一种用于风电场风功率预测的高精度风速软测量方法

本申请属于风功率测量，具体涉及一种用于风电场风功率预测的高精度风速软测量方法。

背景技术：

1、风能资源，是一种清洁的可再生能源，可以通过风力发电的方式转换为电能，再由电网输送至用电终端。风力发电输出功率的稳定对电网的安全稳定运行至关重要。对风速的精确预测，可以为风资源评估提供有力支撑，也为风电机组的选型和选址提供依据，也为电网的运营维护与调度提供保障。然而风速具有非线性和随机波动性，这些特征会导致电网发电功率的波动，影响电网安全稳定运行，致使风电利用率低，进而影响电网质量。

2、相关技术中，对风速测量的方法主要是基于风力机机舱风速仪的直接测量方法，该种测量方法容易受到测量环境的影响，导致难以实时准确的测量出实时的风速。

3、因此，实有必要提供一种用于风电场风功率预测的高精度风速软测量方法以解决上述问题。

技术实现思路

1、本申请提供一种用于风电场风功率预测的高精度风速软测量方法，针对nwp数据具有非线性和强动态性的特点，提出了一种基于vae的特征学习网络，在高斯混合模型的基本框架上进行非线性的特征提取，同时构建潜隐变量与风速之间的基于bp神经网络的回归器，最终实现对风速的软测量，具备较高的预测精度。

2、为了解决上述技术问题，本申请是这样实现的：

3、一种用于风电场风功率预测的高精度风速软测量方法，包括如下步骤：

4、s1：采集风电场与风速相关的数值天气预报数据形成辅助变量数据集，对所述辅助变量数据集进行预处理；

5、s2：构建vae特征学习网络，所述vae特征学习网络包括编码器及解码器，将所述辅助变量数据集作为原始数据送入所述编码器，提取原始数据的潜在特征，将所述潜在特征作为潜隐变量送入所述解码器进行重构，得到生成数据；

6、s3：构建所述vae特征学习网络的原始损失函数，所述原始损失函数包括kl散度和重构损失两部分，基于熵权法计算所述原始数据中各个样本的熵权，并赋值给原始损失函数中的重构损失部分，同时为kl散度部分和重构损失部分赋予不同的权重，得到改进后的损失函数，通过最小化改进后的损失函数对所述vae特征学习网络进行训练，保存训练好的模型参数以及潜隐变量；

7、s4：将所述辅助变量数据集对应的风速作为所述潜隐变量的标签，并与所述潜隐变量一起构成训练集，将所述训练集作为回归器的输入，采用随机梯度下降算法更新回归器模型参数，完成训练过程；

8、s5：针对任意一次风速软测量，重复步骤s1-s4，输出风速的预测值。

9、优选的，所述步骤s1中“与风速相关的数值天气预报数据”包括短期天气类型、降雨类型、气温、体感温度、湿度、风向、能见度、气压及当天天气类型。

10、优选的，所述步骤s1中“预处理”的过程包括：删除空缺值、将文字数据序列化、去除数据的小数部分以及归一化处理。

11、优选的，所述步骤s2中，原始数据的潜在特征的提取过程具体为：计算原始数据在潜在空间中所服从分布的均值和方差，通过重参数化技巧，利用上一层的均值和方差采样得到原始数据的潜在特征。

12、优选的，所述步骤s3具体包括如下步骤：

13、s31：构建所述vae特征学习网络生成数据的边际似然函数，将所述边际似然函数的证据下界变换为所述vae特征学习网络的损失函数，得到原始损失函数：

14、

15、式中，loss表示原始损失函数；x表示原始数据；表示重构后的生成数据；表示后验分布；p(z)表示先验分布；表示先验分布p(z)与后验分布的kl散度，用于衡量先验分布p(z)和后验分布的近似程度；表示重构损失；

16、s32：计算所述原始数据中，第j项指标下第i个样本xij所占的比重，并将其看作相对熵计算中用到的概率pij，依次计算每个指标的信息熵及信息效用值，并将信息效用值归一化得到每个指标的熵权，计算过程表示为：

17、

18、式中，ej表示第j个指标的信息熵，信息熵越大，其对应的信息量越小；j表示原始数据的维度；dj表示第j个指标的信息效用值；wj表示第j个指标的熵权；

19、s33：将各个指标的熵权赋值给损失函数中的重构损失部分，同时为kl散度和重构损失赋值权重α和β，得到改进后的损失函数loss′，表示为：

20、

21、式中，α和β均为超参数，且α+β＝1。

22、本申请有益效果在于：

23、针对nwp数据具有非线性和强动态性的特点，提出了一种基于vae的特征学习网络，同时利用熵权法给每个变量损失自适应地赋予不同的权重，从而改进原有vae模型的损失函数，在高斯混合模型的基本框架上进行非线性的特征提取，同时构建潜隐变量与风速之间的基于bp神经网络的回归器，最终实现对风速的软测量，具备较高的预测精度。

技术特征：

1.一种用于风电场风功率预测的高精度风速软测量方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的用于风电场风功率预测的高精度风速软测量方法，其特征在于，所述步骤s1中“与风速相关的数值天气预报数据”包括短期天气类型、降雨类型、气温、体感温度、湿度、风向、能见度、气压及当天天气类型。

3.根据权利要求1所述的用于风电场风功率预测的高精度风速软测量方法，其特征在于，所述步骤s1中“预处理”的过程包括：删除空缺值、将文字数据序列化、去除数据的小数部分以及归一化处理。

4.根据权利要求1所述的用于风电场风功率预测的高精度风速软测量方法，其特征在于，所述步骤s2中，原始数据的潜在特征的提取过程具体为：计算原始数据在潜在空间中所服从分布的均值和方差，通过重参数化技巧，利用上一层的均值和方差采样得到原始数据的潜在特征。

5.根据权利要求1所述的用于风电场风功率预测的高精度风速软测量方法，其特征在于，所述步骤s3具体包括如下步骤：

技术总结
本申请提供一种用于风电场风功率预测的高精度风速软测量方法，针对NWP数据具有非线性和强动态性的特点，提出了一种基于VAE的特征学习网络，同时利用熵权法给每个变量损失自适应地赋予不同的权重，从而改进原有VAE模型的损失函数，在高斯混合模型的基本框架上进行非线性的特征提取，同时构建潜隐变量与风速之间的基于BP神经网络的回归器，最终实现对风速的软测量，具备较高的预测精度。

技术研发人员：张英杰,阳郁为,陆碧良,李蒲德,丁晨,张彩华,查政悦
受保护的技术使用者：湖南大学
技术研发日：
技术公布日：2024/1/14