CN113159452B - 基于时空相关性的风电集群功率预测方法 - Google Patents

Abstract

本发明公开了一种基于时空相关性的风电集群功率预测方法，该预测方法分析了风电集群中风电场之间的时空相关性，应用多种类型相关性计算方法进行计算，引入Shapley值法进行加权，使相关性评价更加全面，更加精确的计算风电集群中的相关性。该预测方法考虑影响发电功率的多种因素，将多种因素融合在一起，使风电集群整体时空相关性特征得到提取，从而达到直接风电集群功率预测的效果，避免了现有方法叠加预测造成误差随之叠加的弊端，提高了预测精度。此外，应用卷积神经网络提取风电集群的关键时空相关特征，达到降低维度的目的，使风电集群的时空相关特征可以直接输入进神经网络中，与风电集群功率相对应，更加方便的进行风电集群发电功率预测，使预测精度更高。

Description

基于时空相关性的风电集群功率预测方法

技术领域

本发明属于风力发电领域，具体涉及基于时空相关性的风电集群功率预测方法，根据风电集群相关历史数据，对风电集群发电功率进行准确预测。

背景技术

近年来风力发电在全球得到了蓬勃的发展，大规模的风电机组分布在各个地区，随着低风速风电机的普及，在风速较小的地区也可以安装大规模的风电机组。随着大规模风电场的建设，风电集群也就此形成，一个地区风电集群包括多个风电场，而大规模的风电场并网，对电网安全和调度形成了较强的影响。

对于大规模风电场并网，风电集群功率预测是提高电力系统安全与经济性的有效方法。目前叠加法是应用最为广泛的方法，也就是对集群内的所有风电场进行功率预测，将结果简单累加求和，但显然这种方法会造成误差叠加，预测精度较低。基于此，文献《彭小圣,樊闻翰，王勃等.基于改进空间资源匹配法的风电集群功率预测技术[J].电力建设,2017,38(07):10-17》中应用了基于空间资源匹配法的风电集群功率预测方法。核心思想为将风电集群中所有的风电场看成一个空间资源集合。风机出力与风速的三次方成正比，因此空间资源最重要的参数为风速。该方法将每时刻集群风速矩阵作为空间资源矩阵，通过计算历史空间资源矩阵和待预测时刻空间资源矩阵的欧氏距离，获取与待预测时刻空间资源相似度高的历史数据集合。基于该历史数据集合，通过加权平均的方式，计算得到待预测时刻的风电集群功率。但这种方法只考虑风速对功率的影响，没有考虑其他因素，所以预测精度也不是很高。

发明内容

本发明的目的在于，提供一种风电集群功率预测方法，该方法通过根据风电集群中相关性特征，进行风电集群发电功率的准确预测。

为实现本发明目标，采用以下技术方案：设计基于时空相关性的风电集群功率预测方法，其特征在于，该方法包括以下步骤：

步骤一：选用Pearson线性相关系数ρ_p、Kendall秩相关系数ρ_k、Spearman秩相关系数ρ_s作为关系参数，对目标风电集群中任意两个不同风电场的历史数据进行上述三种相关系数计算；结合Shapley值法，求取上述三种相关系数的权值：以相关系数值与1的差值作为权值计算准则，三种相关系数所有组合的相关性差值为P(p)、P(k)、P(s)、P(p,k)、P(p,s)、P(k,s)、P(p,k,s)，其中：

三种相关系数的Shapley值为：

三种相关系数对应的权值为：

式中，σ_p为Pearson线性相关系数对应的权值；σ_k为Kendall秩相关系数对应的权值；σ_s为Spearman秩相关系数对应的权值；

步骤二：对目标风电集群中任意两个不同风电场的功率历史数据，应用步骤一中的计算方法，得到每个风电场与其他风电场发电功率三种相关系数的权值，然后分别计算该风电场与其它任意一个风电场之间的综合相关系数，两个风电场之间的综合相关系数为：ρ_p*σ_p+ρ_k*σ_k+ρ_s*σ_s；最后求该风电场与其它所有风电场之间的综合相关系数的均值，该均值为该风电场的平均综合相关系数；计算每个风电场风能利用系数，将某一风电场的平均综合相关系数与其风能利用系数加权相加：

