一种基于迁移学习深度学习相结合的风电功率预测方法与流程

1.本发明涉及一种基于迁移学习深度学习相结合的风电功率预测方法，属于风电功率预测领域。


背景技术：

2.根据全球风能理事会，2020年全球海上风电装机容量为93gw。风力发电具有很大的波动性和随机性。因此，大规模风电并网将给电力系统带来巨大挑战。风电功率预测可以降低风电的不确定性，为电网调度部门提供依据。然而，每年都有大量新建、扩建和重建的风电场。由于运行时间短，历史数据不足，很难建立高精度的预测模型。这些风电场的预测精度还有很大的改进空间。
3.制约新建、扩建和改造风电场预测准确性的主要因素有两个：(1)风电场历史数据不足。新风电场没有足够的时间积累历史数据，这导致非常缺乏用于培训的历史样本，需要探索稀缺历史数据的建模方法；(2)传统的浅层神经网络预测精度低。需要开发用于迁移学习的深层神经网络来处理日益复杂的输入信息。目前的迁移学习方法都是独立的样本迁移或是模型迁移，很少有将两种迁移方法相结合的模型。因此，缺少训练数据的新建风电场的风电功率预测需要一种结合数据迁移、模型迁移以及深度学习的多层级预测方法，从而提高迁移成功率，减少预测误差，提高风电场功率预测精度的一种基于迁移学习深度学习相结合的风电功率预测方法。


