷积神经网络架构，即为FC-CNN模型；第三种模型是将上述两种模型进行融合后进行集成学习。4.根据权利要求3所述的一种基于深度卷积神经网络的风电功率预测方法，其特征在于，所述E2E模型具体为：以时空特征作为输入，然后对输入图像进行以下两个阶段的处理；第一个阶段是下采样，通过多个卷积层和池化层多次嵌套的方式，逐步提取深度特征，缩小图像尺寸；将多个前置卷积层的输出串联，输入到下一个卷积层，保留原始输入图像的空间信息；第二个阶段是上采样，通过反卷积操作得到与输入图像相同尺寸的单通道图像，使输入图像的像素和输出图像的像素一一对应，实现端到端的映射。5.根据权利要求3所述的一种基于深度卷积神经网络的风电功率预测方法，其特征在于，所述FC-CNN模型具体为：全连接网络；通过全连接层拟合函数关系，将深度特征映射到每个风电机的输出；最后一个全连接层的输出向量长度与输入图像的像素点个数相等；将该输出向量重组成二维结构后，与输入图像的像素点一一映射。2CN109657839A说明书1/9页一种基于深度卷积神经网络的风电功率预测方法技术领域[0001]本发明涉及风电功率控制技术领域，尤其涉及一种基于深度卷积神经网络的风电功率预测方法。背景技术[0002]随着全球经济的不断发展，人们对能源的需求也日益增加，能源与环境的问题引起国际社会和公众的高度关注。然而，人们长久以来依赖的煤炭、石油、天然气等能源都属于一次性非可再生能源，其中煤炭和石油的使用会对环境产生严重的污染，制约着人类的可持续发展。为了解决能源与环境的问题，人们不断开发新能源来促进全球经济的可持续发展，应对全球气候变化。新能源包括太阳能、风能、海洋能、地热能等，其中风能已成为一种重要的可大规模开发利用的可再生资源。并且随着风电设备制造的规模化生产，风电已成为全球范围内发展最快的一种可再生能源。截至2017年，全球的风电装机容量已达到539GW，新增装机容量52GW[1]