一種基于深度置信網(wǎng)絡(luò)分類方法的風功率爬坡預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于風功率爬坡預(yù)測領(lǐng)域，涉及一種基于深度置信網(wǎng)絡(luò)分類方法的風功率 爬坡預(yù)測方法。
【背景技術(shù)】
[0002] 發(fā)明一種適用于風功率爬坡預(yù)測的可為導(dǎo)致風功率爬坡的爬坡氣象分類方法是 對現(xiàn)有風電有效、安全并網(wǎng)研宄所需要的重要組成部分。風力發(fā)電作為一種新興的、大規(guī)模 應(yīng)用的綠色能源，其自身固有的波動特性給發(fā)電和負荷平衡帶了挑戰(zhàn)。為了使風力發(fā)電和 其他常規(guī)能源發(fā)電一樣具有便利的可調(diào)度性，準確可靠的風電功率預(yù)測系統(tǒng)是提高電力系 統(tǒng)對風電的接納能力的必備選擇。
[0003] 風功率爬坡是指在較短時間內(nèi)，風功率上升或下降幅度較大，對區(qū)域電能質(zhì)量產(chǎn) 生影響且影響到電力調(diào)度計劃的風功率波動過程。隨著風力發(fā)電的快速發(fā)展，風電并網(wǎng)裝 機容量的不斷上升，受到自然氣候不規(guī)律作用的風電功率波動對電力系統(tǒng)所產(chǎn)生的影響亟 需有效的分析研宄。其中，風功率爬坡預(yù)測是極為緊迫的環(huán)節(jié)。
[0004] 風功率爬坡預(yù)測的核心問題是爬坡事件的預(yù)測，而爬坡事件的預(yù)測離不開對大風 (以及無風）氣象的預(yù)報，這就取決于數(shù)值天氣預(yù)報的預(yù)報準確度及分析方法的運用。
[0005] 目前國內(nèi)外在風功率爬坡預(yù)測的研宄中，并未有效地將各類引起爬坡的大風天氣 進行內(nèi)在的動力學(xué)和熱力學(xué)分析，使得爬坡天氣未被有效地提取跟蹤出來，這就造成了部 分可以造成風功率大幅度波動的氣象信息的缺失。因此需要提出針對風功率爬坡信息所對 應(yīng)的不同時空尺度下的各類爬坡氣象分類方法，以期待得出更為精準的風功率爬坡預(yù)報分 析結(jié)果所需的爬坡氣象分類信息補充方案，而其中所面臨的問題是在預(yù)報過程中的核心問 題。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明主要是解決現(xiàn)有技術(shù)所存在的技術(shù)問題；提供了一種將數(shù)值天氣預(yù)報的結(jié) 果進行爬坡氣象分類研宄，依據(jù)數(shù)值天氣預(yù)報的數(shù)據(jù)輸入為不同的爬坡氣象提供了更準確 的分類模型及數(shù)據(jù)修正的一種基于深度置信網(wǎng)絡(luò)分類方法的風功率爬坡預(yù)測方法。
[0007] 本發(fā)明的上述技術(shù)問題主要是通過下述技術(shù)方案得以解決的：
[0008] 一種基于深度置信網(wǎng)絡(luò)分類方法的風功率爬坡預(yù)測方法，其特征在于，包括以下 步驟：
[0009] 步驟1，建立指定區(qū)域內(nèi)基于數(shù)值天氣預(yù)報數(shù)據(jù)的爬坡氣象特征分析的參數(shù)指標 庫，收集表征大風爬坡天氣的特征指標量，所述表征爬坡氣象的特征指標量由參數(shù)類型決 定，所述參數(shù)類型包括：穩(wěn)定度指標、熱力指標、動力學(xué)指標以及熱力/動力綜合指標；模型 的建立針對指定區(qū)域的采樣，采樣后建立參數(shù)指標庫；所述穩(wěn)定度指標、熱力指標、動力學(xué) 指標以及熱力/動力綜合指標中，各個指標包括的對流參數(shù)如下：
