《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 测试测量 > 设计应用 > 基于空间深度置信网络的风速预测优化方法
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(hào)： TP181
文獻(xiàn)標(biāo)識(shí)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(luò)的風(fēng)速預(yù)測(cè)優(yōu)化方法[J].電子技術(shù)應(yīng)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(wèn)題的加劇，風(fēng)能作為一種可再生的清潔能源在世界各國(guó)得到了迅速的發(fā)展。目前，風(fēng)力發(fā)電在我國(guó)的電源結(jié)構(gòu)占比已超過(guò)了核能，僅次于火力和水力發(fā)電。而在歐美各國(guó)，風(fēng)力發(fā)電的總電量占比已經(jīng)超過(guò)10%。風(fēng)速變化非常劇烈，具有很強(qiáng)的波動(dòng)性和隨機(jī)性，導(dǎo)致風(fēng)力發(fā)電無(wú)法保證穩(wěn)定的輸電功率，為保證供電網(wǎng)絡(luò)的穩(wěn)定，大量的風(fēng)電能源被浪費(fèi)。同時(shí)，由于風(fēng)力資源的不穩(wěn)定，一旦風(fēng)電功率達(dá)到穿透功率，將嚴(yán)重威脅電網(wǎng)的安全運(yùn)行。風(fēng)速和風(fēng)功率的準(zhǔn)確預(yù)測(cè)對(duì)于風(fēng)能的進(jìn)一步的開(kāi)發(fā)和利用至關(guān)重要。

    目前，針對(duì)風(fēng)速的長(zhǎng)短期預(yù)測(cè)已經(jīng)進(jìn)行了大量的研究。傳統(tǒng)的數(shù)值天氣預(yù)報(bào)以大氣動(dòng)力學(xué)方程為基礎(chǔ)，從當(dāng)前天氣狀態(tài)逐步向前迭代積分來(lái)預(yù)報(bào)未來(lái)的風(fēng)速。數(shù)值天氣預(yù)報(bào)模式包含了大規(guī)模偏微分方程求解，需要消耗大量的計(jì)算資源。隨著人工智能和機(jī)器學(xué)習(xí)技術(shù)的快速發(fā)展，將基于數(shù)據(jù)的機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于風(fēng)速預(yù)測(cè)得到了逐步深入的研究。




本文詳細(xì)內(nèi)容請(qǐng)下載：http://m.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(xué) 計(jì)算機(jī)科學(xué)與技術(shù)系，北京100084；2.遠(yuǎn)景能源(南京)軟件技術(shù)有限公司，上海200050)




wd.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。

相關(guān)內(nèi)容