摘 要：對(duì)風(fēng)電功率進(jìn)行有效預(yù)測(cè)能夠減少風(fēng)電接入對(duì)電網(wǎng)的不良影響，利于電網(wǎng)調(diào)度。以上海某風(fēng)場(chǎng)為對(duì)象，基于深度學(xué)習(xí)網(wǎng)絡(luò)建立了功率智能預(yù)測(cè)的模型，并對(duì)該模型的實(shí)用性進(jìn)行探討，以探究預(yù)測(cè)精度更高的功率預(yù)測(cè)方法。首先對(duì)數(shù)值天氣預(yù)報(bào)（Numerical Weather Prediction，NWP）數(shù)據(jù)和風(fēng)電場(chǎng)數(shù)據(jù)進(jìn)行分析處理，然后基于深度學(xué)習(xí)網(wǎng)絡(luò)建立數(shù)值天氣預(yù)報(bào)數(shù)據(jù)的校正模型，并仿真該模型，將計(jì)算得到校正后的數(shù)值天氣預(yù)報(bào)數(shù)據(jù)作為功率輸出模型的輸入?yún)?shù)，最后基于深度學(xué)習(xí)網(wǎng)絡(luò)建立考慮風(fēng)速、風(fēng)向、溫度、氣壓和歷史功率的風(fēng)機(jī)功率輸出模型，并仿真該模型，預(yù)測(cè)24 h內(nèi)各風(fēng)機(jī)的有功輸出情況。預(yù)測(cè)過(guò)程和結(jié)果顯示，基于深度學(xué)習(xí)網(wǎng)絡(luò)的智能功率預(yù)測(cè)模型能夠提高短期功率預(yù)測(cè)的精度，且基于深度學(xué)習(xí)網(wǎng)絡(luò)的數(shù)值天氣預(yù)報(bào)校正能有效修正模型的輸入誤差。

關(guān)鍵詞：風(fēng)電場(chǎng)；數(shù)值天氣預(yù)報(bào)；功率預(yù)測(cè)；深度學(xué)習(xí)網(wǎng)

中圖分類(lèi)號(hào)：TM614 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.15913/j.cnki.kjycx.2015.19.004

隨著風(fēng)電在我國(guó)的快速發(fā)展，大型風(fēng)電場(chǎng)（幾十萬(wàn)千瓦級(jí)甚至百萬(wàn)千瓦級(jí)）的并網(wǎng)運(yùn)行對(duì)電力系統(tǒng)的影響也越來(lái)越大。我國(guó)風(fēng)能資源豐富的地區(qū)一般人口稀少、負(fù)荷量小、電網(wǎng)結(jié)構(gòu)相對(duì)薄弱。由于風(fēng)能具有的隨機(jī)性、間歇性和不可控性以及在實(shí)際運(yùn)行中多數(shù)風(fēng)電具有的反調(diào)峰特性，因此，人們難以預(yù)測(cè)風(fēng)電場(chǎng)發(fā)電出力的變化趨勢(shì)，造成電網(wǎng)運(yùn)行調(diào)度的困難和復(fù)雜化，對(duì)電網(wǎng)的安全、穩(wěn)定運(yùn)行造成了很大的影響，甚至?xí)?dǎo)致電力系統(tǒng)崩潰，最后造成大規(guī)模停電事故，對(duì)電能質(zhì)量也有相當(dāng)大的影響，而且這種不穩(wěn)定性也不利于電網(wǎng)的調(diào)度。為了減少大規(guī)模風(fēng)電并網(wǎng)給電網(wǎng)運(yùn)行造成的影響，風(fēng)電場(chǎng)需要及時(shí)、合理預(yù)測(cè)風(fēng)電功率，然后發(fā)送給電網(wǎng)調(diào)度部門(mén)。目前，風(fēng)電功率預(yù)測(cè)己經(jīng)成為阻礙風(fēng)電產(chǎn)業(yè)發(fā)展的瓶頸，同時(shí)也成為了它的技術(shù)必需品。

