CN114386666A - 一种基于时空相关性的风电场短期风速预测方法 - Google Patents

Abstract

本发明公开了一种基于时空相关性的风电场短期风速预测方法，该方法基于VMD和混合深度学习模型CNN‑Attention‑LSTM，首先获取目标站点风速的时空数据，经过数据清理后进行VMD分解，获得较为稳定的IMF(固有模态函数)分量；进一步地，针对各IMF分量，应用底层的CNN模型抽取风速的空域特征；再应用项层LSTM模型进行风速时域特征的提取并得到各分量的预测结果，同时融合通道注意力机制；最后进行合并获得最终预测风速。本发明充分利用风速的时空相关性，结合VMD和CNN‑Attention‑LSTM网络，改善原始风速的不平稳特性，有效提高风速预测精度，可以优化包含风电场的电网调度性能，保障电力系统的可靠、经济运行。

Description

一种基于时空相关性的风电场短期风速预测方法

技术领域

本发明涉及一种风速预测方法，尤其涉及一种基于时空相关性的风电场短期风速预测方法。

背景技术

与煤炭、石油、天然气等传统能源相比，风能具有污染低、成本少、可持续的特点，目前已经成为新能源的主流，并在世界范围内广泛应用。根据全球风能理事会(GWEC)发布的最新报告，2020年全球风电装机容量达到743GW，新增装机同比增长53％。然而，对于包含风电场的电力系统来说，风电场的随机性、波动性和间歇性，对整个电力系统的运行控制提出了重大挑战。

目前，风速预测技术可分为三类：物理模型、统计模型和人工智能模型。物理模型主要通过建立风速与气压、空气密度、空气湿度的关系完成风速预测。该建模过程需要大量的计算，通常用于特定区域的长期风速预测。与物理模型相比，统计模型简单易行，在短期风速预测中广泛采用。它利用历史风速数据，建立系统输入和输出之间的线性映射关系。人工智能模型的基础是机器学习技术。它基于大量风速时间数据，描述系统输入和输出之间复杂的非线性关系。最近，随着深度学习技术的蓬勃发展，它们也迅速应用于短期风速预测，如CNN、RNN(循环神经网络)、GRU(门控循环单元)、LSTM等。该类方法结合现有的风速预测技术以及混合神经网络模型在一定程度上取得了不错的预测结果。但是，目前的短期风速预测算法大多只关注时域数据，而目标风电场附近站点的风速数据也同时包含着丰富的信息，例如风速的空域数据。目前这部分空域数据与预测常用的时域数据之间所具有的相关性未得到有效的利用，导致短期风速预测的精度在某些情景下的预测准确率大大降低。

发明内容

发明目的：针对以上问题，本发明提出一种基于时空相关性的风电场短期风速预测方法，能够提高风电场短期风速预测的精度。

技术方案：本发明所采用的技术方案是一种源测量单元测试系统及测试方法，包括以下步骤：

步骤1、获取风电场风速时空数据序列，进行数据预处理；所述数据预处理包括获取目标站点的原始时空风速序列X(t)_l，对缺失数据、重复数据和跳变数据使用该数值附近的风速平均值替换，得到预处理之后的风速数据

步骤2、应用VMD对预处理后的风速时空数据序列进行分解，得到固态模式函数分量IMF；步骤2中所述的应用VMD对预处理后的风速时空数据数列进行分解，得到表示原始数据时空特征的K个

