本發明涉及風電場的技術領域，特別是涉及基于多點NWP的深度學習功率預測方法。

背景技術：

風電固有的波動性影響電力系統的安全、穩定和經濟運行，是大規模風電并網的主要挑戰。風電功率預測是解決該問題的必要手段之一，提高風電功率預測精度對新能源電力系統優化運行具有重要意義。

功率預測模型是典型的回歸預測模型，其本質是預測風況(即數值天氣預報，NWP)與風電輸出功率間的非線性回歸函數，該函數可以通過端到端的學習來獲得。但在學習過程中，回歸函數類型、輸入方式、輸出方式、數據預處理方式、參數選擇等問題等都將直接影響回歸效果。

NWP數據是風電功率預測中重要的輸入數據，通常基于初始場經過數值計算得到。

指定區域內多點NWP數據可以描述為在一種或多種初始場條件下，計算得到指定區域不同位置處、不同高度出的NWP數據集合。

在建模路線方面現有技術存在以下問題：

(1)現有的功率預測模型通常僅以一組NWP作為模型輸入，建立其與風電場(或風電機組)輸出功率一一對應的映射模型，這種一一對應的建模思路忽略了流場各位置間的聯系(即風況時空相關性)、忽略了機組出力間的聯系，極大地限制了預測精度的提升；

(2)建模時往往只考慮單臺機組或者單個風電場，未能將區域內所有的風電場風電機組考慮進來，極大的限制了模型的應用范圍；

(3)以往模型的學習能力難以滿足對大規模數據的學習，往往未能充分挖掘數據的價值。

因此希望有一種基于多點NWP的深度學習功率預測方法可以克服或至少 減輕現有技術的上述缺陷。

技術實現要素：

本發明的目的在于提供一種基于多點NWP的深度學習功率預測方法來克服現有技術中存在的上述問題。

為實現上述目的，本發明提供一種基于多點NWP的深度學習功率預測方法，所述預測方法包括以下步驟：

(1)采集指定區域內功率預測所需數據；

(2)將所述步驟(1)采集的數據進行預處理，得到訓練深度神經網絡所需數據集；

(3)以所述步驟(2)預處理后的多點NWP數據為輸入，以所述步驟(2)預處理后指定區域內多臺風電機組功率作為輸出，搭建多對多映射的深度神經網絡結構，所述深度神經網絡結構表示復雜流場的時空耦合關系和機組出力間相互影響關系，并結合流場各位置間的聯系和機組間出力的聯系；

(4)根據所述步驟(2)得到的數據集逐層訓練深度神經網絡的每一層，得到每層的網絡參數；

(5)將所述步驟(4)中得到的每層網絡參數初始化步驟(3)搭建好的深度神經網絡，并進行微調，得到最終的深度學習功率預測模型；

(6)將多點NWP數據輸入所述步驟(5)中得到的深度學習功率預測模型，預測得到指定區域內任意風電機組、風電場、風電場群短期功率預測結果。

優選地，所述步驟(1)中所需數據包括：指定區域內所有風電機組實測功率數據、指定區域內所有風電機組實測風速數據、指定區域內所有風電機組槳距角數據和指定區域內多點NWP數據。

優選地，所述步驟(2)中的數據預處理包括以下步驟：

(21)通過插補算法插補所述步驟(1)中所采集的指定區域內實測數據的缺失值，刪除無法插補的數據；

(22)設置篩選規則，篩選經過所述步驟(21)插補后可用于模型訓練的數據；

(23)設置數據修正規則，修正經過步驟(22)篩選后不利于模型訓練的 訓練數據；

(24)在訓練模型前將步驟(23)修正后的數據進行規范化。

優選地，所述步驟(21)中實測數據包括指定區域內所有機組實測風速數據和指定區域內所有機組實測功率數據，所述插補算法包括：回歸插補、插值插補和最近鄰插補。

優選地，所述步驟(22)中所述設置篩選規則用于保證所述訓練數據能夠反映真實發電情景，防止模型在訓練時受到機組停機和風電場限電情況的影響，使深度學習模型學習真實的映射關系；所述步驟(22)中篩選出的所述數據滿足風電機組處于正常的發電狀態，并且所述步驟(22)中篩選出的所述數據為指定區域內實測功率數據以及實測功率數據所對應的指定區域內的同期多點NWP數據。