[0010] 所述穩(wěn)定度指標包括最佳對流有效位能參數(shù)；所述熱力指標包括沙氏指數(shù)和K指 數(shù)；所述動力學(xué)指標包括密度加權(quán)平均垂直風切變和渦生參數(shù)；所述熱力/動力綜合指標 包括風暴強度指數(shù)和理查德遜數(shù)；通過各種氣象特征指標，建立大風天氣判別分析模型，模 型的采樣時間為每15分鐘一次，且按數(shù)值天氣預(yù)報每六個小時跟蹤修正一次，判別函數(shù)值 按照判別準則進行分類，并結(jié)合歷史統(tǒng)計值進行統(tǒng)計檢驗；
[0011] 步驟2,根據(jù)步驟1所建立的爬坡氣象特征分析的參數(shù)指標庫，運用數(shù)值分類方 法在指定區(qū)域范圍內(nèi)建立用特征指標量判別分析導(dǎo)致風功率爬坡的爬坡氣象分類模型，所 述判別方法是基于深度信任網(wǎng)絡(luò)進行分類分析模型建立；深度置信網(wǎng)絡(luò)即運用數(shù)值分類方 法，在指定區(qū)域范圍內(nèi)建立用特征指標量判別分析導(dǎo)致風功率爬坡的爬坡氣象分類模型；
[0012] 步驟3,根據(jù)步驟2所運用到的數(shù)值分類方法在對爬坡氣象分類模型建立后根據(jù) 歷史數(shù)據(jù)訓(xùn)練模型的參數(shù)，模型參數(shù)訓(xùn)練方法結(jié)合的是玻爾茲曼機，并計算出爬坡氣象分 類結(jié)果，具體方法是：
[0013] 深度信任網(wǎng)絡(luò)的相鄰兩層構(gòu)成玻爾茲曼機，網(wǎng)絡(luò)權(quán)值的調(diào)整方式采用從底向上的 方向，如圖4所示；權(quán)值調(diào)整的過程，即是優(yōu)化如下能量函數(shù)：
[0014] E(X，h) =_b'x_c'h_h'Wx_x'Ux_h'Uh
[0015] 其中，h為潛變量；為確入向量；W,U,V為權(quán)值矩陣；為了優(yōu)化該能量函數(shù)，采用梯 度下降的方法：
【主權(quán)項】
1. 一種基于深度置信網(wǎng)絡(luò)分類方法的風功率爬坡預(yù)測方法，其特征在于，包括w下步 驟： 步驟1，建立指定區(qū)域內(nèi)基于數(shù)值天氣預(yù)報數(shù)據(jù)的爬坡氣象特征分析的參數(shù)指標庫，收 集表征大風爬坡天氣的特征指標量，所述表征爬坡氣象的特征指標量由參數(shù)類型決定，所 述參數(shù)類型包括；穩(wěn)定度指標、熱力指標、動力學(xué)指標W及熱力/動力綜合指標；模型的建 立針對指定區(qū)域的采樣，采樣后建立參數(shù)指標庫；所述穩(wěn)定度指標、熱力指標、動力學(xué)指標 W及熱力/動力綜合指標中，各個指標包括的對流參數(shù)如下： 所述穩(wěn)定度指標包括最佳對流有效位能參數(shù)；所述熱力指標包括沙氏指數(shù)和K指數(shù)； 所述動力學(xué)指標包括密度加權(quán)平均垂直風切變和禍生參數(shù)；所述熱力/動力綜合指標包括 風暴強度指數(shù)和理查德遜數(shù)；通過各種氣象特征指標，建立大風天氣判別分析模型，模型的 采樣時間為每15分鐘一次，且按數(shù)值天氣預(yù)報每六個小時跟蹤修正一次，判別函數(shù)值按照 判別準則進行分類，并結(jié)合歷史統(tǒng)計值進行統(tǒng)計檢驗； 步驟2,根據(jù)步驟1所建立的爬坡氣象特征分析的參數(shù)指標庫，運用數(shù)值分類方法在指 定區(qū)域范圍內(nèi)建立用特征指標量判別分析導(dǎo)致風功率爬坡的爬坡氣象分類模型，所述判別 方法是基于深度信任網(wǎng)絡(luò)進行分類分析模型建立；深度置信網(wǎng)絡(luò)即運用數(shù)值分類方法，在 指定區(qū)域范圍內(nèi)建立用特征指標量判別分析導(dǎo)致風功率爬坡的爬坡氣象分類模型； 步驟3,根據(jù)步驟2所運用到的數(shù)值分類方法在對爬坡氣象分類模型建立后根據(jù)歷史 數(shù)據(jù)訓(xùn)練模型的參數(shù)，模型參數(shù)訓(xùn)練方法結(jié)合的是玻爾茲曼機，并計算出爬坡氣象分類結(jié) 果，具體方法是： 深度信任網(wǎng)絡(luò)的相鄰兩層構(gòu)成玻爾茲曼機，網(wǎng)絡(luò)權(quán)值的調(diào)整方式采用從底向上的方 向，如圖4所示；權(quán)值調(diào)整的過程，即是優(yōu)化如下能量函數(shù)： E(X,h) =-b'X-C'h-h'Wx-x'Ux-h'Uh 其中，h為潛變量；為確入向量；W，U，V為權(quán)值矩陣；為了優(yōu)化該能量函數(shù)，采用梯度下 降的方法：
其中，八vf，巧為神經(jīng)元狀態(tài)值；嫁為權(quán)值； 在使用梯度下降法取得能量極小值之后，可W得到對稱的權(quán)值矩陣W。;最后根據(jù)輸入 向量X，由玻爾茲曼機的輸出可W得到潛變量h，既是需要的低維數(shù)據(jù)； 步驟4,根據(jù)步驟3所運用到參數(shù)訓(xùn)練結(jié)果及爬坡氣象分類結(jié)果，進一步結(jié)合氣象類型 歷史數(shù)據(jù)所對應(yīng)的氣象模板，補充缺失的爬坡氣象數(shù)據(jù)，所設(shè)及的方法是參數(shù)模板法。
2. 根據(jù)權(quán)利要求1所述的一種基于深度置信網(wǎng)絡(luò)分類方法的風功率爬坡預(yù)測方法，其 特征在于，所述步驟2中，深度置信網(wǎng)絡(luò)基于W下定義： 深度信任網(wǎng)絡(luò)是一個多層網(wǎng)絡(luò)，包含多個可見層和隱層；該網(wǎng)絡(luò)的每一層都是由若干 個神經(jīng)元組成，該些神經(jīng)元中，兩個相鄰層級的神經(jīng)元之間有連接關(guān)系，同一層內(nèi)的神經(jīng)元 沒有連接關(guān)系；深度信任網(wǎng)絡(luò)采用結(jié)構(gòu)，如圖4所示； 深度信任網(wǎng)絡(luò)的每個神經(jīng)元采用logistic函數(shù)決定輸入與輸出之間的關(guān)系：
其中，Si為神經(jīng)元的開斷狀態(tài)；《u為神經(jīng)元之間的連接權(quán)值；bi為偏置量。
3. 根據(jù)權(quán)利要求1所述的一種基于深度置信網(wǎng)絡(luò)分類方法的風功率爬坡預(yù)測方法，其 特征在于，所述步驟4中，結(jié)合氣象類型歷史數(shù)據(jù)所對應(yīng)的氣象模板，補充缺失的爬坡氣象 數(shù)據(jù)；參數(shù)模板法是將強對流天氣的特征量及特征曲線組成參數(shù)模板，將判別出的爬坡氣 象與參數(shù)模板庫相對應(yīng)，確定爬坡氣象的類型并按照對應(yīng)的特征曲線修正原始氣象數(shù)據(jù)。
