CN114372418A - 一种风电功率时空态势描述模型建立方法 - Google Patents

一种风电功率时空态势描述模型建立方法 Download PDF

Info

Publication number
CN114372418A
CN114372418A CN202210047975.4A CN202210047975A CN114372418A CN 114372418 A CN114372418 A CN 114372418A CN 202210047975 A CN202210047975 A CN 202210047975A CN 114372418 A CN114372418 A CN 114372418A
Authority
CN
China
Prior art keywords
model
wind power
time
establishing
layer
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.)
Pending
Application number
CN202210047975.4A
Other languages
English (en)
Inventor
华昊辰
陈星莺
刘畅
余昆
甘磊
梅飞
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202210047975.4A priority Critical patent/CN114372418A/zh
Publication of CN114372418A publication Critical patent/CN114372418A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种风电功率时空态势描述模型建立方法，步骤如下：(1)获取天气数据以及风机的实时功率信息；(2)建立长短时记忆网络模型Fθ；(3)分析风机与负荷供需平衡的时间变迁机理；(4)建立图卷积神经网络模型Gθ；(5)分析风机与负荷供需平衡的空间变迁机理；(6)建立多层感知机模型Jθ；(7)构建风电功率预测模型；(8)建立风电功率超短期实时动态响应模型；(9)建立风电功率时空态势描述模型。本发明通过理论模型和数据驱动模型的优势互补，既增强了数据驱动模型的可解释性，也弥补了知识驱动建模需要系统辨识步骤和经验的缺点，大大提高了模型的精确度，为系统能量优化控制等策略的制定提供模型支撑。

