本發(fā)明屬于風(fēng)電場功率預(yù)測，尤其涉及一種基于深度學(xué)習(xí)的風(fēng)電功率預(yù)測方法及系統(tǒng)。

背景技術(shù)：

1、風(fēng)電是國內(nèi)目前并網(wǎng)規(guī)模最大的清潔能源，但風(fēng)電出力隨機性、間歇性的特點，極大地影響了電力系統(tǒng)安全和電能質(zhì)量。風(fēng)功率預(yù)測是提高電力系統(tǒng)穩(wěn)定性、優(yōu)化風(fēng)力發(fā)電是生產(chǎn)計劃的有效途徑之一。然而，在風(fēng)電場建設(shè)和改造大型化、集群化趨勢下，物理和統(tǒng)計的風(fēng)功率預(yù)測方法難以針對某一風(fēng)電場琥或集群建立預(yù)測模型，預(yù)測精確不高，難以滿足大型風(fēng)電場和風(fēng)電場集群短期功率預(yù)測精度要求。因此，亟需提供一種基于深度學(xué)習(xí)的風(fēng)電功率預(yù)測方法及系統(tǒng)，來解決上述存在的技術(shù)問題。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種基于深度學(xué)習(xí)的風(fēng)電功率預(yù)測方法及系統(tǒng)，解決了風(fēng)電功率預(yù)測模型的預(yù)測精度，模型的預(yù)測性能，將風(fēng)電建設(shè)大型化風(fēng)電場建設(shè)大型化和集群化，確保電力系統(tǒng)運行和電網(wǎng)安全調(diào)度，具體采用以下技術(shù)方案來實現(xiàn)。

2、第一方面，本發(fā)明提供了一種基于深度學(xué)習(xí)的風(fēng)電功率預(yù)測方法，包括以下步驟：

3、獲取風(fēng)電場中的風(fēng)電機組的監(jiān)測數(shù)據(jù)，并對所述監(jiān)測數(shù)據(jù)進行預(yù)處理，其中，所述監(jiān)測數(shù)據(jù)包括風(fēng)電機組的局部條件因素和健康狀況；

4、根據(jù)所述健康狀況計算風(fēng)電機組的劣化度，并對所述劣化度進行評估分析得到評估結(jié)果；

5、對所述局部條件因素進行聚類分析以確定所述風(fēng)電場的功率預(yù)測的聚類指標(biāo)，并采用變分模態(tài)分解算法vmd對所述聚類指標(biāo)進行分析得到所述風(fēng)電場的關(guān)鍵參數(shù)；

6、基于所述關(guān)鍵參數(shù)和所述評估結(jié)果構(gòu)建所述風(fēng)電場的功率預(yù)測模型，采用pso的elm參數(shù)優(yōu)化算法對所述功率預(yù)測模型進行分析得到目標(biāo)功率預(yù)測模型。

7、作為上述技術(shù)方案的優(yōu)選，根據(jù)所述健康狀況計算風(fēng)電機組的劣化度，并對所述劣化度進行評估分析得到評估結(jié)果，包括：

8、采用模糊綜合評估算法將風(fēng)電機組的健康狀況評估問題轉(zhuǎn)化為模糊決策問題，將所述監(jiān)測數(shù)據(jù)中的環(huán)境因素和風(fēng)電機組各子系統(tǒng)的運行狀態(tài)，其中，對風(fēng)電機組健康狀況進行評估，選取發(fā)電機系統(tǒng)、機艙系統(tǒng)、變槳系統(tǒng)和齒輪箱系統(tǒng)作為風(fēng)電機組的子系統(tǒng)層；

9、根據(jù)子系統(tǒng)層變量與環(huán)境變量建立風(fēng)電機組的層次結(jié)構(gòu)，在進行風(fēng)電機組健康狀況評估時，將bilstm模型預(yù)測誤差作為子系統(tǒng)變量劣化度，將每個子系統(tǒng)變量劣化度代入嶺形分布隸屬度函數(shù)，逐層計算各子系統(tǒng)隸屬度矩陣；

10、采用組合賦權(quán)算法確定各子系統(tǒng)層和各子系統(tǒng)變量權(quán)重，根據(jù)隸屬度矩陣與組合權(quán)重向量乘積評估出風(fēng)電機組健康狀況。