優選地，所述步驟(23)中設置的所述修正規則用于修正所述步驟(22)中篩選出的真實發電情景下發電狀態數據，通過所述機組實測風速數據和機組槳距角數據判斷所述步驟(22)中篩選出的數據是否為正常發電狀態，若是不正常發電狀態則通過所述步驟(23)中設置的所述修正規則將所述機組實測功率值修正，所述修正規則包括功率回歸算法修正、功率中位數值修正和功率插值修正。

優選地，所述步驟(24)中的數據規范化方式包括數據歸一化、數據白化和標準差標準化。

優先的，所述步驟(3)中的所述深度神經網絡的輸入層由多點NWP的維數決定，輸出層由指定區域內風電機組數量決定，中間的隱層數及隱層節點數通過參數調試得到。

優選地，所述步驟(4)將所述步驟(2)中經過篩選后的指定區域內的多點NWP數據用于深度神經網絡的逐層訓練，得到深度網絡的每層的初始化參數。

優選地，所述步驟(5)包括以下步驟：

(51)使用所述步驟(4)中得到的所述每層的初始化參數初始化步驟(3)搭建好的深度神經網絡；

(52)以經過篩選后的指定區域內的多點NWP作為輸入，以經過篩選和修正后的指定區域內風電機組實測功率為輸出，微調所述步驟(51)中初始化的 所述深度神經網絡，得到基于多點NWP的深度學習功率預測模型。

優選地，所述步驟(6)包括以下步驟：

(61)將指定區域內多點NWP數據輸入所述步驟(52)中得到的基于多點NWP的深度學習功率預測模型，可得到指定區域內所有風電機組短期預測功率結果。

(62)將指定區域內單一風電場內所有風電機組功率疊加獲得該風電場的短期功率預測結果，將指定區域內所有風電場短期功率預測結果疊加得到整個區域或集群的短期功率預測結果。

本發明的基于多點NWP的深度學習功率預測方法以指定區域內多點NWP作為輸入增加了模型輸入信息，并通過深度學習具備的復雜函數學習和逐層特征提取能力深度挖掘了多點NWP數據中所能提供的有用信息，指定區域內任意風電機組、風電場、風電場群功率作為輸出實現了大規模的風電功率預測，建立起的功率預測模型既考慮到了機組間出力的相關關系同時能夠考慮到復雜地形的影響，完成訓練后的模型能夠快速計算指定區域內未來的風電功率，大幅提升了預測效率，有利于電網實時調度和企業計劃制定。

附圖說明

圖1是基于多點NWP的深度學習功率預測模型流程圖。

圖2是風電場實測風速數據缺失位置示意圖。

圖3是篩選前訓練數據的風速-功率散點圖。

圖4是篩選后訓練數據的風速-功率散點圖。

圖5是經過更正訓練數據的風速-功率散點圖。

圖6是降噪自動編碼機模型示意圖。

圖7是深度神經網絡初始化和微調示意圖

圖8是華北某區域內基于多點NWP的深度學習功率預測模型。

圖9是華北某區域內基于多點NWP的深度學習功率預測模型的預測結果圖。

具體實施方式

為使本發明實施的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行更加詳細的描述。在附圖中，自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。所描述的實施例是本發明一部分實施例，而不是全部的實施例。下面通過參考附圖描述的實施例是示例性的，旨在用于解釋本發明，而不能理解為對本發明的限制。基于本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。下面結合附圖對本發明的實施例進行詳細說明。

在本發明一寬泛實施例中：一種基于多點NWP的深度學習功率預測方法包括以下步驟：

(1)采集指定區域內功率預測所需數據；

(2)將所述步驟(1)采集的數據進行預處理，得到訓練深度神經網絡所需數據集；

(3)以所述步驟(2)處理后的多點NWP數據為輸入，以所述步驟(2)處理后指定區域內多臺風電機組功率作為輸出，搭建多對多映射的深度神經網絡結構，該結構使復雜流場的時空耦合關系和機組出力間相互影響關系得以充分描述，在預測時考慮到了流場各位置間的聯系和機組間出力的聯系。