Description

一种风电功率时空态势描述模型建立方法
技术领域
本发明涉及电力系统理论和人工智能的交叉技术应用领域，特别是一种风电功率时空态势描述模型建立方法。
背景技术
由于日趋严重的环境与资源问题，国际社会纷纷采取措施试图遏制这些问题的恶化，措施之一就是扶持新能源的发展，促进能源系统向清洁低碳转型。考虑到风能利用成本低廉和技术成熟等优点，风力发电成为电力系统中增长较快的新能源发电技术，据目前统计数据显示，风电已成为继煤电、水电之后的第三大能源。构建能源互联网作为促进能源系统绿色转型、达成“碳达峰、碳中和”目标的重要手段，多微网作为能源互联网的一种表现形式，近年来受到广泛关注引起了人们的广泛关注。风电作为一种重要分布式可再生能源，分布在各个微网中。大规模风电接入对多微网系统可再生能源消纳的影响尤为突出，而导致可再生能源消纳问题的主要原因是风电的的随机波动性和不可控性，其出力受风速、风向、外界环境温度等的影响存在较大的波动性，无法预知未来风电出力的大小和变化趋势，造成电力系统运行人员无法应对剧烈的风电波动而快速准确地做出调度控制和电力交易的决策响应。因此，对风电功率进行准确的建模，能够有效缓解大规模风电接入给多微网系统运行带来的强不确定性，可以提高风电在电力市场中的竞争力，具有十分重要的意义。
为解决多微网系统的能量优化控制等问题，需要建立风电功率的精细化模型，以支撑多微网能量优化控制策略的制定。而已有的多微网系统的风电功率建模方法具有一定的局限性和缺陷，表现在如下几个方面：
1、传统的知识驱动建模将复杂的现实物理设备用简单的线性数学模型表达，需要进行大量的模糊化处理，复杂度有限的常规模型难以实现对实际物理世界的高精度近似，且难以很好地追踪环境的变化；
2、数据驱动的建模方法在工程应用时没有建立明确的系统模型，运算过程呈现“黑箱化”，导致结果缺乏可解释性和理论保证，存在着模型可解释性差、鲁棒性不强等问题，同时存在可能过拟合、欠拟合等风险；
3、目前的知识与数据的融合还处于初级阶段，同时多微网系统中存在大量不同类型的可再生能源和负荷，设备的多样化及负荷需求的不确定性都给风机的知识-数据联合驱动建模带来了更大的困难。
4、忽略了风电场区域内的地理地形、气象、环境以及风电机组之间的空间相关关系等因素的影响，地形复杂，地势起伏造成风电场内各处风速与风向变化大，一般情况下，山顶和山丘上的风要比山背处和背风山谷中的风大得多。
发明内容
发明目的：本发明的目的是提供一种具有准确性、快速性、智能性和自学习性的风电功率时空态势描述模型建立方法。
技术方案：本发明所述的一种风电功率时空态势描述模型建立方法，包括以下步骤：
(1)使用物联传感设备获取区域内温度、风速、风向等天气数据，以及风机的实时功率信息，从而使用历史监测数据对后续的模型进行训练。
(2)建立长短时记忆网络模型Fθ；所述步骤(2)具体为：
长短时记忆网络模型由长短时记忆网络LSTM层和三个全连接的层l1、l2和l3组成；LSTM层中有40个节点，这些节点中的激活函数是双曲正切函数tanh；全连接层l1、l2和l3分别包含40、20和1个节点，它们的激活函数是线性整流函数ReLU。
(3)分析风机与负荷供需平衡的时间变迁机理；所述步骤(3)具体为：
(3.1)选取对风机出力具有较强影响的温度、风速、风向天气因素集合C(t,s,d)，其中t表示温度，s表示风速，d表示风向；
(3.2)将天气数据温度、风速、风向作为长短时记忆网络输入的特征向量，将风机的功率数据作为网络输出的目标值，由此获得各微网风机受时间、天气和随机波动影响的风电功率预测模型Pt：
Pt＝Fθ(Pb,T,C(t,s,d))+N(μ,σ2) (1)
其中，Pb为前一时段风电功率，T为时间，Fθ为长短时记忆网络模型，N(μ,σ2)为模型残差拟合的随机波动。
(4)建立图卷积神经网络模型Gθ；所述步骤(4)具体为：
(4.1)基于皮尔逊相关系数法分析天气因素对单个微网功率变化的影响程度。考虑到多微网系统多个微网连接的拓扑结构，则微网间的能量传输网络可表示为图G：
G＝(V,E) (2)
其中V为微网的集合，E为能量传输线路的集合；
(4.2)选择具有3层图卷积网络的图卷积神经网络模型Gθ对上述多微网能量传输网络的微网信息进行特征提取，每层图卷积后均接ReLU激活函数；
(4.3)根据能量传输网络的微网与邻近微网的连接关系建立微网的邻接矩阵A，以及表示每个微网的邻接微网数量的度矩阵D，定义归一化的拉普拉斯矩阵为：
Figure BDA0003473185040000031
其中，I为单位矩阵，D为对角矩阵，Dii＝∑jAij；
可知L为对称矩阵；
(4.4)对L奇异值分解：
L＝UΛUT (4)
其中，Λ＝diag([λ1,λ2,…,λn])为特征值对角阵，U＝[U1,U2,…,Un]为特征向量正交矩阵；对于图G中单个微网x，定义图傅里叶变换为
Figure BDA0003473185040000032
逆变换为
Figure BDA0003473185040000033
图信号频域滤波响应为
Figure BDA0003473185040000034
进行傅里叶逆变换即：
z＝Ugθ(Λ)UTx (5)
