基于空间深度置信网络的风速预测优化方法
2022年电子技术应用第8期
许皓宇1，薛 巍1，张 涛1，谢洪亮2
1.清华大学 计算机科学与技术系，北京100084；2.远景能源(南京)软件技术有限公司，上海200050
摘要： 风能是目前应用最为广泛、技术最为成熟的可再生能源。为了保证风电场的稳定和安全运行，风速的准确预测至关重要。除传统的数值天气预报以外，机器学习技术已经广泛应用于不同时间尺度的风速预测。然而这些工作大多局限于单一地点的风速序列分析，没有考虑和利用风速的空间相关性。对此，使用深度置信网络(Deep Belief Network，DBN)对同一区域内多个地点的风速序列进行空间相关性特征识别。在训练过程中，深度置信网络充分挖掘了该区域内历史风速的联合分布，借此改善未来的风速预测。多组风速预测实验表明，空间深度置信网络能够有效降低风速的预测误差，经过空间深度置信网络重构后的风速预测误差平均降低了0.4 m/s。
中圖分類號： TP181
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.212141
中文引用格式： 許皓宇，薛巍，張濤，等. 基于空間深度置信網(wǎng)絡的風速預測優(yōu)化方法[J].電子技術(shù)應用，2022，48(8)：111-116，122.
英文引用格式： Xu Haoyu，Xue Wei，Zhang Tao，et al. The improvement of wind speed prediction using spatial deep belief network[J]. Application of Electronic Technique，2022，48(8)：111-116，122.
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.212141
中文引用格式： 許皓宇，薛巍，張濤，等. 基于空間深度置信網(wǎng)絡的風速預測優(yōu)化方法[J].電子技術(shù)應用，2022，48(8)：111-116，122.
英文引用格式： Xu Haoyu，Xue Wei，Zhang Tao，et al. The improvement of wind speed prediction using spatial deep belief network[J]. Application of Electronic Technique，2022，48(8)：111-116，122.
The improvement of wind speed prediction using spatial deep belief network
Xu Haoyu1，Xue Wei1，Zhang Tao1，Xie Hongliang2
1.Department of Computer Science and Technology，Tsinghua University，Beijing 100084，China； 2.Envision Energy Software Technology Limited，Shanghai 200050，China
Abstract： Wind energy is the most widely used renewable energy. Accurate wind speed prediction is critical for the safety and stability of wind power system. Besides traditional numerical weather prediction, the machine learning technique has been used in wind speed prediction of different time scales. However, most previous studies focused on the wind speed sequence of single station and ignored the spatial dependency and correlation of wind. To improve the prediction with spatial information, this paper tries to extract the wind spatial correlation features in one region area and reconstruct the wind speed using deep belief network(DBN). The experiment results of different regions prove that the spatial deep belief network can reduce the prediction error significantly and increase the accuracy of wind speed prediction by 0.4 m/s on average.
Key words : deep belief network；wind speed prediction；Gaussian process regression
0 引言
隨著環(huán)境污染以及能源緊缺問題的加劇，風能作為一種可再生的清潔能源在世界各國得到了迅速的發(fā)展。目前，風力發(fā)電在我國的電源結(jié)構(gòu)占比已超過了核能，僅次于火力和水力發(fā)電。而在歐美各國，風力發(fā)電的總電量占比已經(jīng)超過10%。風速變化非常劇烈，具有很強的波動性和隨機性，導致風力發(fā)電無法保證穩(wěn)定的輸電功率，為保證供電網(wǎng)絡的穩(wěn)定，大量的風電能源被浪費。同時，由于風力資源的不穩(wěn)定，一旦風電功率達到穿透功率，將嚴重威脅電網(wǎng)的安全運行。風速和風功率的準確預測對于風能的進一步的開發(fā)和利用至關(guān)重要。
目前，針對風速的長短期預測已經(jīng)進行了大量的研究。傳統(tǒng)的數(shù)值天氣預報以大氣動力學方程為基礎(chǔ)，從當前天氣狀態(tài)逐步向前迭代積分來預報未來的風速。數(shù)值天氣預報模式包含了大規(guī)模偏微分方程求解，需要消耗大量的計算資源。隨著人工智能和機器學習技術(shù)的快速發(fā)展，將基于數(shù)據(jù)的機器學習技術(shù)應用于風速預測得到了逐步深入的研究。
本文詳細內(nèi)容請下載：http://ihrv.cn/resource/share/2000004662。
作者信息：
許皓宇1，薛 巍1，張 濤1，謝洪亮2
(1.清華大學 計算機科學與技術(shù)系，北京100084；2.遠景能源(南京)軟件技術(shù)有限公司，上海200050)
此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。