一种风电调频能量预测方法、系统及计算机设备
技术领域
本发明涉及新能源发电技术领域，具体涉及一种风电调频能量预测方法、系统及计算机设备。
背景技术
风速/风功率/风电调频能量预测方法大致可以分为物理方法、统计方法、智能方法。物理方法模型复杂、计算量大适用于长期预测和风场选址；统计方法模型简单、数据需求少，适合灰色模型短期预测；智能方法适合超短期预测。智能方法中深度学习是目前应用最多的一种方法，但是网络模型大且运算成本高，因此尺寸小、测试计算成本低且精度高的新型的LTC循环神经网络必定是时间序列数据预测的方向；另外，近年来，风电装机规模迅速增长，风电的电网渗透率越来越高，风电调频能量预测显得更加重要。
针对申请号为CN2.6，名称为《基于混合神经网络的风电场短期风速预测方法和系统》的专利，具体公开了本发明涉及一种基于混合神经网络的风电场短期风速预测方法，其中包括步骤S1、根据预设的预测时间间隔确定混合神经网络预测模型的输入变量和输出变量；S2、根据所述混合神经网络预测模型进行风速预测，得到相应的风速预测值。本发明还涉及一种基于混合神经网络的风电场短期风速预测系统，其中包括变量确定模块：用于根据预设的预测时间间隔确定混合神经网络预测模型的输入变量和输出变量；以及预测模块：用于根据所述混合神经网络预测模型进行风速预测，得到相应的风速预测值。本发明的基于混合神经网络的风电场短期风速预测方法和系统计算速度快、可靠性高、解决了完全依赖物理预测模型的技术难题、又可以克服单一模型预测误差波动大的缺陷。该申请是把物理预测和神经网络预测相混合的方法，计算量大且精度不高。
发明内容
为了解决现有技术中网络模型大且运算成本高的问题，本发明提出了一种风电调频能量预测方法，包括：
基于获取的确定历史时长内的历史风速数据和风机地理位置信息分别构建历史风速时序数据表和历史风速空间数据表，并将所述历史风速时序数据表和所述历史风速空间数据表分别作为LTC网络链路和卷积神经网络链路的输入，由所述LTC网络链路和所述卷积神经网络链路分别输出欠考虑风机相互影响的预测信息和考虑风机相互影响的预测信息；
基于确定历史时长内的历史风速数据依据风机地理位置构建历史风速空间数据表，并将所述历史风速空间数据表作为所述卷积神经网络链路的输入，由所述卷积神经网络链路输出考虑风机相互影响的预测信息；
将所述欠考虑风机相互影响的预测信息和所述考虑风机相互影响的预测信息相加后依次经过两层全连接和修正线性单元，得到最终预测风速表；
基于所述最终预测风速表中各风机在每个时刻的风速计算风电场调频能量。
优选的，所述基于获取的确定历史时长内的历史风速数据构建历史风速时序数据表，包括：
基于获取的确定历史时长内的历史风速数据按照设定的风速采样率确定各风机在确定历史时长内各采样时刻的风速值；
将每个风机在确定历史时长内各采样时刻的风速值按照发生时刻的倒序排成一行，并由所有的风机在确定历史时长内各采样时刻的风速值构成的所有行组成历史风速时序数据表。
优选的，所述将所述历史风速时序数据表作为LTC网络链路的输入，由所述LTC网络链路输出欠考虑风机相互影响的预测信息，包括：
将所述历史风速时序数据表依次输入到LTC网络链路中的LTC1网络、LTC2网络、全连接层FC1和修正线性单元中，得到欠考虑风机相互影响的预测信息。
优选的，所述基于获取的确定历史时长内的历史风速数据和风机地理位置信息构建历史风速空间数据表，包括：
基于风机个数确定历史风速空间数据表的大小；
基于风机地理位置确定历史风速空间数据表的风机排位；
基于所述确定历史时长内的历史风速数据按照设定的风速采样率确定各风机在确定历史时长内各采样时刻的风速值；
将各风机在确定历史时长内各采样时刻的风速值按照所述历史风速空间数据表的风机排位依次放入所述历史风速空间数据表中，得到历史风速空间数据表。
优选的，所述将所述历史风速空间数据表作为所述卷积神经网络链路的输入，由所述卷积神经网络链路输出考虑风机相互影响的预测信息，包括：
将所述历史风速空间数据表依次输入到卷积神经网络链路的卷积层Conv1、最大池化层MaxPool1、卷积层Conv2、最大池化成MaxPool2、全连接层FC2、全连接层FC3和修正线性单元，得到考虑风机相互影响的预测信息。
优选的，所述将所述欠考虑风机相互影响的预测信息和所述考虑风机相互影响的预测信息相加依次经过两层全连接和修正线性单元，得到最终预测风速表，包括：
将所述欠考虑风机相互影响的预测信息和所述考虑风机相互影响的预测信息相加经过全连接FC4、全连接FC5和修正线性单元Linear输出最终预测风速；