技术实现要素：

4.本发明的目的是提供一种基于迁移学习深度学习相结合的风电功率预测方法，以解决上述背景技术中存在的问题。
5.本发明的目的由以下技术措施实现：
6.一种基于迁移学习深度学习相结合的风电功率预测方法，其特征在于，包括如下步骤：
7.步骤一，对新建风电场及其周边风电场的历史样本采用基于神经网络的数据挖掘方法，计算两类样本的相关系数ρ
xy
；
8.所述的基于神经网络的数据挖掘方法，实现过程如下：
9.(1)从数据采集与监视控制系统scada系统中获取新建风电场现有的少量运行功率及气象数据；
10.(2)利用获取的新建风电场现的少量历史样本训练bp
‑
nn网络得到训练后的bp
‑
nn网络；
11.(3)对周边风电场大量的历史样本经训练后的bp
‑
nn网络后做预测，取得预测结果；
12.(4)根据预测结果计算相关系数ρ
xy
；
13.所述的相关系数ρ
xy
的计算方法为：
[0014][0015]
其中，ρ
xy
代表相关系数，p
pre
代表功率预测值，p
real
代表功率实际值，d代表方差，n代表样本数量，代表功率预测平均值，代表功率实际平均值；
[0016]
步骤二，从scada系统及数值天气预报中获取周边风电场的历史功率及气象数据，再根据步骤一得到的相关系数对周边风电场的大量历史样本做数据分级，使用相关性分级方法将所有历史样本分为强相关样本、中相关样本、弱相关样本、不相关样本，将不相关样本丢弃，并将强相关样本、中相关样本、弱相关样本整合为待迁移历史样本；
[0017]
所述的相关性分级方法为：
[0018]
(1)相关系数ρ
xy
≥0.9，判定为强相关样本；
[0019]
(2)相关系数0.8≤ρ
xy
＜0.9，判定为中相关样本；
[0020]
(3)相关系数0.7≤ρ
xy
＜0.8，判定为弱相关样本；
[0021]
(4)相关系数ρ
xy
＜0.7，判定为不相关样本；
[0022]
步骤三，使用步骤二获得的不同级别的相关样本，分别训练一层堆栈去噪自编码器sdae，再根据顺序迁移方法将各层网络拼接组合，即获得用于缺少训练数据的新建风电场的sdae预测模型，并给出预测结果。
[0023]
所述的顺序迁移方法为：
[0024]
(1)使用弱相关样本训练浅层sdae网络，其输出作为中层sdae网络的输入；
[0025]
(2)使用浅层网络的输出及中相关样本训练中层sdae网络，其输出作为深层sdae网络的输入；
[0026]
(3)使用中层网络的输出及强相关样本训练深层sdae网络，其输出作为输出层网络的输入；
[0027]
(4)将浅层sdae网络、中层sdae网络、深层sdae网络依次拼接，即获得顺序迁移下用于缺少训练数据的新建风电场的sdae预测模型；
[0028]
步骤四，使用步骤二获得的不同级别的相关样本，分别训练一层sdae网络，再根据逆序迁移方法将各层网络拼接组合，即获得用于缺少训练数据的新建风电场的sdae预测模型，并给出预测结果。
[0029]
所述的逆序迁移方法为：
[0030]
(1)使用强相关样本训练浅层sdae网络，其输出作为中层sdae网络的输入；
[0031]
(2)使用浅层网络的输出及中相关样本训练中层sdae网络，其输出作为深层sdae网络的输入；
[0032]
(3)使用中层网络的输出及弱相关样本训练深层sdae网络，其输出作为输出层网络的输入；
[0033]
(4)将浅层sdae网络、中层sdae网络、深层sdae网络依次拼接，即获得逆序迁移下用于缺少训练数据的新建风电场的sdae预测模型；
[0034]
步骤五，使用步骤二获得的不同级别的相关样本，分别训练一层sdae网络，再根据无序迁移方法将各层网络拼接组合，即获得用于缺少训练数据的新建风电场的sdae预测模
型，并给出预测结果。
[0035]
所述的无序迁移方法为：
[0036]
(1)任意选取1/3的待迁移历史样本训练浅层sdae网络，其输出作为中层sdae网络的输入；
[0037]
(2)使用浅层网络的输出及另1/3的待迁移历史样本训练中层sdae网络，其输出作为深层sdae网络的输入；
[0038]
(3)使用中层网络的输出及剩余的1/3的待迁移历史样本训练深层sdae网络，其输出作为输出层网络的输入；
[0039]
(4)将浅层sdae网络、中层sdae网络、深层sdae网络依次拼接，即获得无序迁移下用于缺少训练数据的新建风电场的sdae预测模型；
[0040]
步骤六，将三种迁移顺序的预测结果输入到双向长短时记忆网络b
‑
lstm网络，做集成深度学习，取得最终的预测结果。
[0041]
所述的迁移学习使用数据迁移和模型迁移的方法，从新建风电场周边的风电场中寻找相似样本并迁移，使用这些相似样本分层级地训练模型并组合，构建新建风电场的预测模型；
[0042]
所述的数据迁移通过新建风电场少量的历史样本训练bp
‑
nn网络，并对周边风电场的大量样本做预测，通过计算相关系数寻找可迁移的样本并分级；
[0043]
所述的模型迁移将不同相关性级别的相关样本分别训练一层sdae网络，并采用三种不同顺序组合成最终网络；
[0044]
所述的深度学习从新建风电场周边的风电场中迁移大量相关样本，并分层级地训练sdae模型并组合。
[0045]
本发明达到的有益效果是：本发明利用数据迁移和模型迁移之间的互补性能获得更优质的迁移数据以及更高的迁移成功率。通过基于数据挖掘的数据迁移，最终形成一个待迁移的样本库，通过分层级模型迁移，提高了模型的泛化能力，降低迁移失败比率，提高缺少训练数据的新建风电场的预测精度。
附图说明
[0046]
图1为本发明的整体流程结构框图。
具体实施方式
[0047]