(4)根據所述步驟(2)得到的數據集逐層訓練深度神經網絡的每一層，得到每層的網絡參數；

(5)將所述步驟(4)中得到的每層網絡參數初始化步驟(3)搭建好的深度神經網絡，并進行微調，得到最終的深度學習功率預測模型；

(6)將多點NWP數據輸入所述步驟(5)中得到的深度學習功率預測模型，預測得到指定區域內任意風電機組、風電場、風電場群短期功率預測結果。

如圖1所示為基于多點NWP的深度學習功率預測模型流程圖；該方法采用了指定區域內的多點NWP作為輸入，以指定區域內任意風電機組、風電場、風電場群短期預測功率作為輸出，通過多點NWP輸入增加模型輸入信息，使用深度學習技術提升模型學習能力，通過輸出指定區域內每一臺風電機組功率實現風電機組、風電場、風電場群的短期功率預測，通過多對多的映射關系體現出流場各位置間的聯系(即風況時空相關性)和機組出力間的聯系，經過訓練后 得到的模型計算高效、便捷、精度高。

一種基于多點NWP的深度學習功率預測方法，包括以下步驟：

步驟1)：采集指定區域內功率預測所需數據；

所需數據包括：指定區域內所有風電機組輸出功率數據、指定區域內所有風電機組實測風速數據、指定區域內所有風電機組槳距角數據、指定區域內多點NWP數據。

步驟2)：將步驟1)采集的數據進行預處理，得到訓練深度神經網絡所需數據集；

步驟2)的具體步驟為：

21)通過插補算法插補步驟1)中所采集的指定區域內實測數據的缺失值，無法插補的數據則將其刪除；其中實測數據包括指定區域內所有機組實測風速數據、指定區域內所有機組實測功率數據；數據插補方法可有多種選擇，包括回歸插補、插值插補、最近鄰插補等。當某個時刻所有風電機組數據均缺失，這個時刻數據則屬于無法插補的情況。

22)設置篩選規則，篩選經過步驟21)插補后可用于模型訓練的數據；

23)設置數據修正規則，修正經過步驟22)篩選后部分不利于模型訓練的訓練數據；設置的修正規則主要為了修正步驟22)中篩選出的數據中不處于正常發電狀態的某幾臺風電機組數據；通過機組實測風速數據、機組槳距角數據判斷數據是否處于正常發電狀態，若不處于正常發電狀態則通過修正方法將機組實測功率值修正；修正方法包括功率回歸算法修正、功率中位數值修正、功率插值修正等。

24)在訓練模型前將步驟23)修正后的數據進行規范化；數據規范化方式主要包括數據歸一化、數據白化、標準差標準化等。

步驟(3)包括以下步驟：

(31)搭建的多對多映射的深度神經網絡結構是以指定區域內多點NWP為輸入多臺風電機組功率為輸出的網絡結構，該結構使復雜流場的時空耦合關系和機組出力間相互影響關系得以充分描述，考慮到了流場各位置間的聯系(即風況時空相關性)、和機組間出力的聯系。

(32)深度神經網絡的輸入層由多點NWP的維數決定，輸出層由指定區域 內風電機組數量決定。中間的隱層數及隱層節點數通過參數調試得到。

步驟4)將步驟2)中經過篩選后的指定區域內的多點NWP數據用于深度神經網絡的逐層訓練，得到深度神經網絡的每層的初始化網絡參數。

步驟4)：將步驟3)中所得到的每層網絡參數初始化步驟(3)搭建好的深度神經網絡，并進行微調，得到最終的深度學習功率預測模型；

步驟5)的具體實施步驟為：

51)使用步驟3)中得到的每層的初始化網絡參數初始深度神經網絡；

52)以經過篩選后的指定區域內的多點NWP作為輸入，以經過篩選和修正后的指定區域內風電機組實測功率為輸出，微調步驟51)中初始化的深度神經網絡；最終得到基于多點NWP的深度學習功率預測模型。

步驟6)：將指定區域內未來的多點NWP數據輸入步驟5)中得到的深度學習功率預測模型，預測得到指定區域內任意風電機組、風電場、風電場群短期預測功率。

所述步驟6)具體實施步驟為：

61)將指定區域內未來的多點NWP數據輸入步驟52)中得到的基于多點NWP的深度學習功率預測模型，可得到指定區域內所有風電機組短期預測功率結果。

62)將指定區域內單一風電場內所有風電機組功率疊加可得到該風電場的短期功率預測結果，將指定區域內所有風電場短期功率預測結果疊加可得到整個區域或集群的短期功率預測結果。

