CN114792158A - 基于时空融合图神经网络的多风电场短期功率预测方法 - Google Patents
基于时空融合图神经网络的多风电场短期功率预测方法 Download PDFInfo
- Publication number
- CN114792158A CN114792158A CN202210339153.3A CN202210339153A CN114792158A CN 114792158 A CN114792158 A CN 114792158A CN 202210339153 A CN202210339153 A CN 202210339153A CN 114792158 A CN114792158 A CN 114792158A
- Authority
- CN
- China
- Prior art keywords
- data
- power
- module
- wind
- time
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 230000004927 fusion Effects 0.000 title claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000008878 coupling Effects 0.000 claims abstract description 12
- 238000010168 coupling process Methods 0.000 claims abstract description 12
- 238000005859 coupling reaction Methods 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 16
- 230000002123 temporal effect Effects 0.000 claims description 16
- 238000013135 deep learning Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000003213 activating effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 230000008034 disappearance Effects 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 13
- 230000005540 biological transmission Effects 0.000 description 6
- 238000010248 power generation Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- FLDSMVTWEZKONL-AWEZNQCLSA-N 5,5-dimethyl-N-[(3S)-5-methyl-4-oxo-2,3-dihydro-1,5-benzoxazepin-3-yl]-1,4,7,8-tetrahydrooxepino[4,5-c]pyrazole-3-carboxamide Chemical compound CC1(CC2=C(NN=C2C(=O)N[C@@H]2C(N(C3=C(OC2)C=CC=C3)C)=O)CCO1)C FLDSMVTWEZKONL-AWEZNQCLSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06N3/08—Learning methods
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
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)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于时空融合图神经网络的多风电场短期功率预测方法，它包括以下步骤，步骤1：采集目标大型风电基地的若干目标风电场小时级的历史功率数据和外部气象信息数据；步骤2：将步骤1中的功率数据与气象数据映射到高维空间；步骤3：对由步骤2获得的数据进行处理，提取单个风电场功率数据的时序特征；步骤4：提取多个风电场功率数据间的空间特征；步骤5：交替进行以上两个步骤，将得到的时序特征和空间特征连接起来，以获得多风电场功率数据耦合的时空特征；步骤6：获得多风电场最终的功率预测结果。本发明的目的在于克服现有技术在进行多风电场短期功率预测时不能结合其功率数据深层时空特征的问题，提供了一种多风电场功率预测技术。
Description
技术领域
本发明属于可再生能源发电与综合消纳领域，具体涉及一种基于时空融合图神经网络的多风电场短期功率预测方法。
背景技术
在可再生能源发电技术中，清洁、低成本和技术成熟的风力发电越来越受到重视。但由于风力发电具有很强的随机性、波动性和不确定性，大量风电接入电网势必会对电网安全与稳定运行带来严峻挑战。风电功率的短期预测可以为日内或日前调度提供更准确的参考，成为了解决这些问题的关键。
