CN114298446B - 一种基于数模双驱的风电功率预测方法、装置和存储介质 - Google Patents

一种基于数模双驱的风电功率预测方法、装置和存储介质 Download PDF

Info

Publication number
CN114298446B
CN114298446B CN202210235846.8A CN202210235846A CN114298446B CN 114298446 B CN114298446 B CN 114298446B CN 202210235846 A CN202210235846 A CN 202210235846A CN 114298446 B CN114298446 B CN 114298446B
Authority
CN
China
Prior art keywords
data
wind power
representing
output
digital
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.)
Active
Application number
CN202210235846.8A
Other languages
English (en)
Other versions
CN114298446A (zh
Inventor
丁彦博
窦迅
罗海峰
邓叶航
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.)
Nanjing Tech University
Original Assignee
Nanjing Tech University
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 Nanjing Tech University filed Critical Nanjing Tech University
Priority to CN202210235846.8A priority Critical patent/CN114298446B/zh
Publication of CN114298446A publication Critical patent/CN114298446A/zh
Application granted granted Critical
Publication of CN114298446B publication Critical patent/CN114298446B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于数模双驱的风电功率预测方法、装置和存储介质，本发明利用MC‑LSTM网络首先提取历史气象数据和风电出力功率数据的非线性映射关系，搭建数字驱动模型，再利用TCN网络提取历史风机运行状态数据和风电出力功率数据的非线性映射关系，搭建物理驱动模型；最后利用全连接层将两种驱动方式的输出层相连接，并利用一个注意力机制层来提高输出预测图线的平滑度和精度。本发明提供的预测方法，高效利用了两种驱动模型，可以使其发挥各自优势，通过添加注意力机制环节，可以有效提取数据序列在时间上的特征，进一步强化预测的准确度和稳定性。

Description

一种基于数模双驱的风电功率预测方法、装置和存储介质
技术领域
本发明属于风电功率预测技术领域，尤其涉及一种基于数模双驱的风电功率预测方法、装置和存储介质。
背景技术
海上风力发电技术的不断发展带动了海上风力发电装机容量的增加，海上风力发电功受风机自身运行状态和气象环境等因素的影响而具有波动性和间歇性的特点，这使得海上风电的大规模接入会对全网的电力平衡带来巨大挑战。精准稳定的海上风电功率预测是保证调度计划有效进行的重要手段，能有效缓解海上风电大规模入网带来的电力不平衡问题，对于保障接入电力系统的安全稳定可靠运行具有意义重大。
目前广泛使用的风电功率预测方法主要分为统计法和物理法，其中，物理法是单纯基于风电功率历史数据和数值天气预报（Numerical Weather Prediction，NWP）数据的风电功率预测方法；基于物理法的风电功率预测优点在于依赖的数据量小，模型简单，预测方便快捷，但NWP数据与真实气象数据间存在着较大的误差，且NWP数据与风电场存在着空间上的差异，这使得采用物理法的风电功率预测精度普遍偏低。统计法是基于预测值与真实值的误差来更新、调整模型权重和参数的风电功率预测方法，该方法通常又被分为概率统计模型法、机器学习模型法和深度学习模型法；概率统计模型，相比于物理法能更好地跟随风电功率的变化趋势；机器学习模型的预测精度均优于传统概率模型；深度学习模型能充分挖掘输入序列的时间和空间特性，进一步提高风电功率预测的精度。统计方法虽然能够很好的提取出历史数据的线性和非线性关系，提高风电功率预测精度，但对历史数据变化规律的一致性有很高的要求；同时，统计法的建模过程带有“黑箱”性，与物理预测方法一样都没有对预测误差做进一步分析，都存在预测稳定性差的问题。
发明内容
针对现有技术中存在不足，本发明提供了一种基于数模双驱的风电功率预测方法、装置和存储介质，相比于单一预测模型，拥有更高预测精度，预测结果更加稳定。
本发明是通过以下技术手段实现上述技术目的的。
一种基于数模双驱的风电功率预测方法，包括如下步骤：
步骤1：获取历史气象数据、历史风机运行状态数据、风电出力功率数据，依次进行预处理和归一化处理；
步骤2：利用MSC-LSTM框架提取历史气象数据和风电出力功率数据的非线性映射关系，搭建数字驱动模型；
步骤3：利用TCN框架提取风机运行状态数据和风电出力功率数据的非线性映射关系，搭建物理驱动模型；
步骤4：利用全连接层将数字驱动模型和物理驱动模型的输出层相连，再利用注意力机制层整合两种驱动模型的输出，以获取最终预测结果。
