CN111784041A - 一种基于图卷积神经网络的风电功率预测方法及系统 - Google Patents

一种基于图卷积神经网络的风电功率预测方法及系统 Download PDF

Info

Publication number
CN111784041A
CN111784041A CN202010598496.2A CN202010598496A CN111784041A CN 111784041 A CN111784041 A CN 111784041A CN 202010598496 A CN202010598496 A CN 202010598496A CN 111784041 A CN111784041 A CN 111784041A
Authority
CN
China
Prior art keywords
wind power
neural network
graph
convolution neural
sample set
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010598496.2A
Other languages
English (en)
Other versions
CN111784041B (zh
Inventor
蒲天骄
李烨
王新迎
孙英云
董骁翀
董雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Tianjin Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010598496.2A priority Critical patent/CN111784041B/zh
Publication of CN111784041A publication Critical patent/CN111784041A/zh
Application granted granted Critical
Publication of CN111784041B publication Critical patent/CN111784041B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于图卷积神经网络的风电功率预测方法及系统，获取区域内各个风电的地理位置信息，构建距离倒数矩阵；对风电数据进行采样构建样本集，样本集包括训练数据样本集以及预测数据样本集；依据距离倒数矩阵构建图卷积神经网络层；构建时序卷积神经网络层；基于图卷积神经网络层以及时序卷积神经网络层构建风电预测模型；利用训练数据样本集对风电预测模型进行训练，然后对预测数据样本集进行预测。本发明利用基于图卷积神经网络能够有效处理风电站间地理位置信息的非欧氏数据，可以充分挖掘其数据的空间相关性；针对风电站之间的图数据结构进行了合理的设计，使其更符合风电的出力特性；利用该模型进预测风电功率，能够提高预测的精度。