目前在我國(guó)，風(fēng)電的利用率較低，棄風(fēng)現(xiàn)象普遍。要提高對(duì)風(fēng)電的開(kāi)發(fā)、利用程度，就需要進(jìn)一步提高風(fēng)電功率預(yù)測(cè)的準(zhǔn)確性。本文以上海某風(fēng)電場(chǎng)為研究對(duì)象，首先對(duì)來(lái)自該風(fēng)電場(chǎng)的原始數(shù)據(jù)和對(duì)應(yīng)的數(shù)值天氣預(yù)報(bào)數(shù)據(jù)按照一定準(zhǔn)則進(jìn)行預(yù)處理，研究其之間的關(guān)系和蘊(yùn)藏的統(tǒng)計(jì)規(guī)律，然后基于深度學(xué)習(xí)網(wǎng)絡(luò)建立NWP數(shù)據(jù)校正模型和短期功率預(yù)測(cè)模型，最后基于實(shí)際仿真驗(yàn)證該方法的實(shí)用性。

1 深度學(xué)習(xí)網(wǎng)絡(luò)

1.1 簡(jiǎn)介

深度學(xué)習(xí)網(wǎng)絡(luò)是指一大類(lèi)的機(jī)器學(xué)習(xí)和各種層次結(jié)構(gòu)結(jié)合的網(wǎng)絡(luò)，其特性是使用多層非線性信息處理方法（這與一般神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)類(lèi)似，包含了更多的隱層）。根據(jù)這些結(jié)構(gòu)和技術(shù)的應(yīng)用領(lǐng)域，比如綜合/生成或識(shí)別/分類(lèi)，這些結(jié)構(gòu)大致可以分為三類(lèi)：①非監(jiān)督學(xué)習(xí)或生成學(xué)習(xí)深度網(wǎng)絡(luò)。當(dāng)目標(biāo)的類(lèi)標(biāo)簽信息不可獲取的時(shí)候，這類(lèi)深度網(wǎng)絡(luò)趨向于為了模式分析和綜合的目的，提取了可視數(shù)據(jù)中的高度自相關(guān)性。在學(xué)術(shù)上，非監(jiān)督特征或者表示學(xué)習(xí)指的就是這類(lèi)深度網(wǎng)絡(luò)。②監(jiān)督學(xué)習(xí)深度網(wǎng)絡(luò)。這類(lèi)模型用于直接提供模式分類(lèi)中的識(shí)別能力，經(jīng)常以描述可視數(shù)據(jù)的后驗(yàn)分布形式給出。類(lèi)標(biāo)簽可以直接或間接得到（監(jiān)督學(xué)習(xí)）。③混合深度網(wǎng)絡(luò)。目標(biāo)是輔加生成學(xué)習(xí)或者深度非監(jiān)督學(xué)習(xí)效果的數(shù)據(jù)分類(lèi)問(wèn)題。一般可以使用最優(yōu)化和第2類(lèi)深度網(wǎng)絡(luò)模型來(lái)解決。這種網(wǎng)絡(luò)使用監(jiān)督學(xué)習(xí)的標(biāo)準(zhǔn)去估計(jì)任何深度生成模型或者非監(jiān)督深度網(wǎng)絡(luò)中的參數(shù)。

1.2 深度信念網(wǎng)絡(luò)

2006年，Hinton 提出了深度信念網(wǎng)絡(luò)（Deep Belief Nets，DBN）模型及學(xué)習(xí)算法，即基于層疊的受限玻爾茲曼機(jī)（Restricted Boltzmann Machines，RBM）深度信念網(wǎng)絡(luò)的學(xué)習(xí)算法。它是深度學(xué)習(xí)網(wǎng)絡(luò)的一種，同時(shí)是一種生成模型，通過(guò)訓(xùn)練其神經(jīng)元間的權(quán)重，我們可以讓整個(gè)神經(jīng)網(wǎng)絡(luò)按照最大概率來(lái)生成訓(xùn)練數(shù)據(jù)。DBN不僅可以用來(lái)識(shí)別特征、分類(lèi)數(shù)據(jù)，還可以用它來(lái)生成數(shù)據(jù)。一個(gè)深度信念網(wǎng)絡(luò)模型可以看成是由若干個(gè)RBM堆疊在一起，而訓(xùn)練學(xué)習(xí)的過(guò)程就是由低層到高層，無(wú)監(jiān)督地逐步訓(xùn)練這些RBM，其中，每一個(gè)RBM都可以通過(guò)對(duì)比散度（Contrastive Divergence，CD）算法來(lái)進(jìn)行快速訓(xùn)練。所以，整個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練過(guò)程就轉(zhuǎn)化為對(duì)多個(gè) RBM 訓(xùn)練學(xué)習(xí)的問(wèn)題，而直接繞過(guò)了從整體上進(jìn)行訓(xùn)練的高度復(fù)雜性。這種通過(guò) RBM 算法而訓(xùn)練生成的網(wǎng)絡(luò)，其頂層是無(wú)方向連接的，下邊所有低層的方向全是向下的。在進(jìn)行分層RBM 算法之后，通過(guò)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法再微調(diào)網(wǎng)絡(luò)的參數(shù)，從而使整個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)收斂到一個(gè)局部最優(yōu)點(diǎn)上。