式(5)即为图卷积的基本形式，其中gθ(Λ)对应为可学习的滤波函数；
(4.5)用λmax表示L最大特征值，令
Figure BDA0003473185040000035
采用切比雪夫多项式Tk来近似gθ(Λ)：
Figure BDA0003473185040000036
Figure BDA0003473185040000041
为对应拉普拉斯矩阵缩放，结合恒等式(UΛUT)k＝UΛkUT，则式(5)可近似为：
Figure BDA0003473185040000042
(4.6)本发明中取K＝1，即只考虑微网的1阶连接信息，令归一化的L最大特征值λmax＝2，则式(7)可展开并简化为：
Figure BDA0003473185040000043
(4.7)防止模型过拟合，采用θ＝θ0＝-θ1进一步约束参数数量可得：
Figure BDA0003473185040000044
实际使用该算子易发生消失梯度，采用
Figure BDA0003473185040000045
近似算子效果更佳，其中
Figure BDA0003473185040000046
(4.8)针对一个含有N个特征长度为C的节点的图G＝(V,E),X＝[x1,x2,…,xn]∈RN ×C表示图节点信号矩阵，则对于图G的卷积操作可定义为：
Figure BDA0003473185040000047
其中，Φ∈RC×F为卷积核参数矩阵，Z为输出节点信号，特征长度为F；
(4.9)基于式(10)，设第j层图卷积和ReLU的操作为
Figure BDA0003473185040000048
则针对本发明的3层图卷积网络的图卷积神经网络模型Gθ为：
Figure BDA0003473185040000049
其中，
Figure BDA00034731850400000410
为第一层图卷积和ReLU的操作,
Figure BDA00034731850400000411
为第二层图卷积和ReLU的操作,
Figure BDA00034731850400000412
为第三层图卷积和ReLU的操作。
(5)分析风机与负荷供需平衡的空间变迁机理；所述步骤(5)具体为：使用图卷积神经网络按照拓扑结构对上述用图G表示的多微网能量传输网络的微网信息进行特征提取，分析微网间受全网潮流影响的能量迁移，得到供需平衡中风电功率预测值Pg：
Pg＝Gθ(Pb,A) (12)
其中，Pb为所有微网内风机前一段时间的功率数据，A为邻接矩阵，Gθ为图卷积神经网络模型。
(6)建立多层感知机模型Jθ；所述步骤(6)具体为：
(6.1)设多层感知机网络结构输入层有2个分量x1,x2：为时间和空间上的风电功率预测值PT、PG，输出层有1个分量y1：为风电功率预测模型PL，具有3层隐含层，每层包含4个神经元；f(x)代表激活函数，这里取ReLU函数；第一个隐含层的4个神经元与输入层2个分量x1,x2的解析表达式为：
Figure BDA0003473185040000051
其中，z1,j表示第1个隐含层上的第j个神经元，j＝1、2、3、4；Nx为输入层维度2；xi为输入层第i个分量；
Figure BDA0003473185040000052
是输入层第i个分量与第1个隐含层第j个神经元的连接权重；
Figure BDA0003473185040000053
为输入层第i个分量与第1个隐含层第j个神经元的偏置常数；
(6.2)向后继续传播时，以z1,j作为新的输入，对式(13)依次递归，得到各隐含层各个神经节点的计算结果：
Figure BDA0003473185040000054
其中，zk,j代表第k(k＞1)个隐含层上的第j个神经元；Nh代表第k-1个隐含层包含的神经元总数，Nh＝4；
Figure BDA0003473185040000055
为第k-1个隐含层上第i个分量与第k个隐含层上第j个神经元的连接权重；
Figure BDA0003473185040000056
为第k-1个隐含层上第i个分量与第k个隐含层上第j个神经元的偏置常数；
(6.3)由式(14)进一步得到输出层的解析表达式：
Figure BDA0003473185040000057
其中，yj代表输出层第j个分量，j≡1；M为隐含层总层数3；结合公式(13)～(15)，可建立多层感知机网络结构的由输入x到输出y的多层感知机模型Jθ。
(7)构建风电功率预测模型；所述步骤(7)具体为：基于步骤(4)和步骤(6)对供需平衡时空变迁机理的分析，对时间和空间维度上获得的风电功率模型进行整合，使用多层感知机可以构建风电功率预测模型PL：
PL＝Jθ(Pt,Pg) (16)
其中，Jθ为多层感知机模型，PT、PG分别为时间上和空间上的风电功率预测值。
(8)建立风电功率超短期实时动态响应模型；由于风机的输出功率受风速、风向和温度等天气条件的影响很大，因此实际风机的输出功率存在很大的随机波动。所述步骤(8)具体为：考虑到风机的秒级随机波动，采用莱维过程驱动的随机微分方程模拟风机的超短期实时动态响应：
Figure BDA0003473185040000061
其中，P(t)为t时刻微网功率，Bt是标准的布朗运动，N是泊松过程，
Figure BDA0003473185040000062