进一步地，所述步骤2的具体过程为：
步骤2.1：将经步骤1处理后的历史气象数据投入多尺度卷积层，多尺度卷积层每个卷积核输出的数据维度表示为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
表示第
Figure DEST_PATH_IMAGE006
个卷积核经过卷积层输出的数据维度；
Figure DEST_PATH_IMAGE008
表示输入图像的高度或宽度；
Figure DEST_PATH_IMAGE010
表示第
Figure 615048DEST_PATH_IMAGE006
个卷积核对应数据维度；
Figure DEST_PATH_IMAGE012
表示多尺度卷积网络对应0填充值；
Figure DEST_PATH_IMAGE014
为步长；
最终得到的时序特征数据集记为：
Figure DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE018
表示大小为
Figure DEST_PATH_IMAGE020
的多元卷积输出；
Figure DEST_PATH_IMAGE022
表示时序长度；
Figure DEST_PATH_IMAGE024
表示多尺度卷积后得到的时序特征数据集的特征维度；
Figure DEST_PATH_IMAGE026
表示归一化处理后初始数据的特征维度；
Figure DEST_PATH_IMAGE028
表示归一化处理后的初始数据集；
Figure DEST_PATH_IMAGE030
表示第
Figure 499565DEST_PATH_IMAGE006
个卷积核，
Figure DEST_PATH_IMAGE032
；
Figure DEST_PATH_IMAGE034
表示卷积符号；
步骤2.2：将多尺度卷积的输出投入典型LSTM中，利用LSTM表示为：
Figure DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE038
表示
Figure DEST_PATH_IMAGE040
时刻LSTM的输入；
Figure DEST_PATH_IMAGE042
表示
Figure 341619DEST_PATH_IMAGE040
时刻LSTM的输出；
Figure DEST_PATH_IMAGE044
、
Figure DEST_PATH_IMAGE046
均表示输入占比权重矩阵；
Figure DEST_PATH_IMAGE048
表示偏置矩阵。
进一步地，所述LSTM中的记忆单元分为短期记忆和长期记忆，具体如下：
Figure DEST_PATH_IMAGE050
其中，
Figure DEST_PATH_IMAGE052
表示使用sigmoid函数激活的网络输入门；
Figure DEST_PATH_IMAGE054
表示使用sigmoid函数激活的网络遗忘门；
Figure DEST_PATH_IMAGE056
表示单元状态更新值，用
Figure DEST_PATH_IMAGE058
函数作为激活函数，通过
Figure 517254DEST_PATH_IMAGE052
控制；
Figure DEST_PATH_IMAGE060
表示使用sigmoid激活的网络输出门；
Figure DEST_PATH_IMAGE062
表示单元状态，通过
Figure 987419DEST_PATH_IMAGE052
、
Figure 544302DEST_PATH_IMAGE060
以及前一时刻的单元状态
Figure DEST_PATH_IMAGE064
进行更新；
Figure DEST_PATH_IMAGE066
表示隐节点数据，在下一时间步参与网络输入；
Figure DEST_PATH_IMAGE068
表示矩阵乘积；
Figure DEST_PATH_IMAGE070
表示sigmoid函数；
Figure DEST_PATH_IMAGE072
表示决定信息更新数据权重矩阵；
Figure DEST_PATH_IMAGE074
表示遗忘门权重矩阵 ；
Figure DEST_PATH_IMAGE076
表示备选更新内容权重矩阵；
Figure DEST_PATH_IMAGE078
表示输出门权重矩阵；
Figure DEST_PATH_IMAGE080
表示决定信息更新数据偏置矩阵；
Figure DEST_PATH_IMAGE082
表示遗忘门偏置矩阵；
Figure DEST_PATH_IMAGE084
表示备选更新内容偏置矩阵；
Figure DEST_PATH_IMAGE086
表示输出门偏置矩阵；
Figure DEST_PATH_IMAGE088
表示当前时间步的输入。
进一步地，所述步骤3的具体过程为：
步骤3.1：通过堆叠空洞卷积挖掘TCN的输入与输出之间的时空特征，输出下一时刻的风电功率值，其中，
Figure 286753DEST_PATH_IMAGE040
时刻历史风机运行状态的空洞卷积为：
Figure DEST_PATH_IMAGE090
其中，
Figure DEST_PATH_IMAGE092
，
Figure DEST_PATH_IMAGE094
表示输入时间序列；
Figure DEST_PATH_IMAGE096
表示
Figure 79129DEST_PATH_IMAGE040
时刻下的特征向量，
Figure 482428DEST_PATH_IMAGE040
的取值范围为
Figure DEST_PATH_IMAGE098
；
Figure DEST_PATH_IMAGE100
表示膨胀因子；
Figure DEST_PATH_IMAGE102
表示求和符号中的下标，
Figure DEST_PATH_IMAGE104
表示滤波器大小，滤波器为