式中Cp为单个风电场的风能利用系数；ρ_ave为单个风电场的平均综合相关系数；σ₁、σ₂为权值，两者之和为1；

将根据公式(4)计算得到的最大值对应的风电场，确定为标准风电场；

步骤三：构建风电集群时空相关特征矩阵；将步骤二确定的标准风电场编号为1号风电场，对风电集群中的其它风电场依次顺延编号，以1号风电场为基准，按照步骤一中的计算方法，分别计算1号风电场与其它风电场之间单一时刻的风速、风向、温度三种历史数据各自的三种相关系数及相应的权值，并根据步骤二分别计算单一时刻的三种历史数据的综合相关系数；设风电集群中风电场的个数为n，每一种数据的时间坐标相同且维度均为m；

根据1号风电场与其它风电场之间单一时刻的风速、风向、温度三种数据的综合相关系数，建立风电集群时空相关特征矩阵，第t个时刻点的风电集群时空相关特征矩阵为：

式中ρ_dir1n为标准风电场与其他风电场间的风向综合相关系数；ρ_tem1n为标准风电场与其他风电场间的温度综合相关系数；ρ_speed1n标准风电场与其他风电场间的风速综合相关系数；1≤t≤m；

每一个时刻点的风电集群时空相关特征矩阵按上述方法获得，得到由m个时刻点的风电集群时空相关特征矩阵构成的风电集群时空相关特征矩阵集；

步骤四：利用CNN提取关键时空相关特征；CNN包括输入层、卷积层、子采样层和全连接层，将步骤三得到的风电集群时空相关特征矩阵集作为卷积神经网络的输入；将第t个时刻点的维度为n*n的风电集群时空相关特征矩阵输入到CNN中，首先卷积层的多个卷积核依次对风电集群时空相关特征矩阵进行特征提取，然后将最后一个卷积核提取得到的特征图输入到子采样层，得到一个新的特征矩阵；将得到的新的特征矩阵输入到全连接层，全连接层对新的特征矩阵展开，得到一个1×4的一维序列，该一维序列即为第t个时刻点风电集群关键时空相关特征；由风电集群时空相关特征矩阵集即可得到m个时刻点的1×4的风电集群关键时空相关特征；

步骤五：建立基于小波神经网络的功率预测模型；采用具有三层结构的WNN，具体包括输入层、隐含层和输出层；WNN的输入为x，对应一个时刻点的1×4的风电集群关键时空相关特征，输出为Y，对应一个时刻点的风电集群功率的预测值；S为输入的维数，为4；K为输出的维数，K＝1；ω_sh为输入层到隐含层权值；ω_hk—隐含层到输出层权值，输入样本数量为U；设定最大训练次数为R、网络预测误差的阈值和学习率，初始化小波神经网络参数：用[-1，1]区间内的随机值初始化输入层第s个节点到隐含层第h个节点的权值ω_sh、隐含层第h个节点到输出层第k个节点的权值ω_hk、隐含层第h个节点的伸缩因子α_h、隐含层第h个节点的平移因子β_h；

小波基函数为：

隐含层第h个节点的输出为：

α_h—伸缩因子；β_h—平移因子，G(h)为隐含层，S—输入层节点的个数；

小波神经网络的输出为：

H—隐含层节点的个数；

网络预测误差为：

—期望输出，为一个时刻点的风电集群功率的实际值；输入样本量为U，每一个样本u计算后得到对应一个输出Y，每一个输出Y对应一个期望输出

根据每一个输入u得到的网络预测误差对ω_sh、ω_hk、α_h、β_h进行修正，修正具体过程如下：

ξ为学习率，为常数；

将修正后的ω_sh、ω_hk、α_h、β_h的值作为下一个输入的小波神经网络的初始值，将小波神经网络完成U个输入的网络预测、U-1次ω_sh、ω_hk、α_h、β_h的修正的过程称为一次训练；

将一次训练中的最后一个输入得到的网络预测误差与网络预测误差的阈值对比，若小于阈值，则停止计算，将最后一次小波神经网络运算时的ω_sh、ω_hk、α_h、β_h的值作为最优取值，并保存该取值下的小波神经网络为功率预测模型；若最后一个输入得到的网络预测误差大于阈值，则根据最后一个输入得到的网络预测误差继续对最后一次小波神经网络运算时的ω_sh、ω_hk、α_h、β_h进行修正，并将修正后的值作为下一次训练的初始值；不断的进行训练，直至该次训练为第R次训练，或者该次训练的最后一个输入得到的网络预测误差小于阈值，则将该次训练时最后一次小波神经网络运算时的ω_sh、ω_hk、α_h、β_h的值作为最优取值，并保存最优取值下的小波神经网络为功率预测模型；利用步骤四得到的m个时刻点的1×4的风电集群关键时空相关特征以及对应的m个时刻点的风电集群功率对WNN进行训练，即可得到功率预测模型；