传统的风电功率短期预测方法如自回归移动平均模型(autoregressive movingaverage，ARMA)难以应对风电功率的非平稳突变，深度学习模型作为一种具有深度结构的人工智能技术，不仅可以从最低层到最高层自动提取数据中的固有特征，还能通过灵活改进深度结构来提高预测精度，因此被广泛运用于预测领域。多风电场短期预测的难点在于，风电场数量和潜在影响因素过多导致预测模型庞大且复杂度很高。引入深度学习技术可以提取多风电场功率数据中的时空特征，构建更精准的短期预测模型。目前，被应用于多风电场短期功率预测的深度学习方法主要包括：卷积神经网络(convolutional neuralnetwork,CNN)，循环神经网络(recurrent neural network,RNN)及其变体等。例如，文献《Very short-term spatial and temporal wind power forecasting:A deep learningapproach》公开了一种分别使用长短期记忆网络(Long Short-Term Memory，LSTM)和CNN提取多风电场功率数据时空特征的方法进行多风电场短期功率预测。但由于多风电场的空间排列并不规律，CNN不能很好地建模不同风电场之间的空间相关性，一定程度上影响了最后预测结果的精确性。此类方法在多风电场短期功率预测上有一定效果，但它们没能结合多风电场功率数据的深层时空特征，未能进行精准的多风电场短期功率预测。
本发明方法将图卷积网络和卷积门控递归单元两种先进的深度学习方法结合起来，前者可以对应多风电场的实际拓扑结构来获取它们之间的空间特征，后者能够学习单风电场功率数据的时序相关性，二者交错排列并结合残差连接层和跳跃连接层，在避免梯度问题的同时获取了多风电场功率数据的深层耦合时空特征，实现了精确地多风电场短期功率预测。
发明内容
本发明的目的在于克服现有技术在进行多风电场短期功率预测时不能结合其功率数据深层时空特征的问题，提供了一种多风电场功率预测技术。
为了达到上述目的，本发明采用以下技术方案：
本发明包括一种用于多风电场功率预测的模型，它包括输入模块、若干依次串接的时空模块、输出模块，输入模块与若干依次串接的时空模块的首个时空模块的输入连接，若干依次串接的时空模块的最后一个时空模块的输出与输出模块的输入端连接，输出模块输出预测结果；每个时空模块包括时间递归模块TRM、以及与时间递归模块TRM的输出连接的图卷积模块GCM。
在若干依次串接的时空模块中，前一个时空模块中的图卷积模块的输出与下一个时空模块中的时间递归模块的输入连接；
还包括跳跃连接层，每个时空模块中的时间递归模块的输入端与跳跃连接层连接；
还包括残差连接层，在前一个时空模块中的图卷积模块的输出与下一个时空模块中的时间递归模块的输入连接的位置接入残差连接层。
在使用该模型进行多风电场功率的预测时，采用以下步骤：
步骤1：采集同一大型风电基地的多个目标风电场小时级的历史功率数据集和外部气象信息数据；
步骤2：利用输入模块将步骤1中的功率数据与气象数据进行预处理；
步骤3：利用时间递归模块(TRM)处理输入模块传来的数据，提取单个风电场功率数据的时序特征；
步骤4：利用图卷积模块(GCM)学习多个风电场功率序列数据间的空间特征；
步骤5：将时间递归模块(TRM)、图卷积模块(GCM)交错相连，同时通过跳跃连接层和残差连接层的组合连接起来，由此得到多风电场功率数据耦合的时空特征；
步骤6：将经过多对时间递归模块与图卷积模块处理后的特征数据导入输出模块中，得到各风电场的功率预测结果。
本发明还包括基于时空融合图神经网络的多风电场短期功率预测方法，其特征在于，它采用所述模型进行多风电场短期功率的预测，它包括以下步骤，
步骤1：采集目标大型风电基地的若干目标风电场小时级的历史功率数据和外部气象信息数据；
步骤2：将步骤1中的功率数据与气象数据映射到高维空间；
步骤3：对由步骤2获得的数据进行处理，利用卷积门控循环单元提取单个风电场功率数据的时序特征；
步骤4：利用图卷积神经网络提取多个风电场功率数据间的空间特征；
步骤5：交替进行以上两个步骤，同时使用残差连接层和跳跃连接层将得到的时序特征和空间特征连接起来，以获得多风电场功率数据耦合的时空特征；
步骤6：将获得的时空特征降维得到多风电场最终的功率预测结果。
在步骤1中，将N座目标风电场TQ个时刻的历史功率数据集与风电场周围天气状况的历史观测数据集合并，组成的数据形式为
S中第一部分是X＝{PT1,PT2,...,PTQ}∈RTQ×N，其中PT1,PT2,...,PTQ分别表示T1,T2,…,TQ观测时刻对应的N维风电功率样本向量；S中其余部分表示风电场外部的气象信息数据，共有D-1种气象数据作为功率预测的影响因素；其中S为历史功率数据和气象数据组成的输入张量；X为历史功率矩阵；S中除去X那部分为多风电场的气象数据组成的张量。
在步骤3中，利用卷积门控循环单元提取单个风电场功率数据的时序特征，具体包括以下子步骤：
步骤3.1：用ConvGRU模型结构中的更新门对上一时刻传来的数据进行处理，以此决定将多少过去时刻的信息传递到未来，其计算式如下：
zt＝σ(Wz*[ht-1,xt]) (1)
式中ht-1为上一时刻的隐含层状态，当t＝0时，ht-1即为时间递归模块的输入数据，xt是当前时刻输入的信息，*为卷积操作，Wz是卷积操作的滤波器参数，σ(.)为sigmoid激活函数；
