一种基于WDNN框架的风电功率预测方法

一种基于wdnn框架的风电功率预测方法
技术领域
1.本发明涉及风电技术领域，尤其是涉及一种基于wdnn框架的风电功率预测方法。


背景技术：

2.我国风电装机容量也是逐年上升，又由于风能的波动性与随机性的特点，其大规模并网给电力系统带来的挑战也日趋严重。风电功率的预测方法可以分为物理法、统计法以及机器学习法。物理方法指的是根据空气的温度、压强、风速、风向和风电场的地形等信息建立物理公式模型进行预测；统计方法是不考虑风力发电过程中的物理关系，只根据实测数据和历史数据进行预测，方法有卡尔曼滤波法、自回归滑动平均法等；机器学习法是指利用神经网络、支持向量机等机器学习的方式在输入和输出变量间建立非线性映射关系，进而完成对风电功率的预测。
3.风功率预测受各种因素影响，因素包括离散和连续特征，人工发掘和建立这些因素与风电功率的数学模型是十分困难的，精度不够。近年来，随着机器学习领域的不断发展，深度学习在大数据处理方面具备了独一无二的优势。这类方法优点在于不需要人工建立风电功率预测模型，只需通过大数据去拟合出符合要求的函数。但是单一的人工神经网络与支持向量机等预测模型相对简单，考虑到的特征也不够充足，在某些时候容易产生较大的误差，预测效果不好。


技术实现要素：

4.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于wdnn框架的风电功率预测方法，能够同时学习风电历史数据集中浅层特征和深层特征，在特征的选择上更加多样化，提高了预测精度。
5.本发明的目的可以通过以下技术方案来实现：
6.一种基于wdnn框架的风电功率预测方法，包括
7.采集风电历史数据集，进行预处理，并输入训练好的风电功率预测模型，获得风电功率预测结果；
8.其中，所述的风电历史数据集分为离散特征数据和连续特征数据；
9.所述的预测模型包括离散数据处理模块、连续数据处理模块以及拼接神经元；
10.所述的离散数据处理模块包括交叉积变换单元和全连接层；
11.所述的连续数据处理模块包括xgboost子模型和dnn子模型；
12.所述的预测模型的预测过程包括：
13.将风电历史数据集中的原始离散特征数据输入交叉积变换单元，输出新离散特征数据，将新离散特征数据和原始离散数据特征输入全连接层，输出第一风电功率预测值；
14.将风电历史数据集中的原始连续特征数据输入xgboost子模型，输出新连续特征数据，将新连续特征数据和原始连续特征数据输入dnn子模型，输出第二风电功率预测值；
15.将第一风电功率预测值和第二风电功率预测值输入拼接神经元，输出风电功率最
终预测值。
16.进一步地，所述的全连接层的表达式为：
17.y＝w
deep
x+b
18.其中，y为第一风电功率预测值，x＝[x1,x2,
…
x
n
]为输入的离散特征数据，w
deep
＝[w
deep1
,w
deep2
,...w
deepn
]为离散数据处理模块的模型参数，b为线性偏差。
[0019]
进一步地，所述的拼接神经元的表达式为：
[0020][0021]
其中，p为输出风电功率最终预测值，σ为sigmoid激活函数，w
deep
＝[w
deep1
,w
deep2
...w
deepn
]为连续数据处理模块的模型参数，z(x)为新离散特征数据，d为第二风电功率预测值。
[0022]
进一步地，所述的风电功率预测模型的训练过程包括：
[0023]
采集风电样本数据，将风电样本数据分为训练集、测试集和验证集，利用训练集、测试集和验证集分别对风电功率预测模型进行训练、测试和验证。
[0024]
进一步地，所述的风电功率预测模型的训练过程中，采用自适应矩估计优化器对风电功率预测模型进行参数优化。
[0025]
进一步地，所述的风电功率预测模型的训练过程中采用的损失函数为均方误差。
[0026]
进一步地，所述的预处理过程包括：
[0027]
对风电历史数据集中对风电功率预测结果影响相对较大的一类或多类特征数据，使用基于密度的聚类算法进行降噪。
[0028]
进一步地，所述的聚类算法为dbscan算法。
[0029]
进一步地，所述的预处理过程包括：
[0030]
对风电历史数据集中空缺的数据点进行填补和剔除。
[0031]
进一步地，所述的连续特征数据包括月份和风向，所述的连续特征数据包括风速、温度、湿度和空气密度。
[0032]
与现有技术相比，本发明具有以如下有益效果：
[0033]
(1)本发明预测模型采用wdnn框架，包括离散数据处理模块、连续数据处理模块以及拼接神经元，将风电历史数据集中的原始离散特征数据输入交叉积变换单元，输出新离散特征数据，将新离散特征数据和原始离散数据特征输入全连接层，输出第一风电功率预测值，将风电历史数据集中的原始连续特征数据输入xgboost子模型，输出新连续特征数据，将新连续特征数据和原始连续特征数据输入dnn子模型，输出第二风电功率预测值，将第一风电功率预测值和第二风电功率预测值输入拼接神经元，输出风电功率最终预测值，离散数据处理模块学习了风电历史数据集中的浅层特征，而连续数据处理模块学习了风电历史数据集中的深层特征，在特征的选择上更加多样化，提高了风电功率预测方法的预测精度；
[0034]
(2)本发明通过交叉变换和重组，获得新离散特征数据，利用了被忽略的离散特征，提高了风电功率预测方法的预测精度；
[0035]
(3)本发明本不需要人工建模，不需要求解人工发掘和建立输入特征与风电功率的映射关系，操作简单；
[0036]
(4)本发明对风电历史数据集中对风电功率预测结果影响相对较大的一类或多类特征数据，使用基于密度的聚类算法进行降噪，对风电历史数据集中空缺的数据点进行填补和剔除，提高了风电功率预测方法的预测精度。
附图说明
[0037]
图1为风电功率预测流程图；
[0038]
图2为dnn网络结构图；
[0039]
图3为实施例1提出的风电功率预测方法的预测结果图；
[0040]
图4为现有的xgboost模型的预测结果图。
具体实施方式
[0041]
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0042]
一种基于wdnn框架的风电功率预测方法，如图1，包括
[0043]
采集风电历史数据集，进行预处理，并输入训练好的风电功率预测模型，获得风电功率预测结果；
[0044]
其中，风电历史数据集分为离散特征数据和连续特征数据；
[0045]
预测模型包括离散数据处理模块、连续数据处理模块以及拼接神经元；
[0046]
离散数据处理模块包括交叉积变换单元和全连接层；
[0047]
连续数据处理模块包括xgboost子模型和dnn子模型；
[0048]
预测模型的预测过程包括：
[0049]
将风电历史数据集中的原始离散特征数据输入交叉积变换单元，输出新离散特征数据，将新离散特征数据和原始离散数据特征输入全连接层，输出第一风电功率预测值；
[0050]
将风电历史数据集中的原始连续特征数据输入xgboost子模型，输出新连续特征数据，将新连续特征数据和原始连续特征数据输入dnn子模型，输出第二风电功率预测值；
[0051]
将第一风电功率预测值和第二风电功率预测值输入拼接神经元，输出风电功率最终预测值。
[0052]
全连接层的表达式为：
[0053]
y＝w
deep
x+b
[0054]
其中，y为第一风电功率预测值，x＝[x1,x2,
…
x
n
]为输入的离散特征数据，w
deep
＝[w
deep1
,w
deep2
,...w
deepn
]为离散数据处理模块的模型参数，b为线性偏差。
[0055]
拼接神经元的表达式为：
[0056][0057]
其中，p为输出风电功率最终预测值，σ为sigmoid激活函数，w
deep
＝[w
deep1
,w
deep2
...w
deepn
]为连续数据处理模块的模型参数，z(x)为新离散特征数据，d为第二风电功率预测值。
[0058]
如图2，dnn子模型的神经网络层可以分为输入层、隐藏层和输出层，其中隐藏层可
以有多层，层与层之间是全连接形式。
[0059]
风电功率预测模型的训练过程包括：
[0060]
采集风电样本数据，将风电样本数据分为训练集、测试集和验证集，利用训练集、测试集和验证集分别对风电功率预测模型进行训练、测试和验证。
[0061]
风电功率预测模型的训练过程中，采用自适应矩估计优化器对风电功率预测模型进行参数优化。
[0062]
风电功率预测模型的训练过程中采用的损失函数为均方误差。
[0063]
预处理过程包括：
[0064]
对风电历史数据集中对风电功率预测结果影响相对较大的一类或多类特征数据，使用基于密度的聚类算法进行降噪，聚类算法为dbscan算法；
[0065]
对风电历史数据集中空缺的数据点进行填补和剔除，连续特征数据包括月份和风向，连续特征数据包括风速、温度、湿度和空气密度。
[0066]
以内蒙古某风电场28天的为基础，每15分钟采样一次，共获取2688组数据。输入特征有月份、风向余弦值、风速、温度、湿度、气压和空气密度，经过dbscan算法处理后，还剩2223组数据，将前2000组数据分为训练集1700组，验证集300组，后223组数据为测试集，如图3，经过数十次反复训练测试得到平均的均方误差mse为23.638，平均绝对误差mae为3.297，如图4，在预测方面用的比较成熟的xgboost模型的预测均方误差为27.269，平均绝对误差为3.970。因此本实施例提出的风电功率预测方法提高了预测精度。
[0067]
本实施例提出了一种基于wdnn框架的风电功率预测方法，预测模型采用wdnn框架，包括离散数据处理模块、连续数据处理模块以及拼接神经元，离散数据处理模块学习了风电历史数据集中的浅层特征，而连续数据处理模块学习了风电历史数据集中的深层特征，在特征的选择上更加多样化，提高了风电功率预测方法的预测精度。
[0068]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。