是补偿泊松过程，b,α,F和G是微分方程的系数函数。
(9)建立风电功率时空态势描述模型。所述步骤(9)具体为：基于实测数据与理论模型，将数据驱动的信息模型和知识驱动的原理模型相结合，使用步骤(8)的风电功率预测模型PL获取风机各时刻的功率初值和步骤(9)的超短期实时动态响应模型P(t)模拟控制过程中风机的动态响应，将二者综合建立风电功率时空态势描述模型：
P＝PL+P(t) (18)
其中，PL为风电功率预测模型，P(t)为风机的超短期实时动态响应。
一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的一种风电功率时空态势描述模型建立方法。
一种计算机设备，包括储存器、处理器及存储在存储器上并可再处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种风电功率时空态势描述模型建立方法。
有益效果：与现有技术相比，本发明具有如下优点：
1、通过理论模型和数据驱动模型的优势互补，既增强了数据驱动模型的可解释性，也弥补了知识驱动建模需要系统辨识步骤和经验的缺点，具有自学习的能力，大大提高了模型的精确度；
2、结合神经网络和采用莱维过程驱动的随机微分方程，综合考虑了风机的长期变化和短时波动，使模型更加精确，贴合实际；
3、在进行风功率建模时应充分考虑地形对风的影响，建模精度得到了进一步提高。
附图说明
图1为本发明的步骤流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示，一种风电功率时空态势描述模型建立方法，包括以下步骤：
(1)使用物联传感设备获取区域内温度、风速、风向等天气数据，以及风机的实时功率信息，从而使用历史监测数据对后续的模型进行训练。
(2)建立长短时记忆网络模型Fθ；所述步骤(2)具体为：
长短时记忆网络模型由长短时记忆网络LSTM层和三个全连接的层l1、l2和l3组成；LSTM层中有40个节点，这些节点中的激活函数是双曲正切函数tanh；全连接层l1、l2和l3分别包含40、20和1个节点，它们的激活函数是线性整流函数ReLU。
(3)分析风机与负荷供需平衡的时间变迁机理；所述步骤(3)具体为：
(3.1)选取对风机出力具有较强影响的温度、风速、风向天气因素集合C(t,s,d)，其中t表示温度，s表示风速，d表示风向；
(3.2)将天气数据温度、风速、风向作为长短时记忆网络输入的特征向量，将风机的功率数据作为网络输出的目标值，由此获得各微网风机受时间、天气和随机波动影响的风电功率预测模型Pt：
Pt＝Fθ(Pb,T,C(t,s,d))+N(μ,σ2) (1)
其中，Pb为前一时段风电功率，T为时间，Fθ为长短时记忆网络模型，N(μ,σ2)为模型残差拟合的随机波动。
(4)建立图卷积神经网络模型Gθ；所述步骤(4)具体为：
(4.1)基于皮尔逊相关系数法分析天气因素对单个微网功率变化的影响程度。考虑到多微网系统多个微网连接的拓扑结构，则微网间的能量传输网络可表示为图G：
G＝(V,E) (2)
其中V为微网的集合，E为能量传输线路的集合；
(4.2)选择具有3层图卷积网络的图卷积神经网络模型Gθ对上述多微网能量传输网络的微网信息进行特征提取，每层图卷积后均接ReLU激活函数；
(4.3)根据能量传输网络的微网与邻近微网的连接关系建立微网的邻接矩阵A，以及表示每个微网的邻接微网数量的度矩阵D，定义归一化的拉普拉斯矩阵为：
Figure BDA0003473185040000081
其中，I为单位矩阵，D为对角矩阵，Dii＝∑jAij；
可知L为对称矩阵；
(4.4)对L奇异值分解：
L＝UΛUT (4)
其中，Λ＝diag([λ1,λ2,…,λn])为特征值对角阵，U＝[U1,U2,…,Un]为特征向量正交矩阵；对于图G中单个微网x，定义图傅里叶变换为
Figure BDA0003473185040000082
逆变换为
Figure BDA0003473185040000083
图信号频域滤波响应为
Figure BDA0003473185040000084
进行傅里叶逆变换即：
z＝Ugθ(Λ)UTx (5)
式(5)即为图卷积的基本形式，其中gθ(Λ)对应为可学习的滤波函数；
(4.5)用λmax表示L最大特征值，令
Figure BDA0003473185040000085
采用切比雪夫多项式Tk来近似gθ(Λ)：
Figure BDA0003473185040000086
Figure BDA0003473185040000087
为对应拉普拉斯矩阵缩放，结合恒等式(UΛUT)k＝UΛkUT，则式(5)可近似为：
Figure BDA0003473185040000088
(4.6)本发明中取K＝1，即只考虑微网的1阶连接信息，令归一化的L最大特征值λmax＝2，则式(7)可展开并简化为：
Figure BDA0003473185040000091
(4.7)防止模型过拟合，采用θ＝θ0＝-θ1进一步约束参数数量可得：
Figure BDA0003473185040000092
实际使用该算子易发生消失梯度，采用