步骤3.2：用ConvGRU模型结构中的重置门对上一时刻传来的数据进行处理，其计算式如下：
rt＝σ(Wr*[ht-1,xt]) (2)
式中Wr是卷积操作的滤波器参数；
步骤3.3：对上一时刻传来的数据和rt进行处理得到ConvGRU中的当前记忆内容
其计算式如下：
式中Wh是卷积操作的滤波器参数，⊙是hadamard乘积，tanh为一种双曲正切激活函数；
步骤3.4：对以上计算结果进行整合得到当前时刻的最终隐含层状态信息ht，其计算式如下：
步骤3.5：将一个ConvGRU网络得到的最终隐含层状态信息通过双曲正切函数激活，另一个ConvGRU网络得到的最终隐含层状态信息通过sigmoid函数激活，将二者进行卷积后输入后续的图卷积模块GCM中。
图卷积模块GCM由基于MIC的图卷积神经网络组成，利用图卷积神经网络提取多个风电场功率数据之间的空间特征；步骤4包括以下子步骤：
步骤4.1：采用MIC最大互信息系数计算表示不同风电场之间相邻关系的邻接矩阵；
步骤4.1.1)用无向图G＝(V,E)对多风电场进行建模，其中图的节点数N即为该地区的风电场数，V代表节点集，E代表边集，v∈V表示一个节点，e＝(v,u)∈E表示从节点u到节点v的一条边，节点v的邻域定义为N(v)＝{u∈V|(v,u)∈E}，图的邻接矩阵A∈RN×N是一个代表节点之间邻接关系的矩阵，如果(vi,vj)∈E，那么，Aij>0，否则Aij＝0；
步骤4.1.2)计算每对风电场功率序列数据之间的最大互信息系数作为图邻接矩阵的元素值，功率序列X和Y之间的MIC计算式如下：
式中p(.)是概率分布函数；Cov(X,Y)是X和Y的协方差，D(.)和E(.)分别是方差和期望，|X||Y|＜B表示在X、Y坐标上划分的网格总数小于B,B一般为总样本量的0.6次幂，计算得到的邻接矩阵各元素值都均为区间[0,1]之间；
步骤4.2：采用图卷积网络来学习多个风电场功率数据之间的相关性，称之为多风电场功率数据的空间特征，将从上一模块获得的信息Hin输入图卷积网络中，它包括水平信息传播部分和垂直信息选择部分，前者负责将在图形中学习到的信息传播到更深的层次，后者负责在信息传播的深层次过程中获取重要信息，消除冗余信息，其计算公式如下：
式中A为步骤4.1计算的图邻接矩阵，I是单位矩阵，β为超参数，它控制着保留每个节点原始状态的比值，H(k)是第k层图卷积的隐含层信息；
步骤4.3：对步骤4.2得到的各层图卷积的隐含层信息通过多层感知器后进行求和，得到图卷积网络的最终输出结果Hout，其计算公式如下：
式中W(k)为k层图卷积信息通过的多层感知器的参数，K为传播深度，Hout将再次输入后续的时间递归模块TRM中。
在步骤5中，将时间递归模块的输出与图卷积模块的输入连接，然后将图卷积模块的输出与另一个时间递归模块的输入连接起来，由此学习到多风电场功率数据耦合的时空相关性；同时在每两个不同模块首尾增加残差连接层，在每一个时间递归模块的输入部位增加跳跃连接层，在避免深度学习过程中梯度消失的同时促进多个风电场功率数据时空特征的耦合。
在步骤6中，将经过n对时间递归模块与图卷积模块处理后提取的特征数据和经过残差层、跳跃层处理的数据降维，其中n是一个由实际多风电场数据集的特征决定的超参数；降维部分称为输出模块，其本质是两个1×1标准卷积层，它们的作用是将输入通道数转换为所需的输出尺寸，从而得到最终的预测结果
TR为向后预测的时间步长。
相比现有技术，本发明的有益效果：
1)本发明融合了图卷积网络、卷积门控递归单元和深度残差网络的优点，能够获取多个风电场的风电数据中的时空信息，同时输出多个风电场和多个时间步长的短期功率预测结果，有利于大规模风电数据实现并网运行，对电网的安全与稳定运行产生积极影响；
2)本发明使用基于最大互信息系数的图卷积模块(GCM)学习不同风电场之间的空间特征，在空间特征提取的精准度方面优于现有的提取空间特征的方法；
3)本发明使用基于先进的卷积门控递归单元的时间递归模块(TRM)学习每个风电场功率序列的时间依赖性，有效提高了功率预测的准确性；
4)实际算例结果表明，本发明方法结构合理，不仅在实际风力发电数据集上表现良好,与其余预测模型相比也有更好的预测精度。此外，与精度较高的其余多风电场预测模型相比，本发明方法的预测效率更高。
附图说明
图1为基于时空融合图神经网络的多风电场短期功率预测方法的结构示意图；
图2为时间递归模块的结构示意图；
图3为门控递归单元网络的结构示意图；
图4为卷积门控递归单元网络的结构示意图；
图5为本发明实施例中18座风电场的MIC邻接矩阵热力图；
图6为本发明实施例中18座风电场的无向图；
图7为图卷积模块中图卷积网络的结构示意图；
图8为残差连接层的结构示意图；
图9为本发明实施例中3号风电场预测曲线与实际曲线对比图(MW)；
图10为本发明实施例中随机选取的30天内，18个风电场在0～24小时内平均风电功率值热力图(MW)；
图11为本发明实施例中随机选取的30天内，18个风电场在0～24小时内平均绝对百分比误差XMAPE的热力图(％)；
图12为本发明实施例的18座风电场不同预测方法预测结果的XMAPE误差对比图(％)；
图13为本发明实施例的18座风电场不同预测方法预测结果的均方根误差XRMSE对比图(MW)；
图14为本发明实施例的18座风电场不同预测方法预测结果的平均运行时间(s)；