Description

一种基于图卷积神经网络的风电功率预测方法及系统
技术领域
本发明涉及风电预测技术领域，特别是涉及一种基于图卷积神经网络的风功率预测方法及系统。
背景技术
随着环境和化石能源问题的日益突出，风电作为可再生能源在近年得到了广泛发展，但风电出力的随机性与波动性对电网安全稳定运行提出了巨大的挑战。风电功率预测的精确度会影响电网消纳风电的能力，并且风电预测误差过大也会给电网运行调度带来不利影响。
风电的出力特征与大气运动密切相关，而大气运动在空间上是连续传播的。因此风电出力不仅在时间上具有持续性，在空间上也具有关联性，风电的时空特性是固然存在的自然规律，考虑其时空特性能够有效降低风电预测误差。若在区域内存在多个风电，多个风电之间的风功率大小在空间上存在关联性，因此对风电进行联合风电预测具有重要意义。
目前，针对风电时空特性建模的方法主要有物理方法、统计学方法以及人工智能法。物理方法主要依赖于数字天气预报的数据进行计算，其需要借助于复杂的数学模型，对计算需求较高，一般不适用于短期的风电预测。统计学方法现一般采用连接函数(Copula)法、马尔科夫链法(Markov Chain)以及核密度估计(Kernel Density Estimation)三大类方法。统计学模型计算复杂度较低，但对于时空特性建模的精确度与适用性较差。人工智能方法较多采用卷积神经网络(Convolutional Neural Network)结合循环神经网络(Recurrent Neural Network)对风电时空相关性进行建模。但是风电之间的地理信息为非欧氏数据，传统卷积神经网络其不能有效处理非欧氏数据，其在数据处理上存在缺陷。
总体来说对于降低风电的联合预测误差问题，目前缺少一种适用性广泛、可靠的解决方法。
发明内容
针对现有的风电风功率预测方法适用性较差、不够精确且无法有效处理地理信息此类非欧氏数据的问题。本发明的目的是提出了一种更准确、可靠的风电风功率预测方法，一种基于图神经网络的风电风功率预测方法及系统。
为实现上述目的，本发明采用如下的技术方案：
一种基于图卷积神经网络的风电功率预测方法，包括：
对风电数据进行采样构建样本集，使用风电预测模型对样本集进行风电功率预测，其中，风电预测模型包括时序卷积神经网络层和以风电图数据结构图为基础的图卷积神经网络层；风电图数据结构为节点包含外界交互的全连接有向图结构。
本发明进一步的改进在于，获取区域内各个风电站的经纬度，根据经纬度，计算风电站之间的距离，根据风电站的距离，构建风电图数据结构。
本发明进一步的改进在于，依据风电图数据结构构建距离倒数矩阵，依据距离倒数矩阵构建图卷积神经网络层。
本发明进一步的改进在于，距离倒数矩阵D(i,j)为节点间的距离倒数信息，使用dij描述第i节点与第j节点之间的距离，距离倒数矩阵D(i,j)对角线元素为0，非对角线元素为节点间距离的倒数
Figure BDA0002558342580000021
i＝1,2,……N，j＝1,2,……N。
本发明进一步的改进在于，获取各个风电站的历史风功率实测数据，以L步历史数据作为预测输入信息、K步后的实测数据作为预测目标信息，构建样本集。
本发明进一步的改进在于，考虑区域内有N个风电站，风电站i在t时刻的风电出力记为Pi t；以L步长历史数据作为预测输入信息，对K步后的风电站出力值进行预测；输入信息为N个风电站从(t-L+1)时刻至t时刻的历史风电功率值；目标信息为N个风电站在(t+K)时刻的风电功率预测值；一组目标信息与输出信息构成一个样本，通过对N个风电站的历史风功率实测数据进行平移采样获得众多样本，构建样本集。
本发明进一步的改进在于，图卷积神经网络层的数学表达式为：
Figure BDA0002558342580000031
DO＝diag(∑iD(i,j)+Θ1(i,i))
式中gθ(Λ)为图卷积核信号，x为输入信息，θ为卷积核参数；Θ1与Θ2为自适应参数矩阵，D(i,j)为距离倒数矩阵；
时序卷积神经网络层的数学表达式为：
Figure BDA0002558342580000032
式中f(t)为时序卷积核信号，x为输入信息，k为卷积核的长度，t为时间，s为可变的参数，s＝0,1,2，……，k-1。
本发明进一步的改进在于，风电预测模型包括至少三个时空卷积层，每个时空卷积层由一层图卷积神经网络层与一层时序卷积神经网络层结合形成，除末端的时空卷积层，其他的每个时空卷积层均采用了残差网络连接；每个时空卷积层的输出均被提取，最后将所有时空卷积层的输出值进行叠加作为风电预测模型的输出值。
本发明进一步的改进在于，风电预测模型的函数如下：
Figure BDA0002558342580000033
式中N为区域内风电站数量，
Figure BDA0002558342580000034
为预测模型对风电站i的预测值，Pi为风电站i的预测目标信息。
一种基于图卷积神经网络的风电功率预测系统，包括：
预测模块，对风电数据进行采样构建样本集，使用风电预测模型对样本集进行风电功率预测，其中，风电图数据结构为节点包含外界交互的全连接有向图结构，风电预测模型包括时序卷积神经网络层和图卷积神经网络层。
与现有技术相比，本发明具有的有益效果：
本发明提出的一种基于图卷积神经网络的风电功率预测方法，是针对区域内风电进行联合风功率预测。其中以图卷积神经网络层提取数据空间特征，时序卷积神经网络层提取数据时序特征，以此为基础建立风电预测模型。通过网络训练后，使用风电预测模型即可对区域内风电风功率进行预测。