Figure BDA0003473185040000093
近似算子效果更佳，其中
Figure BDA0003473185040000094
(4.8)针对一个含有N个特征长度为C的节点的图G＝(V,E),X＝[x1,x2,…,xn]∈RN ×C表示图节点信号矩阵，则对于图G的卷积操作可定义为：
Figure BDA0003473185040000095
其中，Φ∈RC×F为卷积核参数矩阵，Z为输出节点信号，特征长度为F；
(4.9)基于式(10)，设第j层图卷积和ReLU的操作为
Figure BDA0003473185040000096
则针对本发明的3层图卷积网络的图卷积神经网络模型Gθ为：
Figure BDA0003473185040000097
其中，
Figure BDA0003473185040000098
为第一层图卷积和ReLU的操作,
Figure BDA0003473185040000099
为第二层图卷积和ReLU的操作,
Figure BDA00034731850400000910
为第三层图卷积和ReLU的操作。
(5)分析风机与负荷供需平衡的空间变迁机理；所述步骤(5)具体为：使用图卷积神经网络按照拓扑结构对上述用图G表示的多微网能量传输网络的微网信息进行特征提取，分析微网间受全网潮流影响的能量迁移，得到供需平衡中风电功率预测值Pg：
Pg＝Gθ(Pb,A) (12)
其中，Pb为所有微网内风机前一段时间的功率数据，A为邻接矩阵，Gθ为图卷积神经网络模型。
(6)建立多层感知机模型Jθ；所述步骤(6)具体为：
(6.1)设多层感知机网络结构输入层有2个分量x1,x2：为时间和空间上的风电功率预测值PT、PG，输出层有1个分量y1：为风电功率预测模型PL，具有3层隐含层，每层包含4个神经元；f(x)代表激活函数，这里取ReLU函数；第一个隐含层的4个神经元与输入层2个分量x1,x2的解析表达式为：
Figure BDA0003473185040000101
其中，z1,j表示第1个隐含层上的第j个神经元，j＝1、2、3、4；Nx为输入层维度2；xi为输入层第i个分量；
Figure BDA0003473185040000102
是输入层第i个分量与第1个隐含层第j个神经元的连接权重；
Figure BDA0003473185040000103
为输入层第i个分量与第1个隐含层第j个神经元的偏置常数；
(6.2)向后继续传播时，以z1,j作为新的输入，对式(13)依次递归，得到各隐含层各个神经节点的计算结果：
Figure BDA0003473185040000104
其中，zk,j代表第k(k＞1)个隐含层上的第j个神经元；Nh代表第k-1个隐含层包含的神经元总数，Nh＝4；
Figure BDA0003473185040000105
为第k-1个隐含层上第i个分量与第k个隐含层上第j个神经元的连接权重；
Figure BDA0003473185040000106
为第k-1个隐含层上第i个分量与第k个隐含层上第j个神经元的偏置常数；
(6.3)由式(14)进一步得到输出层的解析表达式：
Figure BDA0003473185040000107
其中，yj代表输出层第j个分量，j≡1；M为隐含层总层数3；结合公式(13)～(15)，可建立多层感知机网络结构的由输入x到输出y的多层感知机模型Jθ。
(67)构建风电功率预测模型；所述步骤(7)具体为：基于步骤(4)和步骤(6)对供需平衡时空变迁机理的分析，对时间和空间维度上获得的风电功率模型进行整合，使用多层感知机可以构建风电功率预测模型PL：
PL＝Jθ(Pt,Pg) (16)
其中，Jθ为多层感知机模型，PT、PG分别为时间上和空间上的风电功率预测值。
(8)建立风电功率超短期实时动态响应模型；由于风机的输出功率受风速、风向和温度等天气条件的影响很大，因此实际风机的输出功率存在很大的随机波动。所述步骤(8)具体为：考虑到风机的秒级随机波动，采用莱维过程驱动的随机微分方程模拟风机的超短期实时动态响应：
Figure BDA0003473185040000111
其中，P(t)为t时刻微网功率，Bt是标准的布朗运动，N是泊松过程，
Figure BDA0003473185040000112
是补偿泊松过程，b,α,F和G是微分方程的系数函数。
(9)建立风电功率时空态势描述模型。所述步骤(9)具体为：基于实测数据与理论模型，将数据驱动的信息模型和知识驱动的原理模型相结合，使用步骤(8)的风电功率预测模型PL获取风机各时刻的功率初值和步骤(9)的超短期实时动态响应模型P(t)模拟控制过程中风机的动态响应，将二者综合建立风电功率时空态势描述模型：
P＝PL+P(t) (18)
其中，PL为风电功率预测模型，P(t)为风机的超短期实时动态响应。
一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的一种风电功率时空态势描述模型建立方法。
一种计算机设备，包括储存器、处理器及存储在存储器上并可再处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种风电功率时空态势描述模型建立方法。