步骤六：利用功率预测模型进行功率预测

获取风电集群的未来Z个时刻点的天气预报的风速、风向、温度三种数据，以1号风电场为基准，按照步骤一中的计算方法，分别计算1号风电场与其它风电场之间单一时刻的风速、风向、温度三种数据各自的三种相关系数及相应的权值，分别计算单一时刻的三种数据的综合相关系数，并根据步骤三中所述的方法，建立该Z个时刻点的风电集群时空相关特征矩阵；然后根据步骤四中所述的方法，将该Z个时刻点的风电集群时空相关特征矩阵作为CNN的输入，获得该Z个时刻点的1×4的风电集群关键时空相关特征；最后将该Z个时刻点的1×4的风电集群关键时空相关特征依次输入到步骤五中获得的功率预测模型中，获得该Z个时刻点的风电集群功率的预测值。

与现有方法相比，本发明的有益效果在于：

(1)本发明预测方法分析了风电集群中风电场之间的时空相关性，应用多种类型相关性计算方法进行计算，引入Shapley值法进行加权，使相关性评价更加全面，更加精确的计算风电集群中的相关性。

(2)考虑影响发电功率的多种因素，将多种因素融合在一起，使风电集群整体时空相关性特征得到提取，从而达到直接风电集群功率预测的效果，避免了现有方法叠加预测造成误差随之叠加的弊端，提高了预测精度。

(3)应用卷积神经网络提取风电集群的关键时空相关特征，达到降低维度的目的，使风电集群的时空相关特征可以直接输入进神经网络中，与风电集群功率相对应，更加方便的进行风电集群发电功率预测，使预测精度更高。

附图说明

图1为本发明基于时空相关性的风电集群功率预测方法一种实施例的利用CNN提取关键时空相关特征的步骤流程图。

图2为本发明基于时空相关性的风电集群功率预测方法一种实施例的WNN拓扑结构示意图。

图3为本发明基于时空相关性的风电集群功率预测方法一种实施例的某一时刻的风电集群时空相关特征矩阵。

图4为本发明基于时空相关性的风电集群功率预测方法一种实施例的利用CNN提取关键时空相关特征获得的部分数据(前四列为卷积神经网络提取后的关键时空相关特征，第五列为风电集群发电功率，每一行为一个时刻的风电集群关键时空相关特征与这一时刻的风电集群发电功率)。

图5为三种不同预测方法的预测值与实际值的对比结果。

图6为本发明基于时空相关性的风电集群功率预测方法一种实施例的原理图。

具体实施方式

下面结合实施例及附图进一步解释本发明，但并不以此作为对本申请保护范围的限定。

本实施例采用中国华北张家口地区某风电集群的2017-2019年风电数据，进行基于时空相关性的风电集群功率预测方法的实施与验证。该风电集群有11座风电场，分布在不同的地区，所在的气候环境、海拔等环境也不尽相同。获得三年11座风电场的天气预报数据(风速、风向、温度)和风电场发电功率，数据的时刻点间隔为10min。选取2017年、2018年的实际数据作为训练样本数据，以2019年的实际数据为测试样本。由于风电场天气预报的中长期预测精度有限，所以预测未来一天风电集群发电功率。选取均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)为预测评价指标。

本实施例提供基于时空相关性的风电集群功率预测方法，其特征在于，该方法包括以下步骤：

基于时空相关性的风电集群功率预测方法，其特征在于，该方法包括以下步骤：

步骤一：选用Pearson线性相关系数ρ_p、Kendall秩相关系数ρ_k、Spearman秩相关系数ρ_s作为关系参数，对目标风电集群中任意两个不同风电场的历史数据进行上述三种相关系数计算；结合Shapley值法，求取上述三种相关系数的权值：以相关系数值与1的差值作为权值计算准则，三种相关系数所有组合的相关性差值为P(p)、P(k)、P(s)、P(p,k)、P(p,s)、P(k,s)、P(p,k,s)，其中：