其中，所述最终预测风速包括：每台风机在各采样时刻的最终风速预测值。
优选的，所述基于所述最终预测风速表中各风机在每个时刻的风速计算风电场调频能量，包括：
基于所述最终预测风速表中各风机在每个时刻的风速计算每一台风机在每个时刻的功率；
将所有风机在同一时刻的功率求和得到由所有风机组成的风电场在所述时刻的调频能量。
优选的，所述每一台风机在每个时刻的功率按下式计算：
式中，
为一台风机在某一时刻的功率，
为第i台风机的风能利用系数，
为空气密度，
R
为叶轮半径，
为第i台风机在第j时刻的风速值。
优选的，所述调频能量按下式计算：
式中，
为风电场在某时刻的调频能量，
为一台风机在某一时刻的功率。
再一方面，本申请还提供了一种风电调频能量预测系统，包括：
预测模块，用于基于获取的确定历史时长内的历史风速数据和风机地理位置信息分别构建历史风速时序数据表和历史风速空间数据表，并将所述历史风速时序数据表和历史风速空间数据表分别作为LTC网络链路和卷积神经网络链路的输入，由所述LTC网络链路和所述卷积神经网络链路分别输出欠考虑风机相互影响的预测信息和考虑风机相互影响的预测信息；
综合预测模块，用于将所述欠考虑风机相互影响的预测信息和所述考虑风机相互影响的预测信息相加后依次经过两层全连接和修正线性单元，得到最终预测风速表；
调频能量计算模块，用于基于所述最终预测风速表中各风机在每个时刻的风速计算风电场调频能量。
优选的，所述预测模块包括：第一预测模块和第二预测模块；
所述第一预测模块，用于基于所述确定历史时长的历史风速数据构建历史风速时序数据表，并基于所述历史风速时序数据表输入到所述LTC网络链路中，得到欠考虑风机相互影响的预测信息；
所述第二预测模块，用于基于所述确定历史时长的历史风速数据和风机地理位置信息确定历史风速空间数据表，并将所述历史风速空间数据表输入到所述卷积神经网络链路风电场短期风速预测研究，得到考虑风机相互影响的预测信息。
优选的，所述第一预测模块包括：
风速值确定子模块，用于基于获取的确定历史时长内的历史风速数据按照设定的风速采样率确定各风机在确定历史时长内各采样时刻的风速值；
风速表构建子模块，用于将每个风机在确定历史时长内各采样时刻的风速值按照发生时刻的倒序排成一行，并由所有的风机在确定历史时长内各采样时刻的风速值构成的所有行组成历史风速时序数据表；
数据预测子模块，用于将所述历史风速时序数据表依次输入到LTC网络链路中的LTC1网络、LTC2网络、全连接层FC1和修正线性单元中，得到欠考虑风机相互影响的预测信息。优选的，所述调频能量计算模块，包括：
功率计算子模块，用于基于所述最终预测风速表中各风机在每个时刻的风速计算每一台风机在每个时刻的功率；
能量计算子模块，用于将所有风机在同一时刻的功率求和得到由所有风机组成的风电场在所述时刻的调频能量。
再一方面，本申请还提供了一种计算机设备，包括：一个或多个处理器；
处理器，用于执行一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现如上述所述的一种风电调频能量预测方法。
再一方面，本申请还提供了一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现如上述所述的一种风电调频能量预测方法。
与现有技术相比，本发明的有益效果为：
1、本发明提供了一种风电调频能量预测方法，包括：基于获取的确定历史时长内的历史风速数据和风机地理位置信息分别构建历史风速时序数据表和历史风速空间数据表，并将所述历史风速时序数据表和所述历史风速空间数据表分别作为LTC网络链路和卷积神经网络链路的输入，由所述LTC网络链路和所述卷积神经网络链路分别输出欠考虑风机相互影响的预测信息和考虑风机相互影响的预测信息；基于确定历史时长内的历史风速数据依据风机地理位置信息构建历史风速空间数据表，并将所述历史风速空间数据表作为所述卷积神经网络链路的输入，由所述卷积神经网络链路输出考虑风机相互影响的预测信息；将所述欠考虑风机相互影响的预测信息和所述考虑风机相互影响的预测信息相加后依次经过两层全连接和修正线性单元，得到最终预测风速表；基于所述最终预测风速表中各风机在每个时刻的风速计算风电场调频能量。本发明的技术方案采用了LTC网络链路+卷积神经网络链路二者结合的方式对风机风速进行预测，实现了设备尺寸小、测试计算成本低且精度高的效果，解决了现有技术中网络模型大且运算成本高的问题。
附图说明
图1为本发明的风电调频能量预测方法步骤示意图；
图2为本发明的风电调频能量预测方法详细流程图。
具体实施方式