Claims (11)

1.一种风电功率时空态势描述模型建立方法，其特征在于，包括以下步骤：
(1)获取天气数据以及风机的实时功率信息；
(2)建立长短时记忆网络模型Fθ；
(3)分析风机与负荷供需平衡的时间变迁机理；
(4)建立图卷积神经网络模型Gθ；
(5)分析风机与负荷供需平衡的空间变迁机理；
(6)建立多层感知机模型Jθ；
(7)构建风电功率预测模型；
(8)建立风电功率超短期实时动态响应模型；
(9)建立风电功率时空态势描述模型。
2.根据权利要求1所述的一种风电功率时空态势描述模型建立方法，其特征在于，所述步骤(2)具体为：
长短时记忆网络模型由长短时记忆网络LSTM层和三个全连接的层l1、l2和l3组成；LSTM层中有40个节点，这些节点中的激活函数是双曲正切函数tanh；全连接层l1、l2和l3分别包含40、20和1个节点，它们的激活函数是线性整流函数ReLU。
3.根据权利要求1所述的一种风电功率时空态势描述模型建立方法，其特征在于，所述步骤(3)具体为：
(3.1)选取对风机出力具有较强影响的温度、风速、风向天气因素集合C(t,s,d)，其中t表示温度，s表示风速，d表示风向；
(3.2)将天气数据温度、风速、风向作为长短时记忆网络输入的特征向量，将风机的功率数据作为网络输出的目标值，由此获得各微网风机受时间、天气和随机波动影响的风电功率预测模型Pt：
Pt＝Fθ(Pb,T,C(t,s,d))+N(μ,σ2) (1)
其中，Pb为前一时段风电功率，T为时间，Fθ为长短时记忆网络模型，N(μ,σ2)为模型残差拟合的随机波动。
4.根据权利要求1所述的一种风电功率时空态势描述模型建立方法，其特征在于，所述步骤(4)具体为：
(4.1)考虑到多微网系统多个微网连接的拓扑结构，则微网间的能量传输网络可表示为图G：
G＝(V,E) (2)
其中V为微网的集合，E为能量传输线路的集合；
(4.2)选择具有3层图卷积网络的图卷积神经网络模型Gθ对上述多微网能量传输网络的微网信息进行特征提取，每层图卷积后均接ReLU激活函数；
(4.3)根据能量传输网络的微网与邻近微网的连接关系建立微网的邻接矩阵A，以及表示每个微网的邻接微网数量的度矩阵D，定义归一化的拉普拉斯矩阵为：
Figure FDA0003473185030000021
其中，I为单位矩阵，D为对角矩阵，Dii＝∑jAij；
可知L为对称矩阵；
(4.4)对L奇异值分解：
L＝UΛUT (4)
其中，Λ＝diag([λ1,λ2,…,λn])为特征值对角阵，U＝[U1,U2,…,Un]为特征向量正交矩阵；对于图G中单个微网x，定义图傅里叶变换为
Figure FDA0003473185030000022
逆变换为
Figure FDA0003473185030000023
图信号频域滤波响应为
Figure FDA0003473185030000024
进行傅里叶逆变换即：
z＝Ugθ(Λ)UTx (5)
式(5)即为图卷积的基本形式，其中gθ(Λ)对应为可学习的滤波函数；
(4.5)用λmax表示L最大特征值，令
Figure FDA0003473185030000025
采用切比雪夫多项式Tk来近似gθ(Λ)：
Figure FDA0003473185030000026
Figure FDA0003473185030000027
为对应拉普拉斯矩阵缩放，结合恒等式(UΛUT)k＝UΛkUT，则式(5)可近似为：
Figure FDA0003473185030000028
(4.6)本发明中取K＝1，即只考虑微网的1阶连接信息，令归一化的L最大特征值λmax＝2，则式(7)可展开并简化为：
Figure FDA0003473185030000031
(4.7)防止模型过拟合，采用θ＝θ0＝-θ1进一步约束参数数量可得：
Figure FDA0003473185030000032
实际使用该算子易发生消失梯度，采用
Figure FDA0003473185030000033
近似算子效果更佳，其中
Figure FDA0003473185030000034
(4.8)针对一个含有N个特征长度为C的节点的图G＝(V,E),X＝[x1,x2,…,xn]∈RN×C表示图节点信号矩阵，则对于图G的卷积操作可定义为：
Figure FDA0003473185030000035
其中，Φ∈RC×F为卷积核参数矩阵，Z为输出节点信号，特征长度为F；
(4.9)基于式(10)，设第j层图卷积和ReLU的操作为
Figure FDA0003473185030000036
则针对本发明的3层图卷积网络的图卷积神经网络模型Gθ为：
Figure FDA0003473185030000037
其中，
Figure FDA0003473185030000038
为第一层图卷积和ReLU的操作,
Figure FDA0003473185030000039
为第二层图卷积和ReLU的操作,
Figure FDA00034731850300000310