下面结合本发明实施方式中的附图进行具体的描述，本发明的目的是提供一种结合数据迁移、模型迁移以及深度学习的多层级预测方法，从而提高迁移成功率，减少预测误差，提高风电场功率预测精度的一种基于迁移学习深度学习相结合的风电功率预测方法。
[0048]
如图1所示，一种基于迁移学习深度学习相结合的风电功率预测方法，本方法分为六个步骤来实现新建风电场风电功率预测；
[0049]
使用数据迁移和模型迁移的方法，从新建风电场周边的风电场中寻找相关样本并迁移，使用这些相关样本分层级地训练模型并组合，构建新建风电场的预测模型；
[0050]
从新建风电场周边的风电场中迁移大量相关样本，并分层级地训练sdae模型并组合；
[0051]
通过迁移周边风电场的相关样本，分层级地训练sdae网络，最终组合成新建风电场的预测模型。
[0052]
一种基于迁移学习深度学习相结合的风电功率预测方法，其特征在于，包括如下步骤：
[0053]
步骤一，对新建风电场及其周边风电场的历史样本采用基于神经网络的数据挖掘方法，计算两类样本的相关系数ρ
xy
；
[0054]
所述的基于神经网络的数据挖掘方法，实现过程如下：
[0055]
(1)从数据采集与监视控制系统scada系统中获取新建风电场现有的少量运行功率及气象数据；
[0056]
(2)利用获取的新建风电场现的少量历史样本训练bp
‑
nn网络得到训练后的bp
‑
nn网络；
[0057]
(3)对周边风电场大量的历史样本经训练后的bp
‑
nn网络后做预测，取得预测结果；
[0058]
(4)根据预测结果计算相关系数ρ
xy
；
[0059]
所述的相关系数ρ
xy
的计算方法为：
[0060][0061]
其中，ρ
xy
代表相关系数，p
pre
代表功率预测值，p
real
代表功率实际值，d代表方差，n代表样本数量，代表功率预测平均值，代表功率实际平均值；
[0062]
步骤二，从scada系统及数值天气预报中获取周边风电场的历史功率及气象数据，并使用步骤一的训练后的bp
‑
nn网络做预测，再根据步骤一得到的相关系数对周边风电场的大量历史样本做数据分级，使用相关性分级方法将所有历史样本分为强相关样本、中相关样本、弱相关样本、不相关样本，将不相关样本丢弃，并将强相关样本、中相关样本、弱相关样本整合为待迁移历史样本；
[0063]
所述的相关性分级方法为：
[0064]
((1)相关系数ρ
xy
≥0.9，判定为强相关样本；
[0065]
(2)相关系数0.8≤ρ
xy
＜0.9，判定为中相关样本；
[0066]
(3)相关系数0.7≤ρ
xy
＜0.8，判定为弱相关样本；
[0067]
(4)相关系数ρ
xy
＜0.7，判定为不相关样本；
[0068]
步骤三，使用步骤二获得的不同级别的相关样本，分别训练一层sdae网络，再根据顺序迁移方法将各层网络拼接组合，即获得用于缺少训练数据的新建风电场的sdae预测模型，并给出预测结果。
[0069]
所述的顺序迁移方法为：
[0070]
(1)使用弱相关样本训练浅层sdae网络，其输出作为中层sdae网络的输入；
[0071]
(2)使用浅层网络的输出及中相关样本训练中层sdae网络，其输出作为深层sdae网络的输入；
[0072]
(3)使用中层网络的输出及强相关样本训练深层sdae网络，其输出作为输出层网
络的输入；
[0073]
(4)将浅层sdae网络、中层sdae网络、深层sdae网络依次拼接，即获得顺序迁移下用于缺少训练数据的新建风电场的sdae预测模型；
[0074]
步骤四，使用步骤二获得的不同级别的相关样本，分别训练一层sdae网络，再根据逆序迁移方法将各层网络拼接组合，即获得用于缺少训练数据的新建风电场的sdae预测模型，并给出预测结果。
[0075]
所述的逆序迁移方法为：
[0076]
(1)使用强相关样本训练浅层sdae网络，其输出作为中层sdae网络的输入；
[0077]
(2)使用浅层网络的输出及中相关样本训练中层sdae网络，其输出作为深层sdae网络的输入；
[0078]
(3)使用中层网络的输出及弱相关样本训练深层sdae网络，其输出作为输出层网络的输入；
[0079]
(4)将浅层sdae网络、中层sdae网络、深层sdae网络依次拼接，即获得逆序迁移下用于缺少训练数据的新建风电场的sdae预测模型；
[0080]
步骤五，使用步骤二获得的不同级别的相关样本，分别训练一层sdae网络，再根据无序迁移方法将各层网络拼接组合，即获得用于缺少训练数据的新建风电场的sdae预测模型，并给出预测结果。
[0081]
所述的无序迁移方法为：
[0082]
(1)任意选取1/3的待迁移历史样本训练浅层sdae网络，其输出作为中层sdae网络的输入；
[0083]
(2)使用浅层网络的输出及另1/3的待迁移历史样本训练中层sdae网络，其输出作为深层sdae网络的输入；
[0084]
(3)使用中层网络的输出及剩余的1/3的待迁移历史样本训练深层sdae网络，其输出作为输出层网络的输入；
[0085]
(4)将浅层sdae网络、中层sdae网络、深层sdae网络依次拼接，即获得无序迁移下用于缺少训练数据的新建风电场的sdae预测模型；
[0086]
步骤六，将三种迁移顺序的预测结果输入到b
‑
lstm网络做集成深度学习，取得最终的预测结果。
[0087]
上述实施例仅说明了本发明的几种实施方式，但并不是用来限制本发明。还要指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
[0088]
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。