分量，即t时刻风电场第l个站点风速的第k个固态模式函数分量。其中t∈R^T，k∈R^K，l∈R^L。

步骤3、对IMF分量应用CNN模型提取风速的空域特征；其中所述的卷积神经网络模型包括卷积层、池化层和全连接层，具体为：

卷积层：

其中，

代表特征图谱中的第l层的第q个特征，

代表第l层的核滤波器，

代表偏移向量，M_q是输入数据选择区域，*代表卷积操作，p代表当前使用的数据；

池化层：

其中，down(·)为下取样操作；

全连接层：x_l＝g(ω^lx^l-1+b^l)，ω^l和b^l分别代表权矩阵和偏移向量。

步骤4、应用LSTM模型，结合通道注意力机制对步骤3得到的数据空域特征进行处理，提取时域特征并得到风速的各预测分量；步骤4所述的长短时记忆模型为：

输入门：

遗忘门：

记忆单元：

输出门：

隐藏状态：

式中，i_t、f_t、c_t、o_t、h_t分别表示输入门、遗忘门、记忆单元、输出门和隐藏状态；w_hi、w_xi、b_i、w_hf、w_xf、b_f、w_hc、w_xc、b_c、w_ho、w_hx、w_co分别为长短时记忆模型中输入门、遗忘门、记忆单元、输出门和隐藏状态对应的待训练参数。

所述的通道注意力机制，表达式如下：

∝_t＝f(a(h_t))

式中，h_t表示LSTM的第t个输出特征，a表示对h_t进行相似性计算，f表示归一化过程，T表示LSTM输出特征的集合，c表示加权后的特征量，∝_t表示每个特征的权重。

步骤5：对各风速预测值分量进行叠加，得到最终的风速预测值。

有益效果：风电场中的风能具有时空相关性，已有短时风速预测技术往往只关注时序特征，忽略空域特征。相比于现有技术，本发明同时考虑风速数据的时空特征及两者的相关性来提高预测精度；具体的，结合VMD分解建立了CNN+Attention+LSTM的混合深度学习模型，同时利用了时空特征及其相关性来进行短期风速预测，在不同时间间隔的风速预测测试中相比现有其他预测算法获得了相当或更为准确的结果。同时，由于风速的波动性和随机性特征，需要结合一定的处理方法来获得相对平稳的子序列，本发明将VMD分解和混合深度学习模型结合，有效去除原始风速的不稳定性。使用VMD分解(变分模态分解)，相比现有的EMD(经验模态分解)和EEMD(集合经验模态分解)方法，不存在EMD的混频现象，并具有更好的噪声鲁棒性。其通过收敛条件的合理控制，分量个数远小于EMD和EEMD，提高了计算效率，在风速预测中取得了较好的结果。

附图说明

图1是本发明所述的基于时空相关性的风电场短期风速预测方法的流程图；

图2是本发明所述的VMD分解流程图；

图3是本发明所述的混合深度学习模型网络结构示意图；

图4是本发明所述的风速时空特征示意图；

图5是本发明所述的基于时空相关性的风电场短期风速预测方法在20分钟间隔的风速预测结果及残差示意图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

本发明所述的基于时空相关性的风电场短期风速预测方法，如图1所示，可分为数据预处理、VMD分解、CNN空域数据处理、Attention+LSTM时域数据处理、分预测值合并阶段。具体如下：

(1)数据预处理部分，具体为数据清理。

获取目标站点的原始时空风速序列X(t)_I，对缺失数据、重复数据和跳变数据，使用该数值附近的风速平均值替换。

(2)在VMD分解阶段，将预处理后的时空数据分解为K个固态模式分量

如图2所示。

(2.1)针对所述预处理之后的风速数据

假设每个模态是具有中心频率的有限带宽，寻找K个模态，使每个模态的估计带宽之和为最小。构造模型如下：

式中，K为需要分解的模式个数(正整数)，{u_k}、{ω_k}分别对应分解后第k个模式分量和中心频率，δ(t)为狄拉克函数，*为卷积运算。t为时间，l表示第l个站点，k表示第k个固态模式函数分量。

(2.2)对上述模型求解，引入惩罚因子α和拉格朗日惩罚算子λ(t)，将约束问题转化为非约束问题，获得增广拉格朗日表达式L({u_k}，{ω_k}，λ)。引入惩罚因子可以降低高斯噪声的影响。