4. 根據(jù)權(quán)利要求3所述的一種基于深度置信網(wǎng)絡(luò)分類方法的風功率爬坡預(yù)測方法，其 特征在于，所述步驟4中，參數(shù)模板法的判別過程包括： 步驟4. 1、特征量提取分析；特征分量的取值類型有取值范圍和取值點兩類，引入特征 向量；X= {Xi,X2,…，X。}，Y= {y。72,…，y。}，分別代表輸入和輸出對強對流爬坡天氣識別 時，n的取值為6 ;輸出的特征量分別是該6個參數(shù)的貼近度； 步驟4. 2、類型識別；根據(jù)特征分量的取值類型有取值范圍和取值點兩類選擇執(zhí)行W下步驟： 選擇步驟1，當選用柯西型隸屬度函數(shù)時，可建立數(shù)學(xué)模型： 1，dim化《Xdimax
式中；分別為爬坡氣象第i個特征參數(shù)最小和最大取值；0i為第i個特征參 數(shù)的展度； 選擇步驟2,若輸入?yún)?shù)的取值無模糊性，數(shù)學(xué)模型為：
式中沖為爬坡氣象第i特征參數(shù)所有可能的取值； 若輸入?yún)?shù)有模糊性，設(shè)爬坡氣象的第i個特征參數(shù)可能有N個取值；當選用柯西型隸 屬度函數(shù)時有：
式中：早'為爬坡氣象在第i個特征參數(shù)上第m個取值（m= 1，2,…，腳為爬坡氣 象在第i個特征參數(shù)第m個取值上的貼近度； 由于輸入數(shù)據(jù)是W不同的貼近度貼近于某些爬坡氣象類型的若干特征參數(shù)值，可借 助"軟分類"的思想，令小于某一闊值的貼近度為零；將yr該一貼進度進行模式判別，令 馬={v/，3"!，s.t.|x,-式'|<3巧}，爬坡氣象在第i特征參數(shù)上的貼近度取所有ym的最大值，即；
步驟4. 3、結(jié)果輸出：綜合上述2種情況，與某類爬坡氣象的相似性可采用向量范數(shù)法， 即若存在RGB，使得； 及二argmax{乂-} /居及 按照最貼近原則可判決待識別爬坡氣象屬于第R類。
【專利摘要】本發(fā)明涉及一種基于深度置信網(wǎng)絡(luò)分類方法的風功率爬坡預(yù)測模型。首先根據(jù)指定地理范圍內(nèi)的歷史風功率爬坡事件在時間尺度和空間尺度上進行統(tǒng)計篩選，根據(jù)篩選結(jié)果提取出可以明顯表征大風天氣的特征量和特征指數(shù)組成參數(shù)指標庫。進而采用深度信任網(wǎng)絡(luò)進行分類分析，以建立用特征指標量判別分析導(dǎo)致風功率爬坡的爬坡氣象分類模型。通過模型參數(shù)訓(xùn)練方法結(jié)合玻爾茲曼機(RBM)，并計算出爬坡氣象分類結(jié)果，最后在氣象類型歷史數(shù)據(jù)所對應(yīng)的氣象模板分類基礎(chǔ)上，用參數(shù)模板法補充缺失的爬坡氣象數(shù)據(jù)。本發(fā)明將數(shù)值天氣預(yù)報的結(jié)果進行爬坡氣象分類研究，依據(jù)數(shù)值天氣預(yù)報的數(shù)據(jù)輸入為不同的爬坡氣象提供了更準確的分類模型及數(shù)據(jù)修正。
【IPC分類】G06Q10-04, G06Q50-06
【公開號】CN104794546
【申請?zhí)枴緾N201510216928
【發(fā)明人】熊一, 查曉明, 秦亮, 歐陽庭輝, 夏添
【申請人】武漢大學(xué)
【公開日】2015年7月22日
【申請日】2015年4月29日