Figure DEST_PATH_IMAGE106
；
Figure DEST_PATH_IMAGE108
表示以
Figure 538109DEST_PATH_IMAGE100
为膨胀因子进行空洞卷积；
Figure DEST_PATH_IMAGE110
表示第
Figure DEST_PATH_IMAGE112
个输入序列向量，
Figure 213810DEST_PATH_IMAGE112
的取值范围为
Figure DEST_PATH_IMAGE114
；
步骤3.2：在TCN模型中引入残差模块，将初始输入数据，即历史风机运行状态数据经过两次TCN网络处理后得到的预测数据进行求和运算，在对该求和输出求偏导时剩余一个常数项，在反向传播的过程中，保证梯度连乘时不会出现梯度消失的现象。
进一步地，所述步骤4的具体过程为：
对数字驱动模型和物理驱动模型驱动的网络进行全连接后，在其后接入一个注意力机制层，注意力机制层表示为：
Figure DEST_PATH_IMAGE116
其中，
Figure DEST_PATH_IMAGE118
、
Figure DEST_PATH_IMAGE120
、
Figure DEST_PATH_IMAGE122
均为注意力机制环节中输出的中间矩阵；
Figure DEST_PATH_IMAGE124
表示输入的全连接层；
Figure DEST_PATH_IMAGE126
表示全连接层维度；
Figure DEST_PATH_IMAGE128
、
Figure DEST_PATH_IMAGE130
、
Figure DEST_PATH_IMAGE132
均表示权重矩阵，
Figure DEST_PATH_IMAGE134
、
Figure DEST_PATH_IMAGE136
、
Figure DEST_PATH_IMAGE138
均表示偏置矩阵，其中的上标均表示对应注意力机制环节，下标均表示矩阵维度；
Figure DEST_PATH_IMAGE140
表示矩阵转置；
Figure DEST_PATH_IMAGE142
表示经过注意力机制输出的层。
进一步地，所述预处理具体过程为：采用直接置零的方式对获取到的历史气象数据、历史风机运行状态数据以及风电出力功率数据中的负值进行直接消除，通过比较对应时刻贴近的前后时刻的气象数据、历史风机运行状态数据以及风电出力功率数据，对其中的无效值、乱码、缺失值进行修正或补全。
进一步地，所述归一化处理表达式为：
Figure DEST_PATH_IMAGE144
其中，
Figure DEST_PATH_IMAGE146
表示归一化处理后
Figure 246094DEST_PATH_IMAGE040
时刻对应的数据；
Figure DEST_PATH_IMAGE148
表示归一化处理前
Figure 972742DEST_PATH_IMAGE040
时刻对应的数据；
Figure DEST_PATH_IMAGE150
表示预处理后的相应数据序列；max和min分别表示
Figure 605849DEST_PATH_IMAGE150
中数据的最大值和最小值。
一种基于数模双驱的风电功率预测装置，包括：
数据获取模块，用于获取原始数据，即历史气象数据、历史风机运行状态数据、风电出力功率数据；
初步处理模块，用于对数据获取模块获取到的原始数据依次进行预处理和归一化处理，预处理具体为：采用直接置零的方式对原始数据中的负值进行直接消除，并且对原始数据中的无效值、乱码、缺失值进行修正或补全；
数字驱动模型搭建模块，用于基于MSC-LSTM框架提取历史气象数据和风电出力功率数据的非线性映射关系，搭建数字驱动模型；
物理驱动模型搭建模块，用于基于TCN框架提取风机运行状态数据和风电出力功率数据的非线性映射关系，搭建物理驱动模型；
模型整合模块，用于基于全连接层将数字驱动模型和物理驱动模型的输出层相连，利用注意力机制层整合两种驱动模型的输出，以获取最终预测结果。
一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现上述的基于数模双驱的风电功率预测方法。
本发明具有如下有益效果：
本发明提供的是一种基于MC-LSTM和TCN双驱的风电功率预测方法，是一种组合预测法，能够更加充分有效地利用风电检测数据，能够同时结合在风电功率预测情况下影响风电出力的多种因素。相比单一预测模型，本发明通过将数字驱动模型和物理驱动模型相结合，可以使其发挥各自优势，可以有效提高预测的精确度和平稳性，确保在超短周期内针对风电出力功率预测的准确性；通过添加注意力机制环节，可以有效提取数据序列在时间上的特征，进一步强化预测的准确度和稳定性。
附图说明
图1为本发明所述基于数模双驱的风电功率预测方法流程图；
图2为LSTM工作原理图；
图3为TCN网络模型的残差模块图；
图4为TCN网络模型的内部工作原理图；
图5为注意力机制层工作原理图；
图6为多元卷积层工作原理图；
图7为训练次数为100时的MSC-LSTM预测网络模型的测试集拟合曲线示意图；
图8为训练次数为150时的MSC-LSTM预测网络模型的测试集拟合曲线示意图；
图9为训练次数为100时的TCN预测网络模型的测试集拟合曲线示意图；
图10为训练次数为150时的TCN预测网络模型的测试集拟合曲线示意图；
图11为训练次数为100时的双驱预测网络模型的测试集拟合曲线示意图；
图12为训练次数为150时的双驱预测网络模型的测试集拟合曲线示意图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
实施例1：
本发明所述的基于数模双驱的风电功率预测方法，包括如下步骤：
步骤1：如图1所示，获取原始数据集，即历史气象数据、历史风机运行状态数据、风电出力功率数据，然后对获取到的数据进行预处理，采用直接置零的方式对原始数据集中的负值进行直接消除，通过比较对应时刻贴近的前后时刻的气象数据、历史风机运行状态数据、风电功率数据，对其中的无效值、乱码、缺失值进行修正或补全；
接着对预处理后的数据进行归一化处理，归一化处理后划分训练集和测试集，所述归一化处理表达式为：
Figure 831163DEST_PATH_IMAGE144
其中，
Figure 575128DEST_PATH_IMAGE146
表示归一化处理后
Figure 687440DEST_PATH_IMAGE040
时刻对应的数据；
Figure 757027DEST_PATH_IMAGE148
表示归一化处理前
Figure 954790DEST_PATH_IMAGE040
时刻对应的数据；
Figure 17293DEST_PATH_IMAGE150
表示预处理后的相应数据序列；max和min分别表示
Figure 984112DEST_PATH_IMAGE150
中数据的最大值和最小值。
步骤2：如图1、6所示，利用多尺度卷积-长短期记忆人工神经网络（MSC-LSTM）框架提取历史气象数据和风电出力功率数据的非线性映射关系，搭建数字驱动模型；MSC对一组数据集应用多个卷积核，从而在同一时间步下得到不同于初始数据的多维特征向量，这样做有利于得到时序数据集中更为全面的信息；图1中，Ai表示第i个时序下LSTM层参数，图6中，C1、C2、Ci均表示经过每个多尺度卷积层后得到的输出结果，L表示各个多尺度卷积层输出按照时间步组合成的在多个时间步下的多维特征向量集。步骤2的具体过程如下：
步骤2.1：如图1所示，对于经步骤1处理后的历史气象数据，将其投入多尺度卷积层，在每一个尺度下的卷积核拥有不同的大小，多尺度卷积层每个卷积核输出的数据维度表示为：
Figure 224601DEST_PATH_IMAGE002
其中，
Figure 909660DEST_PATH_IMAGE004
表示第
Figure 261007DEST_PATH_IMAGE006
个卷积核经过卷积层输出的数据维度；
Figure 331600DEST_PATH_IMAGE008
表示输入图像的高度或宽度；
Figure 8569DEST_PATH_IMAGE010
表示第
Figure 915345DEST_PATH_IMAGE006
个卷积核对应数据维度；
Figure 70383DEST_PATH_IMAGE012
表示多尺度卷积网络对应0填充值；
Figure 11794DEST_PATH_IMAGE014
为步长；
最终得到的时序特征数据集记为：
Figure 843353DEST_PATH_IMAGE016
其中，
Figure 503004DEST_PATH_IMAGE018
表示大小为
Figure 196154DEST_PATH_IMAGE020
的多元卷积输出；
Figure 726492DEST_PATH_IMAGE022
表示时序长度；
Figure 745264DEST_PATH_IMAGE024
表示多尺度卷积后得到的时序特征数据集的特征维度；
Figure 875900DEST_PATH_IMAGE026
表示归一化处理后初始数据的特征维度；
Figure 638319DEST_PATH_IMAGE028
表示归一化处理后的初始数据集；
Figure 288743DEST_PATH_IMAGE030
表示第
Figure 947258DEST_PATH_IMAGE006
个卷积核，
Figure 581502DEST_PATH_IMAGE032
；
Figure 865721DEST_PATH_IMAGE034
表示卷积符号；
步骤2.2：如图1、2所示，将多尺度卷积的输出投入典型长短期记忆人工神经网络，利用长短期记忆人工神经网络可表示为：
Figure 636231DEST_PATH_IMAGE036
其中，
Figure 731226DEST_PATH_IMAGE038
表示
Figure 587187DEST_PATH_IMAGE040
时刻LSTM的输入；
Figure 691409DEST_PATH_IMAGE042
表示
Figure 300114DEST_PATH_IMAGE040
时刻LSTM的输出；
Figure 566010DEST_PATH_IMAGE044
、
Figure 909267DEST_PATH_IMAGE046
均表示输入占比权重矩阵；
Figure 551600DEST_PATH_IMAGE048
表示偏置矩阵；
LSTM中的记忆单元分为短期记忆和长期记忆：
Figure 296703DEST_PATH_IMAGE050
其中，
Figure 982768DEST_PATH_IMAGE052
表示使用sigmoid函数激活的网络输入门；
Figure 547741DEST_PATH_IMAGE054
表示使用sigmoid函数激活的网络遗忘门，用于表征
Figure 993766DEST_PATH_IMAGE064
的哪些特征被用于计算
Figure 327795DEST_PATH_IMAGE062
；
Figure 184762DEST_PATH_IMAGE056
表示单元状态更新值，用
Figure 502611DEST_PATH_IMAGE058
函数作为激活函数，通过
Figure 221168DEST_PATH_IMAGE052
控制；
Figure 675283DEST_PATH_IMAGE060
表示使用sigmoid激活的网络输出门；
Figure 719463DEST_PATH_IMAGE062
表示单元状态，通过
Figure 508296DEST_PATH_IMAGE052
、
Figure 296123DEST_PATH_IMAGE060
以及前一时刻的单元状态
Figure 604745DEST_PATH_IMAGE064
进行更新；
Figure 554246DEST_PATH_IMAGE066
表示隐节点数据，会在下一时间步参与网络输入；
Figure 315529DEST_PATH_IMAGE068
表示矩阵乘积；
Figure 156315DEST_PATH_IMAGE070
表示sigmoid函数；
Figure 319443DEST_PATH_IMAGE072
表示决定信息更新数据权重矩阵；
Figure 705425DEST_PATH_IMAGE074
表示遗忘门权重矩阵 ；
Figure 219583DEST_PATH_IMAGE076
表示备选更新内容权重矩阵；
Figure 349213DEST_PATH_IMAGE078
表示输出门权重矩阵；
Figure 616115DEST_PATH_IMAGE080
表示决定信息更新数据偏置矩阵；
Figure 172998DEST_PATH_IMAGE082
表示遗忘门偏置矩阵；
Figure 174452DEST_PATH_IMAGE084
表示备选更新内容偏置矩阵；
Figure 842194DEST_PATH_IMAGE086
表示输出门偏置矩阵；
Figure 979914DEST_PATH_IMAGE088
表示当前时间步的输入。
步骤3：如图1所示，利用时间卷积网络（TCN）框架提取风机运行状态数据和风电出力功率数据的非线性映射关系，搭建物理驱动模型，具体过程如下：
步骤3.1：如图1、3、4所示，通过堆叠空洞卷积挖掘TCN的输入与输出之间的时空特征，输出下一时刻的风电功率值，其中，
Figure 956967DEST_PATH_IMAGE040
时刻历史风机运行状态的空洞卷积为：
Figure 180137DEST_PATH_IMAGE090
其中，
Figure 385991DEST_PATH_IMAGE092
，
Figure 643797DEST_PATH_IMAGE094
表示输入时间序列；
Figure 542483DEST_PATH_IMAGE096
表示
Figure 502217DEST_PATH_IMAGE040
时刻下的特征向量，
Figure 511762DEST_PATH_IMAGE040
的取值范围为
Figure 889653DEST_PATH_IMAGE098
；
Figure 693661DEST_PATH_IMAGE100
表示膨胀因子；
Figure 891424DEST_PATH_IMAGE102
表示求和符号中的下标，
Figure 953927DEST_PATH_IMAGE104
表示滤波器大小，滤波器为
Figure 920746DEST_PATH_IMAGE106
；
Figure 161235DEST_PATH_IMAGE108
表示以
Figure 846294DEST_PATH_IMAGE100
为膨胀因子进行空洞卷积；
Figure 197641DEST_PATH_IMAGE110
表示第
Figure 268234DEST_PATH_IMAGE112
个输入序列向量，
Figure 945203DEST_PATH_IMAGE112
的取值范围为
Figure 851979DEST_PATH_IMAGE114
；
步骤3.2：如图1、3、4所示，在TCN模型中引入残差模块，解决深层传统神经网络中梯度爆炸和网络退化的问题，这种残差结构可以在特征提取过程避免丢失较多的信息，能够尽可能保留信息，提高模型的准确率。残差在数理统计中是指实际观察值与估计值(拟合值)之间的差，根据图3所示，将初始输入数据（即历史风机运行状态数据）经过两次TCN网络处理后得到的预测数据进行求和运算，通过这种方式在对该求和输出求偏导时会剩余一个常数项，因此在反向传播的过程中，即使梯度连乘也不会出现梯度消失的现象。
步骤4：如图1、5所示，利用全连接层将数字驱动模型和物理驱动模型的输出层相连，再利用注意力机制层（AT）整合两种驱动模型的输出，提高输出预测图线的平滑度和精度，得到更加精准的最终预测结果；当注意力机制层的获得需要重点关注的目标区域后，对这一区域投入更多注意力资源，从而获取更多所需要关注目标的细节信息，在图5中表现为使用三个线性层和softmax（归一化指数函数）层对全连接层中的参数获取注意力资源，从而获取其中对预测结果准确性起更大作用的区域；图1、5中，
Figure DEST_PATH_IMAGE152
表示
Figure 475858DEST_PATH_IMAGE104
矩阵经过softmax层得到的输出结果，
Figure DEST_PATH_IMAGE154
表示
Figure DEST_PATH_IMAGE156
矩阵的转置矩阵。步骤4的具体过程如下：
对数字驱动模型和物理驱动模型驱动的网络进行全连接后，在其后接入一个注意力机制层，注意力机制层表示为：
Figure 869800DEST_PATH_IMAGE116
其中，
Figure 452091DEST_PATH_IMAGE118
、
Figure 846163DEST_PATH_IMAGE120
、
Figure 788580DEST_PATH_IMAGE122
均为注意力机制环节中输出的中间矩阵；
Figure 850077DEST_PATH_IMAGE124
表示输入的全连接层；
Figure DEST_PATH_IMAGE158
表示全连接层维度；
Figure 72111DEST_PATH_IMAGE128
、
Figure 219058DEST_PATH_IMAGE130
、
Figure 699587DEST_PATH_IMAGE132
均表示权重矩阵，
Figure 615591DEST_PATH_IMAGE134
、
Figure 539684DEST_PATH_IMAGE136
、
Figure 908349DEST_PATH_IMAGE138
均表示偏置矩阵，其中的上标均表示对应注意力机制环节，下标均表示矩阵维度；
Figure 208880DEST_PATH_IMAGE140
表示矩阵转置；
Figure 963078DEST_PATH_IMAGE142
表示经过注意力机制输出的层，其维度和输入全连接层完全相同。
实施例2：
选取某地测风塔于2019年10月到2020年11月的实测数据，采样间隔为15min，数据条数约有38000条，裁选其中10000条数据，经过预处理以及归一化处理后，利用时序滑窗法搭建数据集，并选取其中70%数据作为训练集，余下30%数据作为测试集。
将历史气象数据序列投入MSC-LSTM预测网络模型中，设置样本数batch=16，训练次数分别取epoch=100和epoch=150，获取到的两个测试集拟合曲线如图7、8所示；由图7、8可知，在进行有效训练次数的训练后，风电功率预测曲线和测试集中实际发出的功率值曲线基本吻合，由此证明了MSC-LSTM网络的有效性。
将历史风机运行状态数据序列投入TCN预测网络模型中，设置样本数batch=16，训练次数分别取epoch=100和epoch=150，获取到的两个测试集拟合曲线如图9、10所示，由图9、10可知，在进行有效训练次数的训练后，风电功率预测曲线和测试集中实际发出的功率值曲线基本吻合，由此证明了TCN网络的有效性。
利用全连接层和注意力机制对MSC-LSTM网络和TCN网络进行整合，相当于对两种网络进行并联，这种方式可以通过将每种特征量分别投入效果最好的网络中，得到相比于单独使用两种网络训练更为优秀的预测曲线；
将历史气象数据序列、历史风机运行状态数据序列投入MSC-LSTM和TCN双驱的预测网络模型中，设置样本数batch=16，训练次数分别取epoch=100和epoch=150，获取到的两个测试集拟合曲线如图11、12所示。
三种预测网络模型下的性能指标如下表1所示，由表1可知，MSC-LSTM和TCN双驱的预测网络模型在误差指标上的表现要优于单独的MSC-LSTM网络模型和单独的TCN网络模型，由此可见，本发明在预测风电功率时拥有比单一网络更好的稳定性和精确性。
表1 不同网络模型的预测性能指标评价表
Figure DEST_PATH_IMAGE160
图7至12中，各拟合曲线的横坐标均表示时间，纵坐标均表示相对功率，prediction表示测试拟合曲线，real表示真实拟合曲线。
实施例3：
本实施例提供了一种基于数模双驱的风电功率预测装置，包括：
数据获取模块，用于获取原始数据，即历史气象数据、历史风机运行状态数据、风电出力功率数据；
初步处理模块，用于对数据获取模块获取到的原始数据依次进行预处理和归一化处理，预处理具体为：采用直接置零的方式对原始数据中的负值进行直接消除，并且对原始数据中的无效值、乱码、缺失值进行修正或补全；
数字驱动模型搭建模块，用于基于MSC-LSTM框架提取历史气象数据和风电出力功率数据的非线性映射关系，搭建数字驱动模型；
物理驱动模型搭建模块，用于基于TCN框架提取风机运行状态数据和风电出力功率数据的非线性映射关系，搭建物理驱动模型；
模型整合模块，用于基于全连接层将数字驱动模型和物理驱动模型的输出层相连，利用注意力机制层整合两种驱动模型的输出，以获取最终预测结果。
实施例4：
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现下述方法步骤：
获取历史气象数据、历史风机运行状态数据、风电出力功率数据序列；
对历史气象数据、历史风机运行状态数据、风电出力功率数据进行预处理和归一化处理；
利用MSC-LSTM框架提取历史气象数据和风电出力功率数据的非线性映射关系，搭建基于MSC-LSTM的海上风电功率超短期预测数字驱动模型；
利用TCN框架，提取历史风机运行状态数据和风电出力功率数据的非线性映射关系，搭建基于TCN的海上风电功率超短期预测物理驱动模型；
利用全连接层将数字驱动模型和物理驱动模型的输出层相连接；
利用注意力机制整合两种驱动模型的输出，得到最终预测结果。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供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步骤。

Claims (7)

1.一种基于数模双驱的风电功率预测方法，其特征在于，包括如下步骤：
步骤1：获取历史气象数据、历史风机运行状态数据、风电出力功率数据，依次进行预处理和归一化处理；
步骤2：利用多尺度卷积-长短期记忆人工神经网络(MSC-LSTM)框架提取历史气象数据和风电出力功率数据的非线性映射关系，搭建数字驱动模型；
步骤3：利用时间卷积网络(TCN)框架提取风机运行状态数据和风电出力功率数据的非线性映射关系，搭建物理驱动模型；
步骤4：利用全连接层将数字驱动模型和物理驱动模型的输出层相连，再利用注意力机制层整合两种驱动模型的输出，以获取最终预测结果；
所述步骤2的具体过程为：
步骤2.1：将经步骤1处理后的历史气象数据投入多尺度卷积层，多尺度卷积层每个卷积核输出的数据维度表示为：
Figure FDA0003617150550000011
其中，Oi表示第i个卷积核经过卷积层输出的数据维度；N表示输入图像的高度或宽度；Fi表示第i个卷积核对应数据维度；P表示多尺度卷积网络对应0填充值；Stride为步长；
最终得到的时序特征数据集记为：
Figure FDA0003617150550000012
其中，Ln·m表示大小为n·m的多元卷积输出；n表示时序长度；m表示多尺度卷积后得到的时序特征数据集的特征维度；x表示归一化处理后初始数据的特征维度；Ix·n表示归一化处理后的初始数据集；Ki表示第i个卷积核，i∈[1,m]；*表示卷积符号；
步骤2.2：将多尺度卷积的输出投入典型LSTM中，利用LSTM表示为：
y(t)＝f(X(t)·W+y(t-1)·V+b)
其中，X(t)表示t时刻LSTM的输入；y(t)表示t时刻LSTM的输出；V、W均表示输入占比权重矩阵；b表示偏置矩阵；
所述步骤3的具体过程为：
步骤3.1：通过堆叠空洞卷积挖掘时间卷积网络(TCN)的输入与输出之间的时空特征，输出下一时刻的风电功率值，其中，t时刻历史风机运行状态的空洞卷积为：
Figure FDA0003617150550000021
其中，S＝{S0,S1,...SA-1}，S表示输入时间序列；st表示t时刻下的特征向量，t的取值范围为[0,A-1]；d表示膨胀因子；a表示求和符号中的下标，A表示滤波器大小，滤波器为F＝{F0,F1,...FA-1}；*d表示以d为膨胀因子进行空洞卷积；st-d(A-a)表示第t-d(A-a)个输入序列向量，t-d(A-a)的取值范围为[t-A,t]；
步骤3.2：在时间卷积网络(TCN)模型中引入残差模块，将初始输入数据，即历史风机运行状态数据经过两次时间卷积网络(TCN)处理后得到的预测数据进行求和运算，在对该求和输出求偏导时剩余一个常数项，在反向传播的过程中，保证梯度连乘时不会出现梯度消失的现象。
2.根据权利要求1所述的基于数模双驱的风电功率预测方法，其特征在于，所述LSTM中的记忆单元分为短期记忆和长期记忆，具体如下：
it＝σ(Wi·[ht-1,xt]+bi)
ft＝σ(Wf·[ht-1,xt]+bf)
Figure FDA0003617150550000031
ot＝σ(Wo[ht-1,xt]+bo)
Figure FDA0003617150550000032
ht＝ot⊙tanh(Ct)
其中，it表示使用sigmoid函数激活的网络输入门；ft表示使用sigmoid函数激活的网络遗忘门；
Figure FDA0003617150550000033
表示单元状态更新值，用tanh函数作为激活函数，通过it控制；ot表示使用sigmoid激活的网络输出门；Ct表示单元状态，通过it、ot以及前一时刻的单元状态Ct-1进行更新；ht表示隐节点数据，在下一时间步参与网络输入；⊙表示矩阵乘积；σ表示sigmoid函数；Wi表示决定信息更新数据权重矩阵；Wf表示遗忘门权重矩阵；WC表示备选更新内容权重矩阵；Wo表示输出门权重矩阵；bi表示决定信息更新数据偏置矩阵；bf表示遗忘门偏置矩阵；bC表示备选更新内容偏置矩阵；bo表示输出门偏置矩阵；xt表示当前时间步的输入。
3.根据权利要求1所述的基于数模双驱的风电功率预测方法，其特征在于，所述步骤4的具体过程为：
对数字驱动模型和物理驱动模型驱动的网络进行全连接后，在其后接入一个注意力机制层，注意力机制层表示为：
Figure FDA0003617150550000041
Figure FDA0003617150550000042
Figure FDA0003617150550000043
S″＝soft max(O⊙P)⊙Q
其中，O、P、Q均为注意力机制环节中输出的中间矩阵；F1·q表示输入的全连接层；q表示全连接层维度；
Figure FDA0003617150550000044
均表示权重矩阵，
Figure FDA0003617150550000045
均表示偏置矩阵，其中的上标均表示对应注意力机制环节，下标均表示矩阵维度；T表示矩阵转置；S″表示经过注意力机制输出的层。
4.根据权利要求1所述的基于数模双驱的风电功率预测方法，其特征在于，所述预处理具体过程为：采用直接置零的方式对获取到的历史气象数据、历史风机运行状态数据以及风电出力功率数据中的负值进行直接消除，通过比较对应时刻贴近的前后时刻的气象数据、历史风机运行状态数据以及风电出力功率数据，对其中的无效值、乱码、缺失值进行修正或补全。
5.根据权利要求1所述的基于数模双驱的风电功率预测方法，其特征在于，所述归一化处理表达式为：
Figure FDA0003617150550000046
其中，St″表示归一化处理后t时刻对应的数据；St′表示归一化处理前t时刻对应的数据；S′表示预处理后的相应数据序列；max和min分别表示S′中数据的最大值和最小值。
6.一种用于实现权利要求1至5中任一项所述的基于数模双驱的风电功率预测方法的基于数模双驱的风电功率预测装置，其特征在于，包括：
数据获取模块，用于获取原始数据，即历史气象数据、历史风机运行状态数据、风电出力功率数据；
初步处理模块，用于对数据获取模块获取到的原始数据依次进行预处理和归一化处理，预处理具体为：采用直接置零的方式对原始数据中的负值进行直接消除，并且对原始数据中的无效值、乱码、缺失值进行修正或补全；
数字驱动模型搭建模块，用于基于多尺度卷积-长短期记忆人工神经网络(MSC-LSTM)框架提取历史气象数据和风电出力功率数据的非线性映射关系，搭建数字驱动模型；
物理驱动模型搭建模块，用于基于时间卷积网络(TCN)框架提取风机运行状态数据和风电出力功率数据的非线性映射关系，搭建物理驱动模型；
模型整合模块，用于基于全连接层将数字驱动模型和物理驱动模型的输出层相连，利用注意力机制层整合两种驱动模型的输出，以获取最终预测结果。
7.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现权利要求1至5中任一项所述的基于数模双驱的风电功率预测方法。
CN202210235846.8A 2022-03-11 2022-03-11 一种基于数模双驱的风电功率预测方法、装置和存储介质 Active CN114298446B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210235846.8A CN114298446B (zh) 2022-03-11 2022-03-11 一种基于数模双驱的风电功率预测方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210235846.8A CN114298446B (zh) 2022-03-11 2022-03-11 一种基于数模双驱的风电功率预测方法、装置和存储介质

Publications (2)

Publication Number Publication Date
CN114298446A CN114298446A (zh) 2022-04-08
CN114298446B true CN114298446B (zh) 2022-06-03

Family

ID=80978655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210235846.8A Active CN114298446B (zh) 2022-03-11 2022-03-11 一种基于数模双驱的风电功率预测方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN114298446B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909926A (zh) * 2019-11-18 2020-03-24 中国计量大学 基于tcn-lstm的太阳能光伏发电预测方法
CN112257911A (zh) * 2020-10-13 2021-01-22 杭州电子科技大学 基于并行时空注意力机制的tcn多元时间序列预测方法
CN113902207A (zh) * 2021-10-19 2022-01-07 南京工程学院 一种基于tcn-lstm的短期负荷预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909926A (zh) * 2019-11-18 2020-03-24 中国计量大学 基于tcn-lstm的太阳能光伏发电预测方法
CN112257911A (zh) * 2020-10-13 2021-01-22 杭州电子科技大学 基于并行时空注意力机制的tcn多元时间序列预测方法
CN113902207A (zh) * 2021-10-19 2022-01-07 南京工程学院 一种基于tcn-lstm的短期负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
计及湍流强度的风电功率短期预测;黄睿等;《电网技术》;20190630;第43卷(第6期);第1907-1913 *

Also Published As

Publication number Publication date
CN114298446A (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
CN112149316B (zh) 基于改进的cnn模型的航空发动机剩余寿命预测方法
CN108647839A (zh) 基于代价敏感lstm循环神经网络的稳压器水位预测方法
CN105303262A (zh) 一种基于核主成分分析和随机森林的短期负荷预测方法
US20210334658A1 (en) Method for performing clustering on power system operation modes based on sparse autoencoder
CN108879732B (zh) 电力系统暂态稳定评估方法及装置
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
CN114676814A (zh) 一种基于satcn-lstm的风功率超短期预测方法
CN105956722A (zh) 一种短期风电功率的预测方法及装置
CN109412161A (zh) 一种电力系统概率潮流计算方法及系统
CN114707712A (zh) 一种发电机组备件需求的预测方法
CN116842337A (zh) 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法
WO2023019899A1 (zh) 神经网络实时剪枝方法、系统及神经网络加速器
CN116599050A (zh) 基于自注意力机制的光伏预测方法及相关装置
CN115186923A (zh) 光伏发电功率的预测方法、装置及电子设备
CN113435595B (zh) 基于自然进化策略的极限学习机网络参数两阶段优化方法
CN114298446B (zh) 一种基于数模双驱的风电功率预测方法、装置和存储介质
CN110276478B (zh) 基于分段蚁群算法优化svm的短期风电功率预测方法
CN112381664A (zh) 电网短期负荷预测方法、预测装置及存储介质
CN115965150A (zh) 一种基于权重分配的电力负荷预测方法
CN113642784B (zh) 一种计及风机状态的风电功率超短期预测的方法
CN115796327A (zh) 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法
CN115759343A (zh) 一种基于e-lstm的用户电量预测方法和装置
CN112329335B (zh) 一种变压器油中溶解气体含量的长期预测方法
CN114638421A (zh) 一种发电机组备件需求的预测方法
CN111476408B (zh) 一种电力通信设备状态预测方法及系统

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