式中，L({u_k}，{ω_k}，λ)为增广拉格朗日模型，惩罚因子α和拉格朗日乘法算子λ；

(2.3)利用交替方向乘子法，迭代更新参数u_k和ω_k和λ_k，公式如下：

其中，

和

分别代表

u_i(ω)、λ(ω)和

的傅里叶变换，n代表迭代次数；γ为噪声容忍度，满足信号分解的保真度要求。

(2.4)对于给定的判断精度e＞0，老

则停止迭代，否则返回(2.3)。得到K个本征模函数

即为分解后的固态模式分量

(3)在混合深度学习模型CNN+Attention+LSTM中，针对风速IMF分量的时空数据，进行时空特征的提取并得到各分量的预测值。主要分为两部分，CNN和LSTM，如图3所示。应用CNN模型处理各

中的空域数据，然后将输出结果输入到LSTM中

中的时域数据，并结合通道注意力机制，得到各分量的预测值。

(3.1)风速的时空特征模型。

针对风速的时空特征数据，这里得到的

固态模式分量也具有时空特征。假设时间窗长度为T，相邻站点数为M×N＝L，IMF分量数为K，我们用

来表示风速的时域数据，

描述风速的空域数据。若假设在某个时刻t，对于某个IMF_k分量在站点(i，j)的值记为

那么该IMF分量在时刻t的所有邻接站点的值可以表示如下：

具体如图4所示，我们将原始风速分解为K个IMF分量，用

表示。图的左侧是站点L经过预处理后的风速数据。右侧沿x轴方向的数据是

的空域数据F^L；y轴方向代表K个IMF分量；z方向表示风速的时域数据F^T。左侧图中的一个数据点可以分解为右图中y轴方向的K个分量，如灰色部分。沿着z方向的灰色部分数据代表站点L在T时间窗内的所有第一个IMF分量。

(3.2)CNN模型共五层，分别为卷积层、最大池化层、两层卷积层和全连接层。对应的公式为：

卷积层：

其中，

代表特征图谱中的第l层的第q个特征，

代表第l层的核滤波器，

代表偏移向量，M_q是输入数据选择区域，*代表卷积操作。

池化层：

其中，down(·)为下取样操作，这里为取最大值，即最大池化层。

全连接层：x_l＝g(ω^lx^l-1+b^l)，ω^l和b^l分别代表权矩阵和偏移向量。

CNN模型的激活函数为ReLU函数，表达式如下：

(3.3)对应t时刻的LSTM模型为：

输入门：

遗忘门：

记忆单元：

输出门：

隐藏状态：

式中，w_hi、w_xi、b_i、w_hf、w_xf、b_f、w_hc、w_xc、b_c、w_ho、w_hx、w_co分别为LSTM中输入门、遗忘门、记忆单元、输出门和隐藏状态对应的待训练参数。其中，sigmod函数表达式为：

tanh为双曲正切激活函数，表达式如下：

结合通道注意力机制，其表达式如下：

∝_t＝f(a(h_t))

式中，h_t表示LSTM的第t个输出特征，a表示对h_t进行相似性计算，f表示一个归一化的过程，T表示LSTM输出特征的集合，c为对特征进行加权的过程，∝_t表示每个特征的权重。经通道注意力机制计算后，输出当前分量的预测值。

每个分量的预测值经过叠加处理后，可以得到风速的最终预测值。

2.案例分析研究

在本发明中，使用NREL(National Renewable Energy Laboratory)提供的WIND(Wind Integration National Dataset)数据，这里选用怀俄明州风电场内的10×10风力机阵列进行短期风速预测。具体选取2012年的年度数据集，时间间隔为10分钟，数据集共有数据52560个，其中最高风速35.48m/s，最低风速0.01m/s。

2.1预测结果误差评估标准

本发明将使用均方根误差RMSE和平均绝对百分比误差MAPE研究预测精度。其定义分别如下：

其中，N为预测的数量；Y_i为当时的标准化实际观察值；

为同一时期的预测标准化值；i为预测点序列编号。

2.2预测模型与不同模型的比较

这里选用多框架组合环境，即tensorflow2.4，keras2.4.2以及python 3.7，构建CNN-LSTM预测模型。本发明选取训练集为31536，验证集5256和测试集15768，根据时间间隔的不同，各个集合会有个位数的差异。模型的训练包含各种超参数的训练，根据经验给出合理的初值，然后根据训练结果继续调整。