本发明与现有的风电风功率预测方法的优点在于：(1)本发明中风电图数据结构为节点包含外界交互的全连接有向图结构，通过对风电图数据结构进行了改进，不仅考虑了风电节点之间的相关性，并且引入了风电与外界交互关系，提高预测的精度。(2)时序卷积神经网络层和图卷积神经网络层结构在设计上与风电出力的先验知识具有对应关系，使风电预测预测模型具有一定的数学可解释性，说明本发明的风电风功率模型的有效性。(3)采用图卷积神经网络与时序卷积神经网络神经网络模型具有更为广泛的适用性，针对不同区域内的风电均可进行训练预测。
进一步的，本发明中根据风电站之间的距离，构建风电图数据结构，进而构建图卷积神经网络层，在风电数据空间域信息提取中采用了图卷积神经网络的结构，使预测模型能够有效处理地理位置信息此类非欧氏数据结构，提高预测精度。
附图说明
图1为本发明中风电图数据结构示意图；
图2为本发明中风电预测模型结构示意图；
图3为本发明基于图卷积神经网络的风电功率预测方法流程图。
具体实施方式
下面结合附图对本发明进行详细说明。
参考图3，图3是本发明基于图卷积神经网络的风电功率预测方法的流程图，所述一种基于图卷积神经网络的风电功率预测方法包括以下步骤：
步骤1：获取区域内各个风电站的地理位置信息，地理位置信息一般为经纬度，根据经纬度，计算风电站之间的距离，根据风电站的距离，构建风电图数据结构，并依据获取的图数据结构构建距离倒数矩阵D(i,j)；
其中，在构建风电预测模型之前需要对风电基础数据结构进行设计，具体过程为：
风电图数据结构为节点包含外界交互的全连接有向图结构。考虑区域内有N个风电站，N大于等于3，每个风电站作为图数据的一个节点。任意两个节点之间均有方向相反的两条边。并且每个节点与外界有双向交互边，如图1所示。
距离倒数矩阵D(i,j)为节点间的距离倒数信息，使用dij描述第i节点与第j节点之间的距离，距离倒数矩阵D(i,j)对角线元素为0，非对角线元素为节点间距离的倒数
Figure BDA0002558342580000051
i＝1,2,……N，j＝1,2,……N。
步骤2：完成步骤1后，需要对风电站数据进行采样构建样本集。具体的，获取各个风电站的历史风功率实测数据，以L步历史数据作为预测输入信息、K步后的实测数据作为预测目标信息，构建网络训练数据样本集以及预测数据样本集；具体过程如下：
考虑区域内有N个风电站，风电站i在t时刻的风电出力记为Pi t；以L步长历史数据作为预测输入信息，对K步后的风电站出力值进行预测；输入信息为N个风电站从(t-L+1)时刻至t时刻的历史风电功率值，其可用一个N*L的矩阵描述；目标信息为N个风电站在(t+K)时刻的风电功率预测值，其可用一个N*1的矩阵描述；一组目标信息与输出信息构成一个样本，通过对N个风电站的历史风功率实测数据进行平移采样可获得众多样本，构建样本集。样本集可分为用于风电预测模型训练的训练数据样本集以及预测数据样本集。
步骤3：依据距离倒数矩阵D(i,j)构建能够提取数据空间特征的图卷积神经网络层；
其中，图卷积神经网络层数学表达式为：
Figure BDA0002558342580000061
DO＝diag(∑iD(i,j)+Θ1(i,i))
式中gθ(Λ)为图卷积核信号，x为输入信息，θ为卷积核参数；Θ1与Θ2为自适应参数矩阵，其为N*N对角矩阵，对角元素为可供神经网络训练学习的参数，D(i,j)为距离倒数矩阵。
步骤4：依据输入信息步长L，构建能够提取数据时序特征的时序卷积神经网络层；
时序卷积神经网络层数学表达式为：
Figure BDA0002558342580000062
式中f(t)为时序卷积核信号，x为输入信息，k为卷积核的长度，t为时间，s为可变的参数，s＝0,1,2，……，k-1。
步骤5：基于图卷积神经网络层以及时序卷积神经网络层构建风电预测模型；
结合步骤3与步骤4得到的图卷积神经网络层以及时序卷积神经网络层可以构建风电预测模型。风电预测模型的结构图如图2所示，风电预测模型主要由图卷积神经网络层与时序卷积神经网络层构成；一层图卷积神经网络层与一层时序卷积神经网络层可结合为一个时空卷积层；图2中给出了包含三个时空卷积层的风电预测模型，时空卷积层的数量可依据处理问题的时间域空间尺度叠加；除末端的时空卷积层，其他的每个时空卷积层均采用了残差网络(Residual Network)连接；每个时空卷积层的输出均被提取，并最后将所有时空卷积层的输出值进行叠加作为风电预测模型的输出值。
步骤6：基于损失函数利用训练数据样本集对风电预测模型进行训练，完成网络权重更新，然后判断损失函数是否收敛，若是收敛，则进行步骤7，否则，再继续训练；
训练时采用的损失函数为MSE函数：
Figure BDA0002558342580000063
式中N为区域内风电站数量，
Figure BDA0002558342580000064
为预测模型对风电站i的预测值，Pi为风电站i的预测目标信息。
步骤7：使用训练好的风电预测模型对预测数据样本集进行风电功率预测。
使用步骤6训练完成的风电预测模型，输入预测数据样本集可以验证模型的准确性。
其模型的准确性可通过均方根误差(RMSE,Root Mean Square Error)、平均绝对误差(MAE,Mean Absolute Error)以及平均绝对百分比误差(MAPE,Mean AbsolutePercentage Error)进行校验，其数学表达式如下所示：
Figure BDA0002558342580000071
Figure BDA0002558342580000072