DBN 由多層神經(jīng)元構(gòu)成，這些神經(jīng)元又分為顯性神經(jīng)元和隱性神經(jīng)元（以下簡(jiǎn)稱(chēng)為“顯元”和“隱元”）。顯元用于接受輸入；隱元用于提取特征，因此隱元也有個(gè)別名，叫特征檢測(cè)器（feature detectors）。最頂上的兩層間的連接是無(wú)向的，組成聯(lián)合內(nèi)存，較低的其他層之間有連接上下的有向連接。最底層代表了數(shù)據(jù)向量，每一個(gè)神經(jīng)元代表數(shù)據(jù)向量的一維。DBN 的組成元件是RBM，其結(jié)構(gòu)如圖1所示。

1.3 深度信念網(wǎng)絡(luò)的訓(xùn)練方法

RMB具有的所有可見(jiàn)節(jié)點(diǎn)對(duì)于其他可見(jiàn)節(jié)點(diǎn)是獨(dú)立的，隱藏節(jié)點(diǎn)對(duì)于其他隱藏節(jié)點(diǎn)也是獨(dú)立的。將RBM堆疊起來(lái)就組成了深度信念網(wǎng)絡(luò)，而深度學(xué)習(xí)網(wǎng)絡(luò)可以從高維復(fù)雜抽象的輸入中抽取更加抽象的特征。圖2所示為一個(gè)三層的深度信念網(wǎng)絡(luò)。

DBN 是由多層 RBM 組成的一個(gè)神經(jīng)網(wǎng)絡(luò)，它既可以被看作一個(gè)生成模型，也可以被當(dāng)作判別模型，其訓(xùn)練過(guò)程是：使用非監(jiān)督貪婪逐層方法去預(yù)訓(xùn)練獲得權(quán)值。具有兩個(gè)隱含層的DBN的訓(xùn)練過(guò)程為：①充分訓(xùn)練第一個(gè)RBM；②固定第一個(gè)RBM的權(quán)重和偏移量，然后使用其隱性神經(jīng)元的狀態(tài)，作為第二個(gè)RBM的輸入向量；③充分訓(xùn)練第二個(gè)RBM后，將第二個(gè)RBM堆疊在第一個(gè)RBM的上方。

生成模型使用Contrastive Wake-Sleep算法進(jìn)行調(diào)優(yōu)，其算法過(guò)程是：①第一層的RBM 的權(quán)重被分成向上的認(rèn)知權(quán)重和向下的生成權(quán)重；②Wake階段，即認(rèn)知過(guò)程。通過(guò)外界的特征和向上的權(quán)重（認(rèn)知權(quán)重）產(chǎn)生每一層的抽象表示（結(jié)點(diǎn)狀態(tài)），并使用梯度下降修改層間的下行權(quán)重（生成權(quán)重）。③Sleep階段，即生成過(guò)程。通過(guò)頂層表示和向下權(quán)重，生成底層的狀態(tài)，同時(shí)修改層間向上的權(quán)重。

2 模型建立及數(shù)據(jù)處理

2.1 數(shù)據(jù)預(yù)處理

本文用于建模的數(shù)據(jù)來(lái)源主要有兩個(gè)：①上海某風(fēng)電場(chǎng)2013-04-01—28每隔15 min記錄的風(fēng)速、風(fēng)向、和實(shí)測(cè)功率值。②數(shù)值天氣預(yù)報(bào)給出的2013-04-10—28每隔1 h的30 m處風(fēng)速、風(fēng)向，100 m處風(fēng)速、風(fēng)向、氣溫、濕度和氣壓。天氣預(yù)報(bào)數(shù)據(jù)為每隔8 h循環(huán)預(yù)測(cè)未來(lái)3 d的天氣。