本发明专利提出基于LTC（Liquid Time-constant Networks）循环卷积网络预测风电调频能量的方法。LTC是MIT受生物神经元启发而设计的一种高效、节能、灵活的新型循环神经网络，不仅能在训练阶段学习，而且还能持续不断地适应变化的数据流来预测未来的行为，更适合受天气、气候、地形以及风机排布影响的风机风速的预测；另外，卷积神经网络的多尺度滤波器可以进一步提取风机排布影响风速分布的风电场多变量空间特征。LTC+卷积网络结合预测每台风机风速，从而得出风电场整体的调频能量。
LTC是MIT受生物神经元启发而设计的一种高效、节能、灵活的新型循环神经网络，不仅能在训练阶段学习，而且还能持续不断地适应变化的数据流来预测未来的行为，更适合受天气、气候、地形以及风机排布影响的风机风速的预测；另外，卷积神经网络的多尺度滤波器可以进一步提取风机排布影响风速分布的风电场多变量空间特征。LTC+卷积网络结合预测每台风机风速，从而得出风电场整体的调频能量。
实施例1：
本发明提供了一种风电调频能量预测方法，如图1所示：包括：
S1：基于获取的确定历史时长内的历史风速数据和风机地理位置信息分别构建历史风速时序数据表和历史风速空间数据表，并将所述历史风速时序数据表和所述历史风速空间数据表分别作为LTC网络链路和卷积神经网络链路的输入，由所述LTC网络链路输出欠考虑风机相互影响的预测信息，由所述卷积神经网络链路输出考虑风机相互影响的预测信息；
S2：将所述欠考虑风机相互影响的预测信息和所述考虑风机相互影响的预测信息相加后依次经过两层全连接和修正线性单元，得到最终预测风速表；
S3：基于所述最终预测风速表中各风机在每个时刻的风速计算风电场调频能量。
下面结合图2对本发明的技术方案做详细介绍：
对S1中的基于获取的确定历史时长内的历史风速数据和风机地理位置信息分别构建历史风速时序数据表和历史风速空间数据表，并将所述历史风速时序数据表和历史风速空间数据表分别作为LTC网络链路和卷积神经网络链路的输入，由所述LTC网络链路和所述卷积神经网络链路分别输出欠考虑风机相互影响的预测信息和考虑风机相互影响的预测信息，具体包括：
S101，确定LTC网络链路的输入
V
in1。
V
in1
是
维，
n
为风机台数，
是每台风机历史风速个数，由确定历史时长
t
0
(s)和风速采样率
T
s
(s)决定。
。
。
v
11
是第一台风机当前时刻前
t
0
的风速值。
v
12
是第一台风机当前时刻前
t
0-
T
s
的风速值，依次类推
v
1
Inws
是第一台风机当前时刻前
的风速值。
S103，
V
in1
经过LTC1网络、LTC2网络、全连接层FC1和修正线性单元Linear组成的LTC网络链路，得到欠考虑风机相互影响的预测信息
V
1
（
），
是每台风机预测的风速个数，由预测风速时长
t
1
(s)和风速采样率
决定。
。
S102风电场短期风速预测研究，确定卷积神经网络链路的输入
V
in2。
V
in2
是
维。首先，确定历史风速空间数据表的大小
，若
m
不为整数，则向上取整，然后，确定历史风速空间数据表的风机排位。依据风机地理位置按照先上北下南，后左西右东模糊排位。例如，有8台风机，按照上北下南依次为WT5、WT1、WT3、WT2、WT6、WT8、WT7、WT4，则先得出
。每一行再分别根据左西右东排列，比如第一行，按照左西右东依次为WT1、WT3和WT5。第二行，按照左西右东依次为WT2、WT8和WT6。第三行，按照左西右东依次为WT7和WT4。则历史风速空间数据表为
，则
。
S104，
V
in2
经过卷积层Conv1、最大池化层MaxPool1、卷积层Conv2、最大池化成MaxPool2、全连接层FC2、全连接层FC3和修正线性单元Linear组成的卷积神经网络链路，得到考虑风机相互影响的预测信息
V
2
（
）。
对S2中的将所述欠考虑风机相互影响的预测信息和所述考虑风机相互影响的预测信息相加后依次经过两层全连接和修正线性单元，得到最终预测风速表，具体内容如下：
步骤五，将
V
1
和
V
2
相加经过全连接FC4、全连接FC5和修正线性单元Linear输出最终预测风速
（
）；
。
S106，预测到的每一时刻的每一台风机短期风速
（
i
=1~
n
，j=1~
outws
）。
对S3中的基于所述最终预测风速表中各风机在每个时刻的风速计算风电场调频能量，具体内容如下：
S107，计算每一时刻的每一台风机可获得功率
，以及风电场调频能量
，式中
为第
i
台风机的风能利用系数，
为空气密度，
R
为叶轮半径。
实施例2