Figure BDA0002558342580000073
一种基于图卷积神经网络的风电功率预测系统，包括：
预测模块，对风电数据进行采样构建样本集，使用风电预测模型对样本集进行风电功率预测，其中，风电预测模型包括时序卷积神经网络层和以风电图数据结构图为基础的图卷积神经网络层；风电图数据结构为节点包含外界交互的全连接有向图结构。
本发明首先结合对风电的先验知识对图卷积神经网络结构进行改进，使其更适用于风电空间相关性建模，其次结合时序卷积神经网络构建出风电功率预测模型，利用该模型进预测风电功率，能够提高预测的精度。本发明利用基于图卷积神经网络能够有效处理风电间地理位置信息的非欧氏数据，可以充分挖掘其数据的空间相关性；其次，针对风电之间的图数据结构进行了合理的设计，使其更符合风电的出力特性，使基于图卷积神经网络的风电预测模型具有一定的数学可解释性；最后，将图卷积神经网络层与时序卷积神经网络层进行有效结合构成完整的风电风功率预测模型。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于图卷积神经网络的风电功率预测方法，其特征在于，包括：
对风电数据进行采样构建样本集，使用风电预测模型对样本集进行风电功率预测，其中，风电预测模型包括时序卷积神经网络层和以风电图数据结构图为基础的图卷积神经网络层；风电图数据结构为节点包含外界交互的全连接有向图结构。
2.根据权利要求1所述的一种基于图卷积神经网络的风电功率预测方法，其特征在于，
获取区域内各个风电站的经纬度，根据经纬度，计算风电站之间的距离，根据风电站的距离，构建风电图数据结构。
3.根据权利要求2所述的一种基于图卷积神经网络的风电功率预测方法，其特征在于，依据风电图数据结构构建距离倒数矩阵，依据距离倒数矩阵构建图卷积神经网络层。
4.根据权利要求3所述的一种基于图卷积神经网络的风电功率预测方法，其特征在于，距离倒数矩阵D(i,j)为节点间的距离倒数信息，使用dij描述第i节点与第j节点之间的距离，距离倒数矩阵D(i,j)对角线元素为0，非对角线元素为节点间距离的倒数
Figure FDA0002558342570000011
Figure FDA0002558342570000012
5.根据权利要求1所述的一种基于图卷积神经网络的风电功率预测方法，其特征在于，获取各个风电站的历史风功率实测数据，以L步历史数据作为预测输入信息、K步后的实测数据作为预测目标信息，构建样本集。
6.根据权利要求1或5所述的一种基于图卷积神经网络的风电功率预测方法，其特征在于，考虑区域内有N个风电站，风电站i在t时刻的风电出力记为Pi t；以L步长历史数据作为预测输入信息，对K步后的风电站出力值进行预测；输入信息为N个风电站从(t-L+1)时刻至t时刻的历史风电功率值；目标信息为N个风电站在(t+K)时刻的风电功率预测值；一组目标信息与输出信息构成一个样本，通过对N个风电站的历史风功率实测数据进行平移采样获得众多样本，构建样本集。
7.根据权利要求1所述的一种基于图卷积神经网络的风电功率预测方法，其特征在于，图卷积神经网络层的数学表达式为：
Figure FDA0002558342570000024
DO＝diag(∑iD(i,j)+Θ1(i,i))
式中gθ(Λ)为图卷积核信号，x为输入信息，θ为卷积核参数；Θ1与Θ2为自适应参数矩阵，D(i,j)为距离倒数矩阵；
时序卷积神经网络层的数学表达式为：
Figure FDA0002558342570000021
式中f(t)为时序卷积核信号，x为输入信息，k为卷积核的长度，t为时间，s为可变的参数，s＝0,1,2，……，k-1。
8.根据权利要求1所述的一种基于图卷积神经网络的风电功率预测方法，其特征在于，风电预测模型包括至少三个时空卷积层，每个时空卷积层由一层图卷积神经网络层与一层时序卷积神经网络层结合形成，除末端的时空卷积层，其他的每个时空卷积层均采用了残差网络连接；每个时空卷积层的输出均被提取，最后将所有时空卷积层的输出值进行叠加作为风电预测模型的输出值。
9.根据权利要求1所述的一种基于图卷积神经网络的风电功率预测方法，其特征在于，风电预测模型的函数如下：
Figure FDA0002558342570000022
式中N为区域内风电站数量，
Figure FDA0002558342570000023
为预测模型对风电站i的预测值，Pi为风电站i的预测目标信息。
10.一种基于图卷积神经网络的风电功率预测系统，其特征在于，包括：
预测模块，对风电数据进行采样构建样本集，使用风电预测模型对样本集进行风电功率预测，其中，风电预测模型包括时序卷积神经网络层和以风电图数据结构图为基础的图卷积神经网络层；风电图数据结构为节点包含外界交互的全连接有向图结构。
CN202010598496.2A 2020-06-28 2020-06-28 一种基于图卷积神经网络的风电功率预测方法及系统 Active CN111784041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010598496.2A CN111784041B (zh) 2020-06-28 2020-06-28 一种基于图卷积神经网络的风电功率预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010598496.2A CN111784041B (zh) 2020-06-28 2020-06-28 一种基于图卷积神经网络的风电功率预测方法及系统