本发明提出的VMD+CNN+Attention+LSTM算法与类似处理时空数据的同类算法进行对比，即PSTN及PDCNN算法。同时进行时域数据和时空数据实验结果的对比。在时域数据中，选用常用的LSTM、MLP和RNN算法。为了进一步比较VMD分解的有效性，在时域数据实验中增加VMD+LSTM算法。

表1和表2显示了不同预测模型的MAE和MRSE误差结果。

表1不同模型预测误差RMSE(m/s)对比

表2不同模型预测误差MAPE(％)对比

从表l可以看出，针对时空数据，PSTN的性能优于PDCNN，本发明提出的算法优于PSTN，综合而言，本发明提出的算法在性能良好，优于同类算法。

此外，从表1和表2还可以看出，时空数据比单纯的时域数据携带更多的预测信息，除了表2中的30分钟时间间隔，VMD+LSTM处理时域数据的性能与PSTN处理时空数据的性能相近外，其他是时空数据的预测性能占优。对于处理时域数据的各个算法VMD+LSTM的性能较好，除了表2中的20分钟间隔结果弱于另外3种算法外，其他的预测结果都有很大提升。这也说明，VMD分解对于短期风速预测具有良好的效果。

图5给出本发明提出的算法20分钟间隔的预测结果。可以看出，该算法预测值与实际值吻合程度较高。残差分析结果显示该模型的预测残差均匀且随机分布于零基准线的两侧，说明建模过程中没有产生系统误差。所以，该模型用于短期风速预测是可行的。

Claims (5)

1.一种基于时空相关性的风电场短期风速预测方法，其特征在于，包括以下步骤：

步骤1、获取风电场风速时空数据序列，进行数据预处理；

步骤2、应用变分模态分解对预处理后的风速时空数据序列进行分解，得到固态模式函数分量IMF；

步骤3、对IMF分量应用卷积神经网络模型提取风速的空域特征；

步骤4、应用长短时记忆模型，结合通道注意力机制对步骤3得到的数据空域特征进行处理，提取时域特征并得到风速的各预测分量；

步骤5：对各风速预测值分量进行叠加，得到最终的风速预测值。

2.根据权利要求1所述的基于时空相关性的风电场短期风速预测方法，其特征在于：所述数据预处理包括获取目标站点的原始时空风速序列X(t)_l，对缺失数据、重复数据和跳变数据使用该数值附近的风速平均值替换，得到预处理之后的风速数据

3.根据权利要求1所述的基于时空相关性的风电场短期风速预测方法，其特征在于：步骤3中所述的卷积神经网络模型包括卷积层、池化层和全连接层，具体为：

卷积层：

其中，

代表特征图谱中的第l层的第q个特征，

代表第l层的核滤波器，

代表偏移向量，M_q是输入数据选择区域，*代表卷积操作，p代表当前使用的数据；

池化层：

其中，down(·)为下取样操作；

全连接层：x_l＝g(∝^lx^l-1+b^l)，ω^l和b^l分别代表权矩阵和偏移向量。

4.根据权利要求1所述的基于时空相关性的风电场短期风速预测方法，其特征在于：步骤4所述的长短时记忆模型为：

输入门：

遗忘门：

记忆单元：

输出门：

隐藏状态：

式中，i_t、f_t、c_t、o_t、h_t分别表示输入门、遗忘门、记忆单元、输出门和隐藏状态；w_hi、w_xi、b_i、w_hf、w_xf、b_f、w_hc、w_xc、b_c、w_ho、w_hx、w_co分别为长短时记忆模型中输入门、遗忘门、记忆单元、输出门和隐藏状态对应的待训练参数。

5.根据权利要求1所述的基于时空相关性的风电场短期风速预测方法，其特征在于：

步骤4中所述的通道注意力机制，表达式如下：

∝_t＝f(a(h_t))

式中，h_t表示LSTM的第t个输出特征，a表示对h_t进行相似性计算，f表示归一化过程，T表示LSTM输出特征的集合，c表示加权后的特征量，∝_t表示每个特征的权重。

Images