首先對(duì)所選數(shù)據(jù)的合理性進(jìn)行校驗(yàn)，校驗(yàn)的標(biāo)準(zhǔn)為國(guó)家標(biāo)準(zhǔn)《風(fēng)電場(chǎng)風(fēng)能資源評(píng)估方法》（GB/T 18710—2002）。 該標(biāo)準(zhǔn)規(guī)定了評(píng)估風(fēng)能資源應(yīng)收集的氣象數(shù)據(jù)、測(cè)風(fēng)數(shù)據(jù)的處理方法、主要參數(shù)的計(jì)算方法、風(fēng)功率密度的分級(jí)、評(píng)估風(fēng)能資源的參考判據(jù)、風(fēng)能資源評(píng)估報(bào)告的內(nèi)容和格式等。其中，風(fēng)速的合理范圍為0～40 m/s，風(fēng)向的合理范圍為0～360°，1 h風(fēng)速變化的合理范圍為0～6 m/s。數(shù)據(jù)的具體處理方法如下：①缺失及異常的數(shù)據(jù)用相鄰時(shí)刻的數(shù)據(jù)插補(bǔ)；②功率小于0的以0代替，功率大于風(fēng)機(jī)最大功率的以最大功率替代；③對(duì)于不合理數(shù)據(jù)值，沿用前一時(shí)刻數(shù)據(jù)。

最后轉(zhuǎn)換數(shù)值天氣預(yù)報(bào)數(shù)據(jù)。由于數(shù)值天氣預(yù)報(bào)數(shù)據(jù)的時(shí)間間隔為1 h，而風(fēng)場(chǎng)SCADA數(shù)據(jù)的采樣時(shí)間為15 min，因此要對(duì)數(shù)值天氣預(yù)報(bào)數(shù)據(jù)進(jìn)行時(shí)間轉(zhuǎn)換。將每隔1 h的數(shù)據(jù)點(diǎn)拆分為4個(gè)數(shù)據(jù)點(diǎn)，最后將數(shù)值天氣預(yù)報(bào)數(shù)據(jù)轉(zhuǎn)換為時(shí)間間隔為15 min的數(shù)據(jù)，與SCADA數(shù)據(jù)保持一致。

2.2 數(shù)據(jù)相關(guān)性研究

考察NWP預(yù)報(bào)給出30 m處的風(fēng)速數(shù)據(jù)與風(fēng)機(jī)輪轂處風(fēng)速的相關(guān)性，如圖3～圖6所示。

比較圖3和圖4可以看出，NWP給出的30 m處的風(fēng)速數(shù)據(jù)點(diǎn)比實(shí)際風(fēng)速數(shù)據(jù)點(diǎn)集中，且整體比實(shí)際風(fēng)速數(shù)據(jù)點(diǎn)靠左，表明預(yù)報(bào)數(shù)據(jù)整體比實(shí)際風(fēng)速要小。從圖5中可以看出，NWP給出的30 m處風(fēng)速預(yù)報(bào)數(shù)據(jù)點(diǎn)與實(shí)際風(fēng)速的數(shù)據(jù)點(diǎn)幾乎每一時(shí)刻都存在誤差，但其變化模式及其走勢(shì)基本保持一致。圖6給出的NWP預(yù)報(bào)數(shù)據(jù)與實(shí)際風(fēng)速的線性相關(guān)系數(shù)為0.545 3，表明NWP給出的數(shù)據(jù)與實(shí)際數(shù)據(jù)的整體相關(guān)性，驗(yàn)證了NWP給出的預(yù)報(bào)數(shù)據(jù)的有效性和準(zhǔn)確性。

由于風(fēng)機(jī)功率與風(fēng)速的三次方成正比，風(fēng)速的誤差對(duì)風(fēng)機(jī)功率預(yù)測(cè)的準(zhǔn)確性影響較大，NWP預(yù)測(cè)數(shù)據(jù)的變化模式與實(shí)際風(fēng)速保持一致，因而NWP數(shù)據(jù)具有可校正性。本文將利用深度信念網(wǎng)絡(luò)的特征提取能力和非線性擬合能力對(duì)NWP給出的30 m風(fēng)速數(shù)據(jù)和100 m風(fēng)速數(shù)據(jù)進(jìn)行校正。通過(guò)校正降低因NWP數(shù)據(jù)不準(zhǔn)確產(chǎn)生的誤差，從理論上整體提高功率預(yù)測(cè)模型的預(yù)測(cè)精度。