Publications (2)

Publication Number Publication Date
CN111784041A true CN111784041A (zh) 2020-10-16
CN111784041B CN111784041B (zh) 2024-02-09

Family

ID=72760669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010598496.2A Active CN111784041B (zh) 2020-06-28 2020-06-28 一种基于图卷积神经网络的风电功率预测方法及系统

Country Status (1)

Country Link
CN (1) CN111784041B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529282A (zh) * 2020-12-03 2021-03-19 清华大学 基于时空图卷积神经网络的风电场集群短期功率预测方法
CN112949950A (zh) * 2021-04-29 2021-06-11 华北电力大学（保定） 基于多元时空关联矩阵的集群风电功率映射预测方法
CN113011501A (zh) * 2021-03-22 2021-06-22 广东海启星海洋科技有限公司 基于图卷积神经网络进行台风水位预测的方法及装置
CN113824115A (zh) * 2021-11-24 2021-12-21 中国电力科学研究院有限公司 一种风电调频能量预测方法、系统及计算机设备
CN114154716A (zh) * 2021-12-03 2022-03-08 北京航天创智科技有限公司 一种基于图神经网络的企业能耗预测方法及装置
CN114511158A (zh) * 2022-04-19 2022-05-17 南京理工大学 基于尾流偏转效应和2DJensen模型的风力机功率预测方法
WO2022100021A1 (zh) * 2020-11-16 2022-05-19 远景能源有限公司 基于风机相互预警的虚拟激光雷达系统及方法
CN114819264A (zh) * 2022-03-11 2022-07-29 中国长江三峡集团有限公司 一种基于时空依赖的光伏电站辐照度超短期预测方法及存储介质
CN116128130A (zh) * 2023-01-31 2023-05-16 广东电网有限责任公司 一种基于图神经网络的短期风能数据预测方法及装置
CN117220278A (zh) * 2023-09-13 2023-12-12 四川大学 一种考虑非平稳时空依赖的长期风电功率预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647834A (zh) * 2018-05-24 2018-10-12 浙江工业大学 一种基于卷积神经网络结构的交通流预测方法
CN110415516A (zh) * 2019-07-15 2019-11-05 厦门大学 基于图卷积神经网络的城市交通流预测方法及介质
CN110851782A (zh) * 2019-11-12 2020-02-28 南京邮电大学 一种基于轻量级时空深度学习模型的网络流量预测方法
CN111144663A (zh) * 2019-12-31 2020-05-12 上海电力大学 计及出力波动过程的海上风电场超短期风功率预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647834A (zh) * 2018-05-24 2018-10-12 浙江工业大学 一种基于卷积神经网络结构的交通流预测方法
CN110415516A (zh) * 2019-07-15 2019-11-05 厦门大学 基于图卷积神经网络的城市交通流预测方法及介质
CN110851782A (zh) * 2019-11-12 2020-02-28 南京邮电大学 一种基于轻量级时空深度学习模型的网络流量预测方法
CN111144663A (zh) * 2019-12-31 2020-05-12 上海电力大学 计及出力波动过程的海上风电场超短期风功率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵建利;白格平;李英俊;鲁耀;: "基于CNN- LSTM的短期风电功率预测", 自动化仪表, no. 05 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022100021A1 (zh) * 2020-11-16 2022-05-19 远景能源有限公司 基于风机相互预警的虚拟激光雷达系统及方法
CN112529282A (zh) * 2020-12-03 2021-03-19 清华大学 基于时空图卷积神经网络的风电场集群短期功率预测方法
CN113011501A (zh) * 2021-03-22 2021-06-22 广东海启星海洋科技有限公司 基于图卷积神经网络进行台风水位预测的方法及装置
CN113011501B (zh) * 2021-03-22 2022-05-24 广东海启星海洋科技有限公司 基于图卷积神经网络进行台风水位预测的方法及装置
CN112949950A (zh) * 2021-04-29 2021-06-11 华北电力大学（保定） 基于多元时空关联矩阵的集群风电功率映射预测方法
CN113824115A (zh) * 2021-11-24 2021-12-21 中国电力科学研究院有限公司 一种风电调频能量预测方法、系统及计算机设备
CN114154716A (zh) * 2021-12-03 2022-03-08 北京航天创智科技有限公司 一种基于图神经网络的企业能耗预测方法及装置
CN114819264A (zh) * 2022-03-11 2022-07-29 中国长江三峡集团有限公司 一种基于时空依赖的光伏电站辐照度超短期预测方法及存储介质
CN114511158A (zh) * 2022-04-19 2022-05-17 南京理工大学 基于尾流偏转效应和2DJensen模型的风力机功率预测方法
CN114511158B (zh) * 2022-04-19 2022-06-21 南京理工大学 基于尾流偏转效应和2DJensen模型的风力机功率预测方法
CN116128130A (zh) * 2023-01-31 2023-05-16 广东电网有限责任公司 一种基于图神经网络的短期风能数据预测方法及装置
CN116128130B (zh) * 2023-01-31 2023-10-24 广东电网有限责任公司 一种基于图神经网络的短期风能数据预测方法及装置
CN117220278A (zh) * 2023-09-13 2023-12-12 四川大学 一种考虑非平稳时空依赖的长期风电功率预测方法
CN117220278B (zh) * 2023-09-13 2024-03-19 四川大学 一种考虑非平稳时空依赖的长期风电功率预测方法

