[发明专利]基于CNN+LSTM的风电功率预测模型

说明书

本发明公开了一种基于CNN+LSTM的风电功率预测模型，可分为两部分：数据预处理阶段与模型训练使用阶段；在数据预处理阶段，利用风场的天气预报数据(NWP)与历史观测数据，提取了风速、风向、大气压力、温度、空气湿度等特征，对数据归一化处理；在模型训练使用阶段，将处理后的数据放入CNN+LSTM模型中进行预测，其中CNN网络包括了Conv1D层、Pooling层与Dropout层；LSTM网络包括了基本的LSMT层与最后的全连接层。本发明使用了深度学习的方法，结合了CNN与LSTM网络对风电功率进行预测。

技术领域

本发明涉及风电功率预测技术领域，具体涉及一种基于CNN+LSTM的风电功率预测模型。

背景技术

随着新能源时代的到来，低碳化的能源发展模式正在加速转型，绿色多元的能源供应体系正在加快建立，风电作为清洁、低碳、安全、高效的新能源之一，在全世界范围内取得了显著的推广与应用。以风能和太阳能为代表的新能源具有随机性、间歇性和波动性。准确的风电预测对于确定合理的调度计划和确保电网安全经济运行具有重要意义。按照预测的时间，风电的功率预测可分为：长期预测(预测下一年的风电功率)、中期预测(预测未来几周或者几个月的风电功率)、短期预测(预测未来2天或3天的)、超短期预测(预测未来若干分钟的风电功率)。

风力发电预测的研究方法主要有物理方法、统计方法和人工智能方法。依靠风电场和其附近的自然环境信息以及风机的技术参数,描述将风能转化为动能的物理过程,再由风电机组的功率曲线转换得到风机输出功率的方法称之为物理方法。一般来说,在长期预测中物理方法更能发挥其优良特性,而短期预测在实际应用中更适合采用统计方法。统计方法着重于利用历史数据之间的关系来建立预测模型,常用的统计方法有持续性方法、自回归积分滑动平均法和卡尔曼滤波法等。人工智能方法是指结合了人工神经网络、模糊模型和支持向量机等智能算法的现代风电预测方法。较传统统计方法而言,通过人工智能算法可优化模型参数,从而构建预测更精确的模型,近年来在短期风电预测中有着长足应用。深度学习方法在处理大量样本和非线性数据时具有明显的优势,能够描述输入数据和输出数据之间高度复杂的关系。近几年,国内的相关科研机构和公司也共同合作,加快了对风电功率预测的研究。目前,华北、西北等部分地区的风电场已有研发成功的基于人工神经网络(Artificial Neural Network,ANN)和基于支持向量机等方法的风电功率预测系统投入运行。由国电南瑞公司牵头研发成功的风电场功率预测系统NSF3100结合了物理方法和统计方法,已应用于多个风电场。

发明内容

为解决上述技术问题，本发明提供了一种基于CNN+LSTM的风电功率预测模型，可分为两部分：数据预处理阶段与模型训练使用阶段；

在数据预处理阶段，利用风场的天气预报数据(NWP)与历史观测数据，提取了风速、风向、大气压力、温度、空气湿度等特征，对数据归一化处理；

在模型训练使用阶段，将处理后的数据放入CNN+LSTM模型中进行预测，其中CNN网络包括了Conv1D层、Pooling层与Dropout层；LSTM网络包括了基本的LSMT层与最后的全连接层，其主要作用是利用序列数据关系将提取的特征与历史数据结合进行对风电功率预测。