图15为本发明实施例的18座风电场不同组件预测结果的XMAPE误差对比图(％)。
具体实施方案
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。
本发明提供了一种基于时空融合图神经网络的多风电场短期功率预测框架，它包括输入模块、若干依次串接的时间递归模块TRM与图卷积模块GCM、额外连接两种模块的跳跃连接层与残差连接层，以及最后的输出模块。
其中，输入模块将历史功率数据和气候数据组成的张量S输入到第一个时间递归模块TRM1中，然后将处理后的数据输入到第一个图卷积模块GCM1中以此分别学习输入数据的时空特征，数据继续流向下一对时空模块。每对时空模块的首尾加一层残差连接层，每个时间递归模块的输入处加一层跳跃连接层，以此防止出现梯度消失/爆炸问题，促进时空特征的耦合。最后，将经过n对时空模块和残差层以及跳跃层的数据传入输出模块中，得到最终的预测结果。
如图1所示，本发明包括一种基于时空融合图神经网络的多风电场短期功率预测方法包括以下步骤：
步骤1：采集同一大型风电基地的多座目标风电场小时级的历史功率数据和外部气象信息数据，将N座目标风电场TQ个时刻的历史功率数据集与风电场周围天气状况的历史观测数据集合并，组成的数据形式为
S中第一部分是X＝{PT1,PT2,...,PTQ}∈RTQ×N，其中PT1,PT2,...,PTQ分别表示T1,T2,…,TQ观测时刻对应的N维风电功率样本向量；S中其余部分表示风电场外部的气象信息数据，共有D-1种气象数据作为功率预测的影响因素。
步骤2：使用输入模块将输入数据S映射到高维空间中，输入模块是一个1×1标准卷积层。其中高维空间的具体维度数是一个超参数，由实际多风电场数据集的特征决定；
步骤3：利用时间递归模块TRM中的卷积门控循环单元神经网络(ConvGRU)提取单个风电场功率数据的时序特征，如图2所示，时间递归模块由两个ConvGRU网络组成；
根据图3和图4对ConvGRU神经网络流程进行解释：
步骤3.1：用ConvGRU模型结构中的更新门对上一时刻传来的数据进行处理，以此决定将多少过去时刻的信息传递到未来，其计算式如下：
zt＝σ(Wz*[ht-1,xt]) (1)
式中ht-1为上一时刻的隐含层状态，当t＝0时，ht-1即为时间递归模块的输入数据。xt是当前时刻输入的信息，*为卷积操作，Wz是卷积操作的滤波器参数，σ(.)为sigmoid激活函数；
步骤3.2：用ConvGRU模型结构中的重置门对上一时刻传来的数据进行处理，其计算式如下：
rt＝σWr*[ht-1,xt]) (2)
式中Wr是卷积操作的滤波器参数；
步骤3.3：对上一时刻传来的数据和rt进行处理得到ConvGRU中的当前记忆内容
其计算式如下：
式中Wh是卷积操作的滤波器参数，⊙是hadamard乘积，tanh为双曲正切激活函数；
步骤3.4：对以上计算结果进行整合得到当前时刻的最终隐含层状态信息ht，其计算式如下：
步骤3.5：将一个ConvGRU网络得到的最终隐含层状态信息通过双曲正切函数激活，另一个ConvGRU网络得到的最终隐含层状态信息通过sigmoid函数激活，将二者进行卷积后输入后续的图卷积模块GCM中。
步骤4：利用图卷积模块GCM中的基于MIC的图卷积神经网络提取多个风电场功率序列数据间的空间特征；
步骤4.1：采用MIC最大互信息系数计算表示不同风电场之间相邻关系的邻接矩阵；
步骤4.1.1)用无向图G＝(V,E)对多风电场进行建模，其中图的节点数N即为该地区的风电场数量。V代表节点集，E代表边集。那么，v∈V表示一个节点，e＝(v,u)∈E表示从节点u到节点v的一条边。节点v的邻域定义为N(v)＝{u∈V|(v,u)∈E}。图的邻接矩阵A∈RN ×N是一个代表节点之间邻接关系的矩阵。如果(vi,vj)∈E，那么，Aij>0，否则Aij＝0；
步骤4.1.2)计算每对风电场功率序列数据之间的最大互信息系数作为图邻接矩阵的元素值，功率序列X和Y之间的MIC计算式如下：
式中p(.)是概率分布函数；Cov(X,Y)是X和Y的协方差，D(.)和E(.)分别是方差和期望。|X||Y|＜B表示在X、Y坐标上划分的网格总数小于B,B一般为总样本量的0.6次幂，计算得到的邻接矩阵各元素值都均为区间[0,1]之间。图5和图6即为本发明实施例中18座风电场的邻接关系图，在图5中，方格颜色越深，对应风电场的MIC邻接矩阵值就越大，它们之间的空间相关性就越强；在图6中，风电场对节点线段距离越近，其空间相关性越强；
步骤4.2：采用图卷积模块中的图卷积网络来学习多个风电场功率数据之间的相关性，称之为多风电场功率数据的空间特征。将从上一模块获得的信息Hin输入图卷积模块中，图卷积模块的结构如图7所示，它包括水平信息传播部分和垂直信息选择部分，前者负责将在图形中学习到的信息传播到更深的层次，后者负责在信息传播的深层次过程中获取重要信息，消除冗余信息。其计算公式如下：
式中A为步骤4.1计算的图邻接矩阵，I是单位矩阵，β为超参数，它控制着保留每个节点原始状态的比值，H(k)是第k层图卷积的隐含层信息；
步骤4.3：对步骤4.2得到的各层图卷积的隐含层信息通过多层感知器后的信息进行求和，得到图卷积模块的最终输出结果Hout，其计算公式如下；
式中W(k)为k层图卷积信息通过的多层感知器的参数，K为传播深度。Hout将再次输入后续的时间递归模块中进行时序特征的提取。
步骤5：将时间递归模块与图卷积模块交错排列并连接起来，同时在每两个不同模块首尾增加残差连接层，在每一个时间递归模块的输入部位增加跳跃连接层，可以在避免深度学习过程中梯度消失的同时促进多个风电场功率数据时空特征的耦合。
残差连接层原理如图8所示。在深度学习网络中，将输入设为x，输出设为y，当增加一个残差连接时，直接将输入作为初始结果传输到输出。此时，学习目标变为F(x)＝y-x,F(x)为x到y的残差，这种方法可以简化了深度模型的训练难度。
跳跃连接层的作用则是将深度学习网络中的浅层和深层连接起来，形成数据信号流的路径，从而有效地解决梯度消失和爆炸问题。本说明方法中的跳跃连接层本质上是1×Li标准卷积，其中Li是输入到第i个跳跃连接层的序列长度。它对跳转到输出模块的信息进行规范化，以保持相同的序列长度。
步骤6：将经过n对时间递归模块与图卷积模块处理后提取的特征数据和经过残差层、跳跃层处理的数据降维，其中n是一个由实际多风电场数据集的特征决定的超参数。降维部分称为输出模块，其本质是两个1×1标准卷积层，它们的作用是将输入通道数转换为所需的输出尺寸，从而得到最终的预测结果
TR为向后预测的时间步长。
在本实施例中，使用了来自同一大型风电基地的18个目标风电场14个月小时级的风力发电功率数据集来进行多风电场的日前功率预测，即预测结果为18风电场未来24小时的风电功率值。输入的数据还包括风电场所处三个子区域的每日最低和最高气温、天气类型和平均风速。本实施例使用平均绝对百分比误差(MAPE)和均方根误差(RMSE)对预测精度进行评价，它们的计算公式如下：
式中
为预测结果，y为实际值，yN为对应风电场的额定容量。
图9为本发明实施例中3号风电场预测曲线与实际曲线对比图，可以看出本发明方法同时具有较小的整体误差和较小的单点预测误差。图10和图11分别为本发明实施例中随机选取的30天内，18个风电场在0～24小时内平均风电功率值热力图和平均XMAPE的热力图。从两张图中可以看出，大多数风电场的白天功率输出较低，且白天风速较为平稳，风电功率预测的精度较高；夜间功率输出较高，同时夜间风速波动较大，故夜间风电功率预测精度较低。
图12和图13分别为本发明实施例的18座风电场不同预测方法预测结果的XMAPE误差对比图和XRMSE误差对比图，可以看出，本发明方法对日前风电功率的预测具有最好的准确性。与只关注风电场本身时间特征的TCN和LSTM相比，本发明方法的XMAPE/XRMSE统计平均值分别比TCN低7.17％/33.91％，比LSTM低7.35％/24.75％。这说明本发明方法通过GCM提取多个风电场的空间相关性，可以有效提高预测精度。与SAE、MTGNN和TPA-LSTM模型相比，本发明方法的平均XMAPE/XRMSE比SAE低11.42％/36.13％，比TPA-LSTM低2.00％/14.02％，比MTGNN低1.89％/14.58％。这是由于SAE只对电力数据集的时空特征进行粗略的、不可分割的编码。因此，其预测效果在这四个对比模型中是最差的。使用时间卷积网络提取时间特征的MTGNN的预测效果比使用ConvGRU的本发明方法差，利用注意力机制提取空间特征的TPA-LSTM的预测能力要弱于使用图卷积网络的本发明方法。
图14是两种多风电场风电功率预测方法与本发明方法的平均运行时间对比图，与单风电场功率预测方法相比，本发明方法可以一次性输出多个风电场的功率预测结果，效率较高；与一次性输出多个风电场功率预测结果的TPA-LSTM方法和MTGNN方法相比，本发明方法的预测时间分别减少了34.32％和55.94％，预测效率最高。
图15所示为本发明方法以及在本发明方法的基础上分别将图卷积模块换为线性层、最大互信息系数法换为皮尔逊相关系数法、去掉跳跃层、去掉残差层、去掉跳跃层和残差层、去掉图卷积模块以及去掉深层结构后模型的XMAPE误差统计值。相比这7种情况，本发明方法的平均XMAPE分别下降了5.73％、5.64％、5.80％、6.21％、6.74％、5.79％和5.70％。可以看出，去掉本发明方法中的任何一个成分，预测误差都会增加，这说明本发明方法中的每个模块都有其必要性和作用。误差由大到小的顺序表明，本发明方法中各模块的重要性排序为：残差层和跳跃层、GCM、时空模块的数量和MIC方法。
Claims (9)
1.一种用于多风电场功率预测的模型，其特征在于，它包括输入模块、若干依次串接的时空模块、输出模块，输入模块与若干依次串接的时空模块的首个时空模块的输入连接，若干依次串接的时空模块的最后一个时空模块的输出与输出模块的输入端连接，输出模块输出预测结果；每个时空模块包括时间递归模块TRM、以及与时间递归模块TRM的输出连接的图卷积模块GCM。
2.根据权利要求1所述的模型，其特征在于，在若干依次串接的时空模块中，前一个时空模块中的图卷积模块的输出与下一个时空模块中的时间递归模块的输入连接；
还包括跳跃连接层，每个时空模块中的时间递归模块的输入端与跳跃连接层连接；
还包括残差连接层，在前一个时空模块中的图卷积模块的输出与下一个时空模块中的时间递归模块的输入连接的位置接入残差连接层。
3.根据权利要求1或2所述的模型，其特征在于，在使用该模型进行多风电场功率的预测时，采用以下步骤：
步骤1：采集同一大型风电基地的多个目标风电场小时级的历史功率数据集和外部气象信息数据；
步骤2：利用输入模块将步骤1中的功率数据与气象数据进行预处理；
步骤3：利用时间递归模块(TRM)处理输入模块传来的数据，提取单个风电场功率数据的时序特征；
步骤4：利用图卷积模块(GCM)学习多个风电场功率序列数据间的空间特征；
步骤5：将时间递归模块(TRM)、图卷积模块(GCM)交错相连，同时通过跳跃连接层和残差连接层的组合连接起来，由此得到多风电场功率数据耦合的时空特征；
步骤6：将经过多对时间递归模块与图卷积模块处理后的特征数据导入输出模块中，得到各风电场的功率预测结果。
4.基于时空融合图神经网络的多风电场短期功率预测方法，其特征在于，它采用如权利要求1或2所述的模型进行多风电场短期功率的预测，它包括以下步骤，
步骤1：采集目标大型风电基地的若干目标风电场小时级的历史功率数据和外部气象信息数据；
步骤2：将步骤1中的功率数据与气象数据映射到高维空间；
步骤3：对由步骤2获得的数据进行处理，利用卷积门控循环单元提取单个风电场功率数据的时序特征；
步骤4：利用图卷积神经网络提取多个风电场功率数据间的空间特征；
步骤5：交替进行以上两个步骤，同时使用残差连接层和跳跃连接层将得到的时序特征和空间特征连接起来，以获得多风电场功率数据耦合的时空特征；
步骤6：将获得的时空特征降维得到多风电场最终的功率预测结果。
5.根据权利要求4所述的方法，其特征在于，在步骤1中，将N座目标风电场TQ个时刻的历史功率数据集与风电场周围天气状况的历史观测数据集合并，组成的数据形式为
S中第一部分是X＝{PT1,PT2,...,PTQ}∈RTQ×N，其中PT1,PT2,...,PTQ分别表示T1,T2,…,TQ观测时刻对应的N维风电功率样本向量；S中其余部分表示风电场外部的气象信息数据，共有D-1种气象数据作为功率预测的影响因素；其中S为历史功率数据和气象数据组成的输入张量；X为历史功率矩阵；S中除去X那部分为多风电场的气象数据组成的张量。
6.根据权利要求4所述的方法，其特征在于，在步骤3中，利用卷积门控循环单元提取单个风电场功率数据的时序特征，具体包括以下子步骤：
步骤3.1：用ConvGRU模型结构中的更新门对上一时刻传来的数据进行处理，以此决定将多少过去时刻的信息传递到未来，其计算式如下：
zt＝σ(Wz*[ht-1,xt]) (1)
式中ht-1为上一时刻的隐含层状态，当t＝0时，ht-1即为时间递归模块的输入数据，xt是当前时刻输入的信息，*为卷积操作，Wz是卷积操作的滤波器参数，σ(.)为sigmoid激活函数；
步骤3.2：用ConvGRU模型结构中的重置门对上一时刻传来的数据进行处理，其计算式如下：
rt＝σ(Wr*[ht-1,xt]) (2)
式中Wr是卷积操作的滤波器参数；
步骤3.3：对上一时刻传来的数据和rt进行处理得到ConvGRU中的当前记忆内容
其计算式如下：
式中Wh是卷积操作的滤波器参数，⊙是hadamard乘积，tanh为一种双曲正切激活函数；
步骤3.4：对以上计算结果进行整合得到当前时刻的最终隐含层状态信息ht，其计算式如下：
步骤3.5：将一个ConvGRU网络得到的最终隐含层状态信息通过双曲正切函数激活，另一个ConvGRU网络得到的最终隐含层状态信息通过sigmoid函数激活，将二者进行卷积后输入后续的图卷积模块GCM中。
7.根据权利要求4所述的方法，其特征在于，图卷积模块GCM由基于MIC的图卷积神经网络组成，利用图卷积神经网络提取多个风电场功率数据之间的空间特征；步骤4包括以下子步骤：
步骤4.1：采用MIC最大互信息系数计算表示不同风电场之间相邻关系的邻接矩阵；
步骤4.1.1)用无向图G＝(V,E)对多风电场进行建模，其中图的节点数N即为该地区的风电场数，V代表节点集，E代表边集，v∈V表示一个节点，e＝(v,u)∈E表示从节点u到节点v的一条边，节点v的邻域定义为N(v)＝{u∈V|(v,u)∈E}，图的邻接矩阵A∈RN×N是一个代表节点之间邻接关系的矩阵，如果(vi,vj)∈E，那么，Aij>0，否则Aij＝0；
步骤4.1.2)计算每对风电场功率序列数据之间的最大互信息系数作为图邻接矩阵的元素值，功率序列X和Y之间的MIC计算式如下：
式中p(.)是概率分布函数；Cov(X,Y)是X和Y的协方差，D(.)和E(.)分别是方差和期望，|X||Y|＜B表示在X、Y坐标上划分的网格总数小于B,B一般为总样本量的0.6次幂，计算得到的邻接矩阵各元素值都均为区间[0,1]之间；
步骤4.2：采用图卷积网络来学习多个风电场功率数据之间的相关性，称之为多风电场功率数据的空间特征，将从上一模块获得的信息Hin输入图卷积网络中，它包括水平信息传播部分和垂直信息选择部分，前者负责将在图形中学习到的信息传播到更深的层次，后者负责在信息传播的深层次过程中获取重要信息，消除冗余信息，其计算公式如下：
式中A为步骤4.1计算的图邻接矩阵，I是单位矩阵，β为超参数，它控制着保留每个节点原始状态的比值，H(k)是第k层图卷积的隐含层信息；
步骤4.3：对步骤4.2得到的各层图卷积的隐含层信息通过多层感知器后进行求和，得到图卷积网络的最终输出结果Hout，其计算公式如下：
式中W(k)为k层图卷积信息通过的多层感知器的参数，K为传播深度，Hout将再次输入后续的时间递归模块TRM中。
8.根据权利要求4所述的方法，其特征在于，在步骤5中，将时间递归模块的输出与图卷积模块的输入连接，然后将图卷积模块的输出与另一个时间递归模块的输入连接起来，由此学习到多风电场功率数据耦合的时空相关性；同时在每两个不同模块首尾增加残差连接层，在每一个时间递归模块的输入部位增加跳跃连接层，在避免深度学习过程中梯度消失的同时促进多个风电场功率数据时空特征的耦合。
9.根据权利要求4所述的方法，其特征在于，在步骤6中，将经过n对时间递归模块与图卷积模块处理后提取的特征数据和经过残差层、跳跃层处理的数据降维，其中n是一个由实际多风电场数据集的特征决定的超参数；降维部分称为输出模块，其本质是两个1×1标准卷积层，它们的作用是将输入通道数转换为所需的输出尺寸，从而得到最终的预测结果
TR为向后预测的时间步长。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210339153.3A CN114792158B (zh) | 2022-04-01 | 基于时空融合图神经网络的多风电场短期功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210339153.3A CN114792158B (zh) | 2022-04-01 | 基于时空融合图神经网络的多风电场短期功率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114792158A true CN114792158A (zh) | 2022-07-26 |
| CN114792158B CN114792158B (zh) | 2024-07-09 |
Family
ID=
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115204522A (zh) * | 2022-09-13 | 2022-10-18 | 华北电力大学 | 区域发电功率预测方法、装置、设备及存储介质 |
| CN115392595A (zh) * | 2022-10-31 | 2022-11-25 | 北京科技大学 | 基于图卷积神经网络和Transformer的时空短期风速预测方法及系统 |
| CN115965160A (zh) * | 2023-01-18 | 2023-04-14 | 中国长江三峡集团有限公司 | 一种数据中心能耗预测方法、装置、存储介质及电子设备 |
| 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 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112365040A (zh) * | 2020-11-03 | 2021-02-12 | 哈尔滨工业大学 | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 |
| 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 |
| CN112861992A (zh) * | 2021-03-09 | 2021-05-28 | 三峡大学 | 基于独立稀疏堆叠自编码器的风电场超短期功率预测方法 |
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112365040A (zh) * | 2020-11-03 | 2021-02-12 | 哈尔滨工业大学 | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 |
| 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 |
| CN112861992A (zh) * | 2021-03-09 | 2021-05-28 | 三峡大学 | 基于独立稀疏堆叠自编码器的风电场超短期功率预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| DAN LI: "Dimension-Reduction and Reconstruction of Multi-dimension Spatial Wind Power Data Based on Optimal RBF Kernel Principal Component Analysis", 《2020 10TH INTERNATIONAL CONFERENCE ON POWER AND ENERGY SYSTEMS (ICPES)》, 31 December 2020 (2020-12-31) * |
| 杨保华: "基于时空特征提取和数据降维的多风电场功率预测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 March 2022 (2022-03-15) * |
| 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, 20 May 2020 (2020-05-20) * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115204522A (zh) * | 2022-09-13 | 2022-10-18 | 华北电力大学 | 区域发电功率预测方法、装置、设备及存储介质 |
| CN115392595A (zh) * | 2022-10-31 | 2022-11-25 | 北京科技大学 | 基于图卷积神经网络和Transformer的时空短期风速预测方法及系统 |
| CN115392595B (zh) * | 2022-10-31 | 2022-12-27 | 北京科技大学 | 基于图卷积神经网络和Transformer的时空短期风速预测方法及系统 |
| CN115965160A (zh) * | 2023-01-18 | 2023-04-14 | 中国长江三峡集团有限公司 | 一种数据中心能耗预测方法、装置、存储介质及电子设备 |
| CN115965160B (zh) * | 2023-01-18 | 2023-08-08 | 中国长江三峡集团有限公司 | 一种数据中心能耗预测方法、装置、存储介质及电子设备 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ma et al. | A hybrid attention-based deep learning approach for wind power prediction | |
| Tian et al. | Multi-step short-term wind speed prediction based on integrated multi-model fusion | |
| CN115293415A (zh) | 计及时间演变和空间相关的多风电场短期功率预测方法 | |
| CN112016736B (zh) | 基于门控卷积和注意力机制的光伏发电功率的控制方法 | |
| Li et al. | An integrated missing-data tolerant model for probabilistic PV power generation forecasting | |
| CN110889603A (zh) | 一种基于PCA-Copula理论考虑风电相关性的电力系统经济调度方法 | |
| CN115099500B (zh) | 基于权重修正和drsn-lstm模型的水位预测方法 | |
| CN112561058A (zh) | 基于Stacking-集成学习短期光伏功率预测方法 | |
| CN113191918A (zh) | 基于时序生成对抗网络的月度风光发电功率场景分析方法 | |
| CN116565863B (zh) | 一种基于时空相关性的短期光伏出力预测方法 | |
| CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
| CN116384583A (zh) | 一种基于多神经网络的光伏功率预测方法 | |
| CN116894504A (zh) | 一种风电集群功率超短期预测模型建立方法 | |
| Al-Ja’afreh et al. | An enhanced CNN-LSTM based multi-stage framework for PV and load short-term forecasting: DSO scenarios | |
| Shen et al. | Short-term load forecasting of power system based on similar day method and PSO-DBN | |
| Chen et al. | Graph neural network-based wind farm cluster speed prediction | |
| Wang et al. | An optimized deep nonlinear integrated framework for wind speed forecasting and uncertainty analysis | |
| CN117498296A (zh) | 基于注意力时空同步图卷积网络的多风电场功率预测方法 | |
| CN115239029B (zh) | 考虑功率时序及气象相依特性的风电功率预测方法及系统 | |
| CN116502074A (zh) | 一种基于模型融合的光伏发电功率预测方法及系统 | |
| CN114792158B (zh) | 基于时空融合图神经网络的多风电场短期功率预测方法 | |
| CN114792158A (zh) | 基于时空融合图神经网络的多风电场短期功率预测方法 | |
| Huang | Ultra-short-term multi-step wind speed prediction for wind farms based on adaptive noise reduction technology and temporal convolutional network | |
| CN113890109B (zh) | 具有时间空间相关性的多风电场功率日场景生成方法 | |
| Ala et al. | Deep Learning for Smart Grid and Energy Context |
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 |