Also Published As

Publication number Publication date
CN111784041B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
CN111784041A (zh) 一种基于图卷积神经网络的风电功率预测方法及系统
CN110070226B (zh) 基于卷积神经网络与元学习的光伏功率预测方法及系统
CN114362367B (zh) 面向云边协同的输电线路监测系统和方法、识别系统和方法
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN111815033A (zh) 一种基于rcnn和气象时序特征的海上风电功率预测方法
CN112785034B (zh) 基于融合神经网络的台风路径预报方法、系统、介质及终端
CN113112791A (zh) 一种基于滑动窗口长短时记忆网络的交通流量预测方法
CN113627093A (zh) 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法
CN115862319A (zh) 一种面向时空图自编码器的交通流量预测方法
CN114004152B (zh) 基于图卷积和循环神经网络的多风场风速时空预测方法
CN115347571A (zh) 基于迁移学习的光伏发电功率短期预测方法及装置
CN113194493B (zh) 基于图神经网络的无线网络数据缺失属性恢复方法及装置
CN116449462A (zh) 海浪有效波高时空序列预测方法、系统、存储介质及设备
Zhang et al. All‐factor short‐term photovoltaic output power forecast
CN114283331A (zh) 基于条带剪枝的轻量化sar图像船舶检测模型及方法
Wang et al. Motionhint: Self-supervised monocular visual odometry with motion constraints
CN113240219A (zh) 一种土地利用模拟及预测方法
CN115563888B (zh) 一种航天器剩余寿命预测方法、系统、电子设备及介质
CN116306790B (zh) 一种基于cnn-gru和注意力机制的近海船舶轨迹实时预测方法、系统、设备及介质
CN117114168A (zh) 一种长时间尺度的海面温度智能预报方法
CN115797557A (zh) 基于图注意力网络的自监督3d场景流估计方法
CN115032682A (zh) 一种基于图论的多站台地震震源参数估计方法
CN114611753A (zh) 一种航班飞机轨迹数据预测系统及方法
CN111967577A (zh) 一种基于变分自编码器的能源互联网场景生成方法
Zhao et al. Spatio-temporal Model Combining VMD and AM for Wind Speed Prediction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant