基于空間深度置信網絡的風速預測優化方法
2022年電子技術應用第8期
許皓宇1，薛 巍1，張 濤1，謝洪亮2
1.清華大學 計算機科學與技術系，北京100084；2.遠景能源(南京)軟件技術有限公司，上海200050
摘要： 風能是目前應用最為廣泛、技術最為成熟的可再生能源。為了保證風電場的穩定和安全運行，風速的準確預測至關重要。除傳統的數值天氣預報以外，機器學習技術已經廣泛應用于不同時間尺度的風速預測。然而這些工作大多局限于單一地點的風速序列分析，沒有考慮和利用風速的空間相關性。對此，使用深度置信網絡(Deep Belief Network，DBN)對同一區域內多個地點的風速序列進行空間相關性特征識別。在訓練過程中，深度置信網絡充分挖掘了該區域內歷史風速的聯合分布，借此改善未來的風速預測。多組風速預測實驗表明，空間深度置信網絡能夠有效降低風速的預測誤差，經過空間深度置信網絡重構后的風速預測誤差平均降低了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絡的風速預測優化方法[J].電子技術應用，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絡的風速預測優化方法[J].電子技術應用，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展。目前，風力發電在我國的電源結構占比已超過了核能，僅次于火力和水力發電。而在歐美各國，風力發電的總電量占比已經超過10%。風速變化非常劇烈，具有很強的波動性和隨機性，導致風力發電無法保證穩定的輸電功率，為保證供電網絡的穩定，大量的風電能源被浪費。同時，由于風力資源的不穩定，一旦風電功率達到穿透功率，將嚴重威脅電網的安全運行。風速和風功率的準確預測對于風能的進一步的開發和利用至關重要。
目前，針對風速的長短期預測已經進行了大量的研究。傳統的數值天氣預報以大氣動力學方程為基礎，從當前天氣狀態逐步向前迭代積分來預報未來的風速。數值天氣預報模式包含了大規模偏微分方程求解，需要消耗大量的計算資源。隨著人工智能和機器學習技術的快速發展，將基于數據的機器學習技術應用于風速預測得到了逐步深入的研究。
本文詳細內容請下載：http://www.cowatch.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 計算機科學與技術系，北京100084；2.遠景能源(南京)軟件技術有限公司，上海200050)
此內容為AET網站原創，未經授權禁止轉載。