11、作為上述技術(shù)方案的優(yōu)選，采用子系統(tǒng)變量的相對誤差建立風(fēng)電機組子系統(tǒng)變量與正常運行的映射關(guān)系，定義子系統(tǒng)變量的預(yù)測值與實際值的相對誤差εi來反映子系統(tǒng)變量的劣化度：

12、

13、其中，y′為子系統(tǒng)變量的預(yù)測值，yi為子系統(tǒng)變量的實際值，i為計算樣本數(shù)，n＝1,2,3...；

14、將各子系統(tǒng)變量劣化度值歸一到[0,1]，歸一化后的劣化度為：

15、

16、其中，gi為子系統(tǒng)變量劣化度，εmax為子系統(tǒng)變量允許劣化最大值；

17、對風(fēng)電機組各個子系統(tǒng)變量進行劣化度分析，并歸一化得到介于[0,1]的數(shù)字量，采用嶺形隸屬度函數(shù)將數(shù)字量轉(zhuǎn)化為狀態(tài)量，其中，嶺形隸屬度函數(shù)對應(yīng)的分布函數(shù)為：

18、

19、其中，rsl為第i個指標(biāo)在評價等級l的隸屬度，l＝1,2,3,4；

20、結(jié)合公式(3)～(6)，根據(jù)子系統(tǒng)s中的變量計算出子系統(tǒng)隸屬度矩陣rs：

21、

22、作為上述技術(shù)方案的優(yōu)選，采用層次分析算法確定各子系統(tǒng)和子系統(tǒng)變量的主觀權(quán)重，并使用熵權(quán)算法確定各子系統(tǒng)層和子系統(tǒng)變量的客觀權(quán)重，以評估風(fēng)電機組的運行狀況，組合權(quán)重表達(dá)式為：

23、

24、其中，w′j為層次分析算法計算的各項權(quán)重，為熵權(quán)算法計算的各項權(quán)重，wj為組合賦權(quán)算法所得權(quán)重，j＝1,2,...,m；

25、根據(jù)公式(7)和(8)得到子系統(tǒng)s的評估結(jié)果bs為：

26、bs＝ws×rs??(9)

27、由子系統(tǒng)的評估結(jié)果以評估出風(fēng)電機組的健康狀況b：

28、

29、其中，c1、c2、c3、c4分別為健康、良好、一般和預(yù)警四個隸屬度值；

30、根據(jù)最大隸屬度原則選取公式(10)中對應(yīng)的最大值座位風(fēng)電機組的健康狀況v：

31、v＝{v|v＝max(b)}?(11)。

32、作為上述技術(shù)方案的優(yōu)選，對所述局部條件因素進行聚類分析以確定所述風(fēng)電場的功率預(yù)測的聚類指標(biāo)，包括：

33、選取斯皮爾曼先關(guān)系數(shù)來衡量兩個變量間的相關(guān)性，對風(fēng)電場內(nèi)每臺機組進行相關(guān)性分析并取均值，以確定風(fēng)電功率的影響因素為風(fēng)速、風(fēng)向和對風(fēng)角度；

34、忽略無風(fēng)電場數(shù)據(jù)的對風(fēng)角度以分析風(fēng)力機和風(fēng)電場風(fēng)速、風(fēng)向數(shù)據(jù)隨時間變化的情況，

35、采用廣義極值gev分布引入形狀參數(shù)k將gumbel分布、frechet分別和weibull分布統(tǒng)一成一個表達(dá)式，對應(yīng)的分別函數(shù)形式為：

36、

37、其中，x表示獨立同分布的隨機變量，k表示形狀參數(shù)，μ表示位置參數(shù)，σ表示尺度參數(shù)；

38、以gev函數(shù)對風(fēng)電場風(fēng)力機數(shù)據(jù)進行參數(shù)估計后，第i臺機組風(fēng)速、風(fēng)向、對風(fēng)角度的關(guān)鍵參數(shù)xi包括形狀參數(shù)、位置參數(shù)、尺度參數(shù)，分別記作kwsi、μwsi、σwsi、kwdi、μwdi、σwdi、kowi、μowi、σowi。

39、作為上述技術(shù)方案的優(yōu)選，預(yù)設(shè)風(fēng)電場的風(fēng)力機組的關(guān)鍵參數(shù)xi的平均波動占比系數(shù)kb，判斷各參數(shù)波動大小對于均值的占比，表征風(fēng)力機組間的關(guān)鍵參數(shù)特征差異性，以評估根據(jù)關(guān)鍵參數(shù)對風(fēng)力機組進行聚類的合理性，對應(yīng)的表達(dá)式為：

40、

41、其中，n表示風(fēng)力機組的總臺數(shù)，表示關(guān)鍵參數(shù)平均值，xi表示風(fēng)力機組的關(guān)鍵參數(shù)；

42、根據(jù)風(fēng)速與功率的相關(guān)性并作為一次聚類的局部條件因素，風(fēng)向和對風(fēng)角度形狀參數(shù)的平均波動占比系數(shù)值作為二次聚類的局部條件因素，并將關(guān)鍵參數(shù)和對應(yīng)平均波動占比系數(shù)的乘積作為聚類指標(biāo)，一次聚類指標(biāo)記為c1，二次聚類指標(biāo)記為c2，則：

43、

44、其中，i＝1,2,...,n，kwsi、kwdi、kowi分別表示各風(fēng)力機組的風(fēng)速、風(fēng)向、對風(fēng)角度的形狀參數(shù)，μwsi、μwdi、μowi分別表示各風(fēng)力機組的風(fēng)速、風(fēng)向、對風(fēng)角度的位置參數(shù)，σwsi、σwdi、σowi分別表示各風(fēng)力機組的風(fēng)速、風(fēng)向、對風(fēng)角度的尺度參數(shù)，kb*ws、kb*wd、kb*ws(*＝k、μ、σ)表示風(fēng)速、風(fēng)向、對風(fēng)角度各關(guān)鍵參數(shù)對應(yīng)的平均波動占比系數(shù)。

45、作為上述技術(shù)方案的優(yōu)選，采用變分模態(tài)分解算法vmd對所述聚類指標(biāo)進行分析得到所述風(fēng)電場的關(guān)鍵參數(shù)，包括：

46、vmd算法將原始信號自適應(yīng)地分解為預(yù)設(shè)的i個不同模態(tài)分量，解調(diào)梯度的平方范數(shù)l2，估計每個模態(tài)分量帶寬，以形成公式(16)的約束性變分問題：

47、

48、其中，δ(t)表示狄拉克函數(shù)，*表示卷積，ui(t)表示模態(tài)分量，表示中心判頻率算子，ui表示模態(tài)數(shù)之和，ωi表示第i個中心頻率分量，表示對t求偏導(dǎo)，f表示分解后的信號；

49、將約束變分問題轉(zhuǎn)化為非約束變分問題，擴展的拉格朗日表達(dá)式為：

50、l({ui},{ωi},λ)＝α

51、

52、其中，λ表示拉格朗日算子，α表示二次懲罰因子；

53、采用交替方向乘子算法admm連續(xù)更新ui(t)、λ和ωi，各分量更新的表達(dá)式為：

54、

55、其中，表示wiener濾波，ωi表示模態(tài)函數(shù)中心頻率；

56、選用能量熵差值變化穩(wěn)定前的模態(tài)分解數(shù)作為模態(tài)最優(yōu)分解數(shù)量，能量熵理論的表達(dá)式為：

57、

58、其中，tk表示分解模態(tài)數(shù)為k時模態(tài)分量的熵值和，ej(i)表示第j個模態(tài)下第i個風(fēng)功率序列，tk-1,k表示相鄰兩個分解模態(tài)數(shù)模態(tài)能量熵差值，當(dāng)tk-1,k趨于穩(wěn)定時，此時出現(xiàn)過分解，將k-1確定為風(fēng)功率序列的分解模態(tài)數(shù)。

59、作為上述技術(shù)方案的優(yōu)選，采用粒子群優(yōu)化pso算法和極限學(xué)習(xí)機elm對功率預(yù)測模型進行參數(shù)優(yōu)化，將優(yōu)化問題的每個潛在最優(yōu)解初始化為具有初始速度、位置和適應(yīng)度值的粒子，每個粒子在優(yōu)化過程的每次迭代中會根據(jù)個體經(jīng)驗和群體經(jīng)驗更新速度和位置，適應(yīng)度值用于判斷當(dāng)前位置得到最終的個體最優(yōu)位置pbest和全局最優(yōu)位置gbest，對應(yīng)的表達(dá)式分別為：

60、

61、其中，k＝1,2...,k，k為最大迭代次數(shù)，η表示調(diào)節(jié)粒子速度的慣性因子，c1、c2為調(diào)節(jié)粒子速度的加速度因子，r1、r2為取值范圍在[0,1]的隨機數(shù)，表示第k次迭代時粒子i的位置，表示第k次迭代時粒子i的速度。

62、作為上述技術(shù)方案的優(yōu)選，elm模型的具體優(yōu)化過程包括：

63、初始化最大迭代次數(shù)k、慣性因子η、加速度因子c1、c2和目標(biāo)誤差errmin；

64、初始化種群：設(shè)粒子數(shù)為n，為每個粒子分配一組初始信息，將elm模型中的訓(xùn)練樣本與預(yù)測值間的均方差作為優(yōu)化過程的適應(yīng)度值ψ，計算種群中所有離子的適應(yīng)度值，pbest和gbest的初始值由具有最小ψ的粒子決定；

65、更新種群信息：根據(jù)公式(20)、(21)更新所有離子的位置和速度，若更新后粒子的當(dāng)前位置信息具有最小的ψ，將位置信息替換為pbest，否則保持不變；若更新后全局最佳位置具有最小的ψ，將位置信息替換為gbest，否則保持不變；

66、當(dāng)ψ<errmin或迭代次數(shù)達(dá)到k時，停止迭代。

67、第二方面，本發(fā)明還提供了一種基于深度學(xué)習(xí)的風(fēng)電功率預(yù)測系統(tǒng)，包括：

68、數(shù)據(jù)獲取單元，用于獲取風(fēng)電場中的風(fēng)電機組的監(jiān)測數(shù)據(jù)，并對所述監(jiān)測數(shù)據(jù)進行預(yù)處理，其中，所述監(jiān)測數(shù)據(jù)包括風(fēng)電機組的局部條件因素和健康狀況；

69、數(shù)據(jù)評估單元，用于根據(jù)所述健康狀況計算風(fēng)電機組的劣化度，并對所述劣化度進行評估分析得到評估結(jié)果；

70、聚類分析單元，用于對所述局部條件因素進行聚類分析以確定所述風(fēng)電場的功率預(yù)測的聚類指標(biāo)，并采用變分模態(tài)分解算法vmd對所述聚類指標(biāo)進行分析得到所述風(fēng)電場的關(guān)鍵參數(shù)；

71、模型優(yōu)化單元，用于基于所述關(guān)鍵參數(shù)和所述評估結(jié)果構(gòu)建所述風(fēng)電場的功率預(yù)測模型，采用pso的elm參數(shù)優(yōu)化算法對所述功率預(yù)測模型進行分析得到目標(biāo)功率預(yù)測模型。

72、本發(fā)明提供了一種基于深度學(xué)習(xí)的風(fēng)電功率預(yù)測方法及系統(tǒng)，通過獲取風(fēng)電場中的風(fēng)電機組的監(jiān)測數(shù)據(jù)，并對監(jiān)測數(shù)據(jù)進行預(yù)處理，根據(jù)健康狀況計算風(fēng)電機組的劣化度，并對劣化度進行評估分析得到評估結(jié)果，對局部條件因素進行聚類分析以確定風(fēng)電場的功率預(yù)測的聚類指標(biāo)，并采用變分模態(tài)分解算法vmd對聚類指標(biāo)進行分析得到風(fēng)電場的關(guān)鍵參數(shù)，基于所述關(guān)鍵參數(shù)和所述評估結(jié)果構(gòu)建風(fēng)電場的功率預(yù)測模型，采用pso的elm參數(shù)優(yōu)化算法對功率預(yù)測模型進行分析得到目標(biāo)功率預(yù)測模型，實現(xiàn)準(zhǔn)確地評估預(yù)測模型的性能，提升了風(fēng)電功率預(yù)測精度和泛化能力，也提高了功率預(yù)測模型的數(shù)據(jù)處理魯棒性。