2.3 建立NWP數(shù)據(jù)校正模型與功率預(yù)測(cè)模型

基于上述的數(shù)據(jù)處理與分析，可以判定NWP預(yù)報(bào)產(chǎn)生的誤差具有某種規(guī)律性，例如大多數(shù)比實(shí)際值偏低、整體變化趨勢(shì)大體一致等。利用這些規(guī)律可以對(duì)NWP的預(yù)報(bào)數(shù)據(jù)進(jìn)行校正。由于校正無(wú)法利用具體函數(shù)來(lái)表示，因此考慮利用深度學(xué)習(xí)網(wǎng)絡(luò)的自動(dòng)學(xué)習(xí)功能及其深層次的特征提取能力，輸入歷史NWP預(yù)報(bào)的風(fēng)速（30 m和100 m處）、風(fēng)向及其相關(guān)數(shù)據(jù)，將相應(yīng)時(shí)間點(diǎn)風(fēng)電場(chǎng)實(shí)測(cè)數(shù)據(jù)作為輸出訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)，從而得到校正模型。得到的模型可以對(duì)NWP給出的預(yù)報(bào)數(shù)據(jù)進(jìn)行校正，然后用校正得到的風(fēng)速替代NWP的預(yù)測(cè)數(shù)據(jù)作為功率預(yù)測(cè)模型的輸入項(xiàng)，其網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖7所示。

基于深度信念網(wǎng)絡(luò)，輸入NWP數(shù)據(jù)校正后的風(fēng)速數(shù)據(jù)、歷史時(shí)刻的風(fēng)速數(shù)據(jù)和歷史功率數(shù)據(jù)，預(yù)測(cè)功率為輸出建立風(fēng)電功率多步預(yù)測(cè)模型。模型結(jié)構(gòu)示意圖如圖8所示。

上述基于DBN的NWP數(shù)據(jù)校正模型和功率預(yù)測(cè)模型訓(xùn)練過(guò)程主要分為兩個(gè)步驟：①分別單獨(dú)、無(wú)監(jiān)督地訓(xùn)練每一層RBM網(wǎng)絡(luò)。②在DBN的最后一層設(shè)置BP網(wǎng)絡(luò)，將接收RBM的輸出特征向量作為它的輸入特征向量，有監(jiān)督地進(jìn)行訓(xùn)練學(xué)習(xí)。而且每一層 RBM網(wǎng)絡(luò)只能確保自身層內(nèi)的權(quán)值對(duì)該層特征向量映射達(dá)到最優(yōu)，并不是對(duì)整個(gè)DBN的特征向量映射達(dá)到最優(yōu)，所以反向傳播網(wǎng)絡(luò)還將錯(cuò)誤信息自頂向下傳播至每一層RBM，微調(diào)整個(gè)DBN網(wǎng)絡(luò)。RBM網(wǎng)絡(luò)訓(xùn)練模型的過(guò)程可以被看作對(duì)一個(gè)深層BP網(wǎng)絡(luò)權(quán)值參數(shù)的初始化，使DBN克服了BP 網(wǎng)絡(luò)因隨機(jī)初始化權(quán)值參數(shù)而容易陷入局部最優(yōu)和訓(xùn)練時(shí)間長(zhǎng)的缺點(diǎn)。

為了提高訓(xùn)練效率，上述訓(xùn)練模型中RBM采用的是高斯-伯努利限制玻爾茲曼機(jī)。它的特點(diǎn)是用具有高斯分布的實(shí)可見(jiàn)節(jié)點(diǎn)替換了模型中的二進(jìn)制可見(jiàn)節(jié)點(diǎn)，能量函數(shù)E（V，H|θ）為：

E（V，H|θ）= .（1）

式（1）中：δ為高斯可見(jiàn)節(jié)點(diǎn)的標(biāo)準(zhǔn)方差向量，θ≡（W，b，c，δ）。

GBRBM的可見(jiàn)節(jié)點(diǎn)的條件概率服從高斯分布，為：

. （2）

其中，N（μ，δ2）表示均值為μ，標(biāo)準(zhǔn)方差為δ的高斯分布。

GBRBM隱藏節(jié)點(diǎn)的條件概率為：

p（Hi=1∣V）=sigmoid（WjV+ci）. （3）

2.4 實(shí)驗(yàn)結(jié)果分析

本文使用的數(shù)據(jù)為上海某風(fēng)電場(chǎng)2013-04-10—28的歷史監(jiān)測(cè)數(shù)據(jù)和相應(yīng)的數(shù)值天氣預(yù)報(bào)數(shù)據(jù)。模型采用上述給出的基于DBN的NWP數(shù)據(jù)校正模型和功率預(yù)測(cè)模型。

圖9是NWP數(shù)據(jù)校正模型的輸出結(jié)果比較。藍(lán)色為風(fēng)場(chǎng)監(jiān)測(cè)的風(fēng)速數(shù)據(jù)，綠色為NWP預(yù)測(cè)30 m處的風(fēng)速數(shù)據(jù)，黃色為NWP預(yù)測(cè)100 m處的風(fēng)速數(shù)據(jù)，紅色為校正后的NWP數(shù)據(jù)。

圖10是功率預(yù)測(cè)模型給出的提前6 h的功率預(yù)測(cè)結(jié)果，藍(lán)色為功率實(shí)際值，紅色為模型預(yù)測(cè)值。從圖10中可以看出，基于深度學(xué)習(xí)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)能很好地跟隨功率變化，且整體誤差較小。

3 結(jié)論與展望

本文基于NWP和深度學(xué)習(xí)網(wǎng)絡(luò)分別建立了NWP數(shù)據(jù)校正

模型和風(fēng)電功率短期預(yù)測(cè)模型。深度學(xué)習(xí)網(wǎng)絡(luò)近年來(lái)廣受關(guān)注，谷歌和百度更是先后成立了深度學(xué)習(xí)研究院。本文將深度學(xué)習(xí)網(wǎng)絡(luò)引入風(fēng)電功率預(yù)測(cè)領(lǐng)域，為深度學(xué)習(xí)網(wǎng)絡(luò)在回歸預(yù)測(cè)方面作了驗(yàn)證。驗(yàn)證結(jié)果表明，基于NWP和深度學(xué)習(xí)網(wǎng)絡(luò)的功率預(yù)測(cè)模型能較好地跟隨風(fēng)能變化趨勢(shì)，在一定程度上能提高預(yù)測(cè)精度。本文提供的風(fēng)電功率預(yù)測(cè)方法可以為風(fēng)電場(chǎng)功率預(yù)測(cè)提供參考。

參考文獻(xiàn)

[1]遲永寧.大型風(fēng)電場(chǎng)接入電網(wǎng)的穩(wěn)定性問(wèn)題研究[D].北京：中國(guó)電力科學(xué)研究院，2006.

[2]A.M.Foley，P.G.Leahy，E.J.McKeogh.Wind Power Forecasting & Prediction Methods[C]//9th International Conference on Environment and Electrical Engineering，2010.

[3]王勃，馮雙磊，劉純.基于天氣分型的風(fēng)電功率預(yù)測(cè)方法[J].電網(wǎng)技術(shù)，2014（1）

[4]劉瑞葉，黃磊.基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)輸出功率預(yù)測(cè)[J].電力系統(tǒng)自動(dòng)化，2012（11）.

[5]吳昌友.神經(jīng)網(wǎng)絡(luò)的研究及應(yīng)用[D].哈爾濱：東北農(nóng)業(yè)大學(xué)，2007.

[6]陳聰聰，王偉慶.基于小波神經(jīng)網(wǎng)絡(luò)法的短期風(fēng)電功率預(yù)測(cè)方法研究[J].工業(yè)控制計(jì)算機(jī)，2010（10）.

[7]魯向擁，陳悅，張瞳.Deep Learning算法分析和模型改進(jìn)[J].計(jì)算機(jī)光盤(pán)軟件與應(yīng)用，2014（06）.

〔編輯：王霞〕

Research on the Short-term Forecasting of Wind Power based on Deep Learning Network

Pan Zhigang， Liu Sanming， Li Ying， Zhu Xiaowei， Yang Yang

Abstract： Effective prediction of wind power can reduce the adverse effect of wind power on the power grid， which is conducive to the power grid scheduling. In this paper， a wind farm in Shanghai as the object， based on the deep learning network to establish a power intelligent forecasting model， and the model of the practicality of the study， to explore the higher prediction accuracy of power forecasting method. Numerical weather prediction data and wind farm data are analyzed and processed. Then the model is established based on the deep learning network to establish the numerical weather forecast data. The input parameters of the model are calculated by the model. Finally， the wind turbine power output model is established based on the deep learning network. The forecasting process and results show that the intelligent power forecasting model based on deep learning network can improve the accuracy of short-term power forecasting and the error of the model can be corrected effectively based on the deep learning network.

Key words： wind farm； numerical weather prediction； power prediction； deep learning network