基于同一发明构思的本发明还提供了一种基于LTC循环卷积网络的风电调频能量预测系统，包括：
预测模块，用于基于获取的确定历史时长内的历史风速数据分别构建历史风速时序数据表和历史风速空间数据表，并将所述历史风速时序数据表和历史风速空间数据表分别作为LTC网络链路和卷积神经网络链路的输入，由所述LTC网络链路和卷积神经网络链路分别输出欠考虑风机相互影响的预测信息考虑风机相互影响的预测信息；
综合预测模块，用于将所述欠考虑风机相互影响的预测信息和所述考虑风机相互影响的预测信息相加后依次经过两层全连接和修正线性单元，得到最终预测风速表；
调频能量计算模块，用于基于所述最终预测风速表中各风机在每个时刻的风速计算风电场调频能量。
预测模块包括：第一预测模块和第二预测模块；
所述第一预测模块，用于基于所述确定历史时长的历史风速数据构建历史风速时序数据表，并基于所述历史风速时序数据表输入到所述LTC网络链路中，得到欠考虑风机相互影响的预测信息；
所述第二预测模块，用于基于所述确定历史时长的历史风速数据和获取的风机地理位置确定历史风速空间数据表，并将所述历史风速空间数据表输入到所述卷积神经网络链路，得到考虑风机相互影响的预测信息。
优选的，所述第一预测模块包括：
风速值确定子模块，用于基于获取的确定历史时长内的历史风速数据按照设定的风速采样率确定各风机在确定历史时长内各采样时刻的风速值；
风速表构建子模块，用于将每个风机在确定历史时长内各采样时刻的风速值按照发生时刻的倒序排成一行，并由所有的风机在确定历史时长内各采样时刻的风速值构成的所有行组成历史风速时序数据表；
数据预测子模块，用于将所述历史风速时序数据表依次输入到LTC网络链路中的LTC1网络、LTC2网络、全连接层FC1和修正线性单元中，得到欠考虑风机相互影响的预测信息。
优选的，所述调频能量计算模块，包括：
功率计算子模块，用于基于所述最终预测风速表中各风机在每个时刻的风速计算每一台风机在每个时刻的功率；
能量计算子模块，用于将所有风机在同一时刻的功率求和得到由所有风机组成的风电场在所述时刻的调频能量。
所述每一台风机在每个时刻的功率按下式计算：
式中，
为一台风机在某一时刻的功率，
为第i台风机的风能利用系数，
为空气密度，
R
为叶轮半径，
为第i台风机在第j时刻的风速值。
优选的，所述调频能量按下式计算：
式中，
为风电场在某时刻的调频能量，
为一台风机在某一时刻的功率。
第二预测模块具体包括：
基于风机个数确定历史风速空间数据表的大小；
基于风机地理位置确定历史风速空间数据表的风机排位；
基于所述确定历史时长内的历史风速数据按照设定的风速采样率确定各风机在确定历史时长内各采样时刻的风速值；
将各风机在确定历史时长内各采样时刻的风速值按照所述历史风速空间数据表的风机排位依次放入所述历史风速空间数据表中，得到历史风速空间数据表；
将所述历史风速空间数据表依次输入到卷积神经网络链路的卷积层Conv1、最大池化层MaxPool1、卷积层Conv2、最大池化成MaxPool2、全连接层FC2、全连接层FC3和修正线性单元，得到考虑风机相互影响的预测信息；
其中，所述考虑风机相互影响的预测信息包括考虑风机相互影响的每台风机在各采样时刻的风速预测值。
综合预测模块具体功能包括：
将所述欠考虑风机相互影响的预测信息和所述考虑风机相互影响的预测信息相加经过全连接FC4、全连接FC5和修正线性单元Linear输出最终预测风速；
其中，所述最终预测风速包括：每台风机在各采样时刻的最终风速预测值。
为了描述方便，以上装置的各部分以功能分为各模块或单元分别描述。当然，在实施本申请时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。
基于同一发明构思，本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于执行一种风电调频能量预测方法的步骤。
基于同一发明构思，本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质（Memory），所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序（包括程序代码）。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种风电调频能量预测方法的相应步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在发明待批的本发明的权利要求范围之内。
发表评论