如圖2，以華北某風電場區域為指定區域，采集該風電場一年的24臺風電機組實測風速數據、實測功率數據、實測槳距角數據以及同期的28個點的NWP數據，28個點隨機分布在風電場各個位置。

選定插補算法插補缺失的實測風速數據。圖中圓圈標記位置為風電場實測風速數據缺失位置示意圖，圖中數據分為兩種情況，虛線框內為可以插補的情況，本算例中采用最近鄰插補算法插補缺失數據；實線框內數據為無法插補數據，將該部分數據刪除。

通過設立識別條件和篩選規則，從插補后的數據中篩選出能用來訓練神經網絡的數據。由于記錄錯誤、機組停機檢修導致數據缺測等問題，運行數據中 有部分為缺失的NAN數據。首先對有誤數據和缺測時段進行剔除。其次為了識別運行數據中限功率運行和記錄有誤的時間點，本實施例設定了五類識別條件，如下

條件一：槳距角小于8度，或者功率大于1800kW；

條件二：風速大于5m/s，且功率小于25kW；

條件三：風速大于6m/s，且功率小于100kW；

條件四：風速大于10m/s，且功率小于500kW；

條件五：功率小于0kW。

基于上述識別條件進行數據篩選，篩選規則為：某時刻若風電場全部機組中(本算例中風電場總機組臺數為24)功率數據不滿足條件一，但滿足條件二、三、四、五其中之一的機組臺數超過四臺都剔除，不將其應用于深度學習模型訓練。圖3、圖4分別為篩選前以及篩選后數據的風速-功率散點圖。

進一步修正經過篩選后的實測功率數據。修正規則：實測風速經插補后無缺失，通過實測風速區間內功率的中位數來更正不合理實測功率數據。數據更正后如圖5所示。

NWP風速數據歸一化：

其中，x為NWP風速數據；x_min為NWP風速最小值；x_max為NWP風速的最大值。

實測功率數據歸一化：

其中，p為實測功率數據；p_max為實測功率最大值。

經過數據預處理，篩選并修正得到了部分可用于深度學習的多點NWP數據與實測功率數據，接下來要用這些數據訓練深度神經網絡。

搭建一個84個輸入神經元、24個輸出神經元的3層神經網絡，網絡的激活函數選擇sigmoid函數。

逐層訓練過程：將訓練使用的28組NWP數據x輸入如圖6的一個降噪自 動編碼機模型，訓練得到隱層與輸入層間的映射函數f_θ及映射函數的網絡參數θ＝{W,b}，舍棄映射函數g_θ'及其網絡參數θ'，并求得隱層輸出y，將重構數據y視為NWP經過非線性轉化后的一種等價表現形式。由此完成第一層深度神經網絡的訓練。

接下來將y輸入下一個降噪自動編碼機模型，訓練得到第二個個降噪自動編碼機模型中的映射函數f_θ⁽²⁾和參數θ⁽²⁾＝{W,b}，舍棄映射函數g_θ'⁽²⁾及其網絡參數θ'⁽²⁾，并求出經過f_θ⁽²⁾非線性轉化后的y⁽¹⁾，同樣將其視為NWP的另外一種等價表現形式。這樣完成了第二層深度神經網絡的訓練。依照上述的方式完成多個層的逐層訓練過程。

微調過程：將多個降噪自動編碼機層所得到的網絡參數用來初始化一個深度網絡，如圖7，再以經過預處理的NWP數據為輸入，經過預處理的24臺風電機組實測功率為輸出，使用BP算法迭代深度神經網絡的網絡參數，最終得到多輸入多輸出的深度學習功率預測模型。

如圖8，本算例中訓練得到的深度學習模型為3隱層網絡；輸入維數為84，輸出維數為24。3個隱層的神經元節點數均為40，激活函數為sigmoid函數。

將某個時段48小時的28個點NWP數據輸入訓練好的基于多點NWP深度學習功率預測模型，得到的功率預測結果如圖9所示。

最后需要指出的是：以上實施例僅用以說明本發明的技術方案，而非對其限制。盡管參照前述實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發明各實施例技術方案的精神和范圍。