一种面向电网调度的风能预报深度学习算法.pdfVIP

ACADEMICRESEARCH 学术研究 一 种面向电网调度的风能预报深度学习算法 ◆吴尚阳 摘要：有效进行风能预测对于电网调度和风 电管理发展具有十分重要的作用。 然而，由于影响风能的因素众多，各个风场 自然变化多样，同时存在着广泛的不确定 性，因此普通方法对于预测风能较为困难。本文提 出了一种基于深度学习的风能预报 算法，通过引入深度学习的限制玻尔兹曼机构造了一种风能预报机制，实验表明本方 法较传统的神经网、支持向量机以及决策树算法具有更高的预测精度。 关键词：风电；风能预报；多维度；深度 学习 测层变量之间，隐层变量之间的连接权重矩阵。而限制玻尔 引言 兹曼机是对以上公式的简化，将U和v置为0其结构如图l所 风力发电是 目前国际上具有广阔应用前景的绿色清洁能 示 ： 源之一，利用风力发电可以减少污染物和二氧化碳的排放 ， 根据公式 (1)该结构的联合概率分布为： 可以有效缓解空气}亏染、水污染和全球气候变暖问题 1。但 p(v，hJ。) e 川 (2) 是 由于风力发电的原动力不可控性，且一般风电项 目往往处 于电网潮流末端，风电功率的注入改变了局部电网的潮流分 其 中z(e)是归一化因子它可以表示为： 布，对电网调度提出了较高的要求，因此对风能进行预测具 z0()：∑e 。。(3) 有十分重要的作用口】。 然而 ，由于影响风能的因素众多，各个风场 自然变化 对应第i个隐层的激活概率可以表示为 ： 多样，同时存在着广泛的不确定性 ，因此普通方法对于预测 p(h=1le)=(1+1／EXPb(+∑viw))～(4) 风能较为困难]]『。Hinton等在Science上提 出了一种深度学习 第i个显层的激活概率为： 模型，它提出并逐层的进行学习可以显著提高复杂对象的识 别效率 J。在此基础上，很多研究发现该模式在图像 目标识 p(h=1J0)：(1+1／EXP(aJ+∑hiw』))～f5) 别、声音以及文本分析方面具有较大优势，Google、微软以 通过 (4)和 (5)可以获得限制玻尔兹曼机的输 出，限 及百度等科技企业也研发了相关产品并取得较好的效果 】。 制玻尔兹曼机的 目标是最大程度的拟合输入数据 ，使得 目标 本文提出了一种基于深度学习的风能预报算法 (Wind 函数最大化 ： PowerForecastingAlgorithm BaseOilDeep Learning， WPFABDL)，通过引入深度学习的限制玻尔兹曼机构造了 argmax∑logP(v(㈤j0)(6) 一 种风能预报机制，实验表明本方法较传统的神经网、支持 通过求解该 目标函数进而获得训练权重矩阵w，成为限 向量机以及决策树算法具有更高的预测精度 。 制玻尔兹曼机的训练结果。 1．2基于深度学习的风能预报算法。在单个限制玻尔兹 一 、 方法描述 曼机训练获得权重的基础上 ，基于深度学习的风能预报算法 1．1限制玻尔兹曼机。玻尔兹曼机一种能量模型，是深 的结构如下： 度学习的构成深度学习算法的基础单元，其中模型的每一种 情况均有一个标量形式的能量与之对应。玻尔兹曼机的能量 囝 圉