为第三层图卷积和ReLU的操作。
5.根据权利要求1所述的一种风电功率时空态势描述模型建立方法，其特征在于，所述步骤(5)具体为：使用图卷积神经网络按照拓扑结构对上述用图G表示的多微网能量传输网络的微网信息进行特征提取，分析微网间受全网潮流影响的能量迁移，得到供需平衡中风电功率预测值Pg：
Pg＝Gθ(Pb,A) (12)
其中，Pb为所有微网内风机前一段时间的功率数据，A为邻接矩阵，Gθ为图卷积神经网络模型。
6.根据权利要求1所述的一种风电功率时空态势描述模型建立方法，其特征在于，所述步骤(6)具体为：
(6.1)设多层感知机网络结构输入层有2个分量x1,x2：为时间和空间上的风电功率预测值PT、PG，输出层有1个分量y1：为风电功率预测模型PL，具有3层隐含层，每层包含4个神经元；f(x)代表激活函数，这里取ReLU函数；第一个隐含层的4个神经元与输入层2个分量x1,x2的解析表达式为：
Figure FDA0003473185030000041
其中，z1,j表示第1个隐含层上的第j个神经元，j＝1、2、3、4；Nx为输入层维度2；xi为输入层第i个分量；
Figure FDA0003473185030000042
是输入层第i个分量与第1个隐含层第j个神经元的连接权重；
Figure FDA0003473185030000043
为输入层第i个分量与第1个隐含层第j个神经元的偏置常数；
(6.2)向后继续传播时，以z1,j作为新的输入，对式(13)依次递归，得到各隐含层各个神经节点的计算结果：
Figure FDA0003473185030000044
其中，zk,j代表第k(k＞1)个隐含层上的第j个神经元；Nh代表第k-1个隐含层包含的神经元总数，Nh＝4；
Figure FDA0003473185030000045
为第k-1个隐含层上第i个分量与第k个隐含层上第j个神经元的连接权重；
Figure FDA0003473185030000046
为第k-1个隐含层上第i个分量与第k个隐含层上第j个神经元的偏置常数；
(6.3)由式(14)进一步得到输出层的解析表达式：
Figure FDA0003473185030000047
其中，yj代表输出层第j个分量，j≡1；M为隐含层总层数3；结合公式(13)～(15)，可建立多层感知机网络结构的由输入x到输出y的多层感知机模型Jθ。
7.根据权利要求1所述的一种风电功率时空态势描述模型建立方法，其特征在于，所述步骤(7)具体为：基于步骤(4)和步骤(6)对供需平衡时空变迁机理的分析，对时间和空间维度上获得的风电功率模型进行整合，使用多层感知机可以构建风电功率预测模型PL：
PL＝Jθ(Pt,Pg) (16)
其中，Jθ为多层感知机模型，PT、PG分别为时间上和空间上的风电功率预测值。
8.根据权利要求1所述的一种风电功率时空态势描述模型建立方法，其特征在于，所述步骤(8)具体为：考虑到风机的秒级随机波动，采用莱维过程驱动的随机微分方程模拟风机的超短期实时动态响应：
Figure FDA0003473185030000051
其中，P(t)为t时刻微网功率，Bt是标准的布朗运动，N是泊松过程，
Figure FDA0003473185030000052
是补偿泊松过程，b,α,F和G是微分方程的系数函数。
9.根据权利要求1所述的一种风电功率时空态势描述模型建立方法，其特征在于，所述步骤(9)具体为：基于实测数据与理论模型，将数据驱动的信息模型和知识驱动的原理模型相结合，使用步骤(8)的风电功率预测模型PL获取风机各时刻的功率初值和步骤(9)的超短期实时动态响应模型P(t)模拟控制过程中风机的动态响应，将二者综合建立风电功率时空态势描述模型：
P＝PL+P(t) (18)
其中，PL为风电功率预测模型，P(t)为风机的超短期实时动态响应。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-9中任一项所述的一种风电功率时空态势描述模型建立方法。
11.一种计算机设备，包括储存器、处理器及存储在存储器上并可再处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9中任一项所述的一种风电功率时空态势描述模型建立方法。
CN202210047975.4A 2022-01-17 2022-01-17 一种风电功率时空态势描述模型建立方法 Pending CN114372418A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210047975.4A CN114372418A (zh) 2022-01-17 2022-01-17 一种风电功率时空态势描述模型建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210047975.4A CN114372418A (zh) 2022-01-17 2022-01-17 一种风电功率时空态势描述模型建立方法