三种相关系数的Shapley值为：

三种相关系数对应的权值为：

式中，σ_p为Pearson线性相关系数对应的权值；σ_k为Kendall秩相关系数对应的权值；σ_s为Spearman秩相关系数对应的权值。

步骤二：对目标风电集群中任意两个不同风电场的功率历史数据，应用步骤一中的计算方法，得到每个风电场与其他风电场发电功率三种相关系数的权值，然后分别计算该风电场与其它任意一个风电场之间的综合相关系数，两个风电场之间的综合相关系数为：ρ_p*σ_p+ρ_k*σ_k+ρ_s*σ_s；最后求该风电场与其它所有风电场之间的综合相关系数的均值，该均值为该风电场的平均综合相关系数；计算每个风电场风能利用系数，将某一风电场的平均综合相关系数与其风能利用系数加权相加：

式中Cp为单个风电场的风能利用系数；ρ_ave为单个风电场的平均综合相关系数；σ₁、σ₂为权值，两者之和为1，本实施例两者的取值均为0.5。

将根据公式(4)计算得到的最大值对应的风电场，确定为标准风电场。

步骤三：构建风电集群时空相关特征矩阵。将步骤二确定的标准风电场编号为1号风电场，对风电集群中的其它风电场依次顺延编号，以1号风电场为基准，按照步骤一中的计算方法，分别计算1号风电场与其它风电场之间单一时刻的风速、风向、温度三种历史数据各自的三种相关系数及相应的权值，并根据步骤二分别计算单一时刻的三种历史数据的综合相关系数；设风电集群中风电场的个数为n，每一种数据的时间坐标相同且维度均为m(即每一种数据的数据点个数为m)；

根据1号风电场与其它风电场之间单一时刻的风速、风向、温度三种数据的综合相关系数，建立风电集群时空相关特征矩阵，第t个时刻点的风电集群时空相关特征矩阵为：

式中ρ_dir1n为标准风电场与其他风电场间的风向综合相关系数；ρ_tem1n为标准风电场与其他风电场间的温度综合相关系数；ρ_speed1n标准风电场与其他风电场间的风速综合相关系数；1≤t≤m；

每一个时刻点的风电集群时空相关特征矩阵按上述方法获得，得到由m个时刻点的风电集群时空相关特征矩阵构成的风电集群时空相关特征矩阵集。如图3为某一时刻风电集群时空相关特征矩阵。

步骤四：利用CNN提取关键时空相关特征。CNN包括输入层、卷积层、子采样层和全连接层，将步骤三得到的风电集群时空相关特征矩阵集作为CNN的输入；将第t个时刻点的维度为n*n的风电集群时空相关特征矩阵输入到CNN中，首先卷积层的多个卷积核依次对风电集群时空相关特征矩阵进行特征提取，然后将最后一个卷积核提取得到的特征图输入到子采样层，得到一个新的特征矩阵；将得到的新的特征矩阵输入到全连接层，全连接层对新的特征矩阵依次展开，得到一个1×4的一维序列，该一维序列即为第t个时刻点风电集群关键时空相关特征；由风电集群时空相关特征矩阵集即可得到m个时刻点的1×4的风电集群关键时空相关特征。

本实施例中，风电场数为11，即风电集群时空相关特征矩阵的维度为11×11，输入到卷积神经网络，卷积层包含两个卷积核，首先选取4×4的卷积核，对输入层卷积得到8×8的特征图，，然后选取3×3的卷积核对8×8的特征图再进行一次卷积，得到6×6的特征图；子采样层即池化层，选取3×3的最大池化方法，对6×6的特征图进行处理，将得到大小为2×2的特征矩阵；最后，全连接层对2×2的特征矩阵依次展开，生成一个1×4的一维序列，作为CNN的输出。

图4为提取后的部分数据(前四列为卷积神经网络提取后的关键时空相关特征，第五列为风电集群发电功率，每一行为一个时刻的风电集群关键时空相关特征与这一时刻的风电集群发电功率)。

步骤五：建立基于小波神经网络的功率预测模型。采用具有三层结构的WNN(其拓扑结构如图2所示)，具体包括输入层、隐含层和输出层；

WNN的输入为x，对应一个时刻点的1×4的风电集群关键时空相关特征，输出为Y，对应一个时刻点的风电集群功率的预测值；S为输入的维数，为4；K为输出的维数，K＝1；ω_sh为输入层到隐含层权值；ω_hk—隐含层到输出层权值，输入样本数量为U。设定最大训练次数为R、网络预测误差的阈值和学习率，初始化小波神经网络参数：用[-1，1]区间内的随机值初始化输入层第s个节点到隐含层第h个节点的权值ω_sh、隐含层第h个节点到输出层第k个节点的权值ω_hk、隐含层第h个节点的伸缩因子α_h、隐含层第h个节点的平移因子β_h。

小波基函数为：

隐含层第h个节点的输出为：

α_h—伸缩因子；β_h—平移因子，G(h)为隐含层，S—输入层节点的个数；

小波神经网络的输出为：

H—隐含层节点的个数；

网络预测误差为：

—期望输出，为一个时刻点的风电集群功率的实际值；输入样本量为U，每一个样本u计算后得到对应一个输出Y，每一个输出Y对应一个期望输出

根据每一个输入u得到的网络预测误差对ω_sh、ω_hk、α_h、β_h进行修正，修正具体过程如下：

ξ为学习率，为常数。

将修正后的ω_sh、ω_hk、α_h、β_h的值作为下一个输入的小波神经网络的初始值，将小波神经网络完成U个输入的网络预测、U-1次ω_sh、ω_hk、α_h、β_h的修正的过程称为一次训练。

将一次训练中的最后一个输入得到的网络预测误差与网络预测误差的阈值对比，若小于阈值，则停止计算，将最后一次小波神经网络运算时的ω_sh、ω_hk、α_h、β_h的值作为最优取值，并保存该取值下的小波神经网络为功率预测模型。若最后一个输入得到的网络预测误差大于阈值，则根据最后一个输入得到的网络预测误差继续对最后一次小波神经网络运算时的ω_sh、ω_hk、α_h、β_h进行修正，并将修正后的值作为下一次训练的初始值。不断的进行训练，直至该次训练为第R次训练，或者该次训练的最后一个输入得到的网络预测误差小于阈值，则将该次训练时最后一次小波神经网络运算时的ω_sh、ω_hk、α_h、β_h的值作为最优取值，并保存最优取值下的小波神经网络为功率预测模型。

利用步骤四得到的m个时刻点的1×4的风电集群关键时空相关特征以及对应的m个时刻点的风电集群功率对WNN进行训练，即可得到功率预测模型。

步骤六：利用功率预测模型进行功率预测

获取风电集群的未来Z个时刻点的天气预报的风速、风向、温度三种数据，以1号风电场为基准，按照步骤一中的计算方法，分别计算1号风电场与其它风电场之间单一时刻的风速、风向、温度三种数据各自的三种相关系数及相应的权值，分别计算单一时刻的三种数据的综合相关系数，并根据步骤三中所述的方法，建立该Z个时刻点的风电集群时空相关特征矩阵。然后根据步骤四中所述的方法，将该Z个时刻点的风电集群时空相关特征矩阵作为CNN的输入，获得该Z个时刻点的1×4的风电集群关键时空相关特征。最后将该Z个时刻点的1×4的风电集群关键时空相关特征依次输入到步骤五中获得的功率预测模型中，获得该Z个时刻点的风电集群功率的预测值。

选取2017年与2018年的风电数据来实施本发明的基于时空相关性的风电集群功率预测方法的步骤一到步骤五的过程，获得功率预测模型；选取2019年5月2日风电数据来实施本发明的步骤六，从而获得该天的风电集群功率的预测值。同时，采用传统的叠加法、统计升尺度法对该天的风电集群功率进行预测，三种不同预测方法的预测值与实际值的对比结果见图5。

根据图5可以直观的看到应用统计升尺度法预测结果与实际值相差较大，而应用本文方法与叠加法预测结果与实际值相差较小，叠加法预测造成风电场预测误差叠加使风电集群预测误差较大。

选取均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)为预测评价指标。其中，均方根误差对大的偏差惩罚更多，平均绝对误差则相同，平均绝对百分比误差为百分数更为直观。如下为三种误差计算公式：

其中y—实际风电集群发电功率，y、—预测风电集群发电功率，U—预测样本量。

误差计算结果如表1所示，根据RMSE、MAE、MAPE三种误差评价方法计算结果，说明本发明预测方法相较于传统的叠加法与统计升尺度法预测精度更高。

表1预测评价指标结果

本发明未述及之处适用于现有技术。

Claims (7)

1.基于时空相关性的风电集群功率预测方法，其特征在于，该方法包括以下步骤：

步骤一：选用Pearson线性相关系数ρ_p、Kendall秩相关系数ρ_k、Spearman秩相关系数ρ_s作为关系参数，对目标风电集群中任意两个不同风电场的历史数据进行上述三种相关系数计算；结合Shapley值法，求取上述三种相关系数的权值：以相关系数值与1的差值作为权值计算准则，三种相关系数所有组合的相关性差值为P(p)、P(k)、P(s)、P(p,k)、P(p,s)、P(k,s)、P(p,k,s)，其中：

三种相关系数的Shapley值为：

三种相关系数对应的权值为：

式中，σ_p为Pearson线性相关系数对应的权值；σ_k为Kendall秩相关系数对应的权值；σ_s为Spearman秩相关系数对应的权值；

步骤二：对目标风电集群中任意两个不同风电场的功率历史数据，应用步骤一中的计算方法，得到每个风电场与其他风电场发电功率三种相关系数的权值，然后分别计算该风电场与其它任意一个风电场之间的综合相关系数，两个风电场之间的综合相关系数为：ρ_p*σ_p+ρ_k*σ_k+ρ_s*σ_s；最后求该风电场与其它所有风电场之间的综合相关系数的均值，该均值为该风电场的平均综合相关系数；计算每个风电场风能利用系数，将某一风电场的平均综合相关系数与其风能利用系数加权相加：

式中Cp为单个风电场的风能利用系数；ρ_ave为单个风电场的平均综合相关系数；σ₁、σ₂为权值，两者之和为1；

将根据公式(4)计算得到的最大值对应的风电场，确定为标准风电场；

步骤三：构建风电集群时空相关特征矩阵；将步骤二确定的标准风电场编号为1号风电场，对风电集群中的其它风电场依次顺延编号，以1号风电场为基准，按照步骤一中的计算方法，分别计算1号风电场与其它风电场之间单一时刻的风速、风向、温度三种历史数据各自的三种相关系数及相应的权值，并根据步骤二分别计算单一时刻的三种历史数据的综合相关系数；设风电集群中风电场的个数为n，每一种数据的时间坐标相同且维度均为m；

根据1号风电场与其它风电场之间单一时刻的风速、风向、温度三种数据的综合相关系数，建立风电集群时空相关特征矩阵，第t个时刻点的风电集群时空相关特征矩阵为：

式中ρ_dir1n为标准风电场与其他风电场间的风向综合相关系数；ρ_tem1n为标准风电场与其他风电场间的温度综合相关系数；ρ_speed1n标准风电场与其他风电场间的风速综合相关系数；1≤t≤m；

每一个时刻点的风电集群时空相关特征矩阵按上述方法获得，得到由m个时刻点的风电集群时空相关特征矩阵构成的风电集群时空相关特征矩阵集；

步骤四：利用CNN提取关键时空相关特征；CNN包括输入层、卷积层、子采样层和全连接层，将步骤三得到的风电集群时空相关特征矩阵集作为卷积神经网络的输入；将第t个时刻点的维度为n*n的风电集群时空相关特征矩阵输入到CNN中，首先卷积层的多个卷积核依次对风电集群时空相关特征矩阵进行特征提取，然后将最后一个卷积核提取得到的特征图输入到子采样层，得到一个新的特征矩阵；将得到的新的特征矩阵输入到全连接层，全连接层对新的特征矩阵展开，得到一个1×4的一维序列，该一维序列即为第t个时刻点风电集群关键时空相关特征；由风电集群时空相关特征矩阵集即可得到m个时刻点的1×4的风电集群关键时空相关特征；

步骤五：建立基于小波神经网络的功率预测模型；采用具有三层结构的WNN，具体包括输入层、隐含层和输出层；WNN的输入为x，对应一个时刻点的1×4的风电集群关键时空相关特征，输出为Y，对应一个时刻点的风电集群功率的预测值；S为输入的维数，为4；K为输出的维数，K＝1；ω_sh为输入层到隐含层权值；ω_hk—隐含层到输出层权值，输入样本数量为U；设定最大训练次数为R、网络预测误差的阈值和学习率，初始化小波神经网络参数：用[-1，1]区间内的随机值初始化输入层第s个节点到隐含层第h个节点的权值ω_sh、隐含层第h个节点到输出层第k个节点的权值ω_hk、隐含层第h个节点的伸缩因子α_h、隐含层第h个节点的平移因子β_h；

小波基函数为：

隐含层第h个节点的输出为：

α_h—伸缩因子；β_h—平移因子，G(h)为隐含层，S—输入层节点的个数；

小波神经网络的输出为：

H—隐含层节点的个数；

网络预测误差为：

—期望输出，为一个时刻点的风电集群功率的实际值；输入样本量为U，每一个样本u计算后得到对应一个输出Y，每一个输出Y对应一个期望输出

根据每一个输入u得到的网络预测误差对ω_sh、ω_hk、α_h、β_h进行修正，修正具体过程如下：

ξ为学习率，为常数；

将修正后的ω_sh、ω_hk、α_h、β_h的值作为下一个输入的小波神经网络的初始值，将小波神经网络完成U个输入的网络预测、U-1次ω_sh、ω_hk、α_h、β_h的修正的过程称为一次训练；

将一次训练中的最后一个输入得到的网络预测误差与网络预测误差的阈值对比，若小于阈值，则停止计算，将最后一次小波神经网络运算时的ω_sh、ω_hk、α_h、β_h的值作为最优取值，并保存该取值下的小波神经网络为功率预测模型；若最后一个输入得到的网络预测误差大于阈值，则根据最后一个输入得到的网络预测误差继续对最后一次小波神经网络运算时的ω_sh、ω_hk、α_h、β_h进行修正，并将修正后的值作为下一次训练的初始值；不断的进行训练，直至该次训练为第R次训练，或者该次训练的最后一个输入得到的网络预测误差小于阈值，则将该次训练时最后一次小波神经网络运算时的ω_sh、ω_hk、α_h、β_h的值作为最优取值，并保存最优取值下的小波神经网络为功率预测模型；利用步骤四得到的m个时刻点的1×4的风电集群关键时空相关特征以及对应的m个时刻点的风电集群功率对WNN进行训练，即可得到功率预测模型；

步骤六：利用功率预测模型进行功率预测

获取风电集群的未来Z个时刻点的天气预报的风速、风向、温度三种数据，以1号风电场为基准，按照步骤一中的计算方法，分别计算1号风电场与其它风电场之间单一时刻的风速、风向、温度三种数据各自的三种相关系数及相应的权值，分别计算单一时刻的三种数据的综合相关系数，并根据步骤三中所述的方法，建立该Z个时刻点的风电集群时空相关特征矩阵；然后根据步骤四中所述的方法，将该Z个时刻点的风电集群时空相关特征矩阵作为CNN的输入，获得该Z个时刻点的1×4的风电集群关键时空相关特征；最后将该Z个时刻点的1×4的风电集群关键时空相关特征依次输入到步骤五中获得的功率预测模型中，获得该Z个时刻点的风电集群功率的预测值。

2.根据权利要求1所述的基于时空相关性的风电集群功率预测方法，其特征在于，两个时刻点之间的间隔为10min。

3.根据权利要求1所述的基于时空相关性的风电集群功率预测方法，其特征在于，风电集群中风电场数为11，即风电集群时空相关特征矩阵的维度为11×11。

4.根据权利要求1所述的基于时空相关性的风电集群功率预测方法，其特征在于，CNN的卷积层包含两个卷积核，分别为4×4的卷积核、3×3的卷积核。

5.根据权利要求1所述的基于时空相关性的风电集群功率预测方法，其特征在于，11×11的风电集群时空相关特征矩阵经过卷积层的4×4的卷积核处理后得到8×8的特征图，该8×8的特征图再经过3×3的卷积核的处理后，得到6×6的特征图。

6.根据权利要求1所述的基于时空相关性的风电集群功率预测方法，其特征在于，CNN的子采样层为3×3池化层，将6×6的特征图处理成2×2的特征矩阵。

7.根据权利要求1所述的基于时空相关性的风电集群功率预测方法，其特征在于，未来Z个时刻点为未来某一天中的时刻点。

Images