Publications (1)

Publication Number Publication Date
CN114372418A true CN114372418A (zh) 2022-04-19

Family

ID=81143877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210047975.4A Pending CN114372418A (zh) 2022-01-17 2022-01-17 一种风电功率时空态势描述模型建立方法

Country Status (1)

Country Link
CN (1) CN114372418A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881538A (zh) * 2022-06-24 2022-08-09 东南大学溧阳研究院 一种基于感知机的需求响应用户选择方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881538A (zh) * 2022-06-24 2022-08-09 东南大学溧阳研究院 一种基于感知机的需求响应用户选择方法
CN114881538B (zh) * 2022-06-24 2022-12-13 东南大学溧阳研究院 一种基于感知机的需求响应用户选择方法

Similar Documents

Publication Publication Date Title
Wang et al. Short-term wind speed forecasting based on information of neighboring wind farms
Feng et al. The practical research on flood forecasting based on artificial neural networks
Li et al. An intelligent transient stability assessment framework with continual learning ability
CN110837915B (zh) 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
CN111260124A (zh) 一种基于注意力机制深度学习的混沌时间序列预测方法
Barzola-Monteses et al. Energy consumption of a building by using long short-term memory network: a forecasting study
CN115015760B (zh) 基于神经网络、迁移集成学习的锂电池健康状态评估方法
Ma et al. An estimating combination method for interval forecasting of electrical load time series
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
CN115099511A (zh) 基于优化copula的光伏功率概率估计方法及系统
Ren et al. Power load forecasting based on support vector machine and particle swarm optimization
CN115640901A (zh) 一种基于混合神经网络和生成对抗的小样本负荷预测方法
CN115310727A (zh) 一种基于迁移学习的建筑冷热电负荷预测方法及系统
CN115983494A (zh) 一种新建小样本风电场的短期风电功率预测方法及系统
CN114372418A (zh) 一种风电功率时空态势描述模型建立方法
He et al. Short-term power load forecasting based on self-adapting PSO-BP neural network model
Prema et al. LSTM based Deep Learning model for accurate wind speed prediction
Arshad et al. Wind power prediction using genetic programming based ensemble of artificial neural networks (GPeANN)
CN117332227A (zh) 一种多时空尺度注意力机制的环境变量预测方法及设备
CN116431439A (zh) 一种绿色数据中心能耗监测管理系统
CN113962454A (zh) 基于双重特征选择+粒子群优化的lstm能耗预测方法
CN112183814A (zh) 一种短期风速预测方法
Zhang et al. Short-term power load forecasting based on wavelet transform and deep deterministic policy gradient
He et al. Application of ALO-ELM in load forecasting based on Big data

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