CN115049115A - 计及nwp风速横纵向误差的rdpg风速修正方法 - Google Patents

计及nwp风速横纵向误差的rdpg风速修正方法 Download PDF

Info

Publication number
CN115049115A
CN115049115A CN202210606635.0A CN202210606635A CN115049115A CN 115049115 A CN115049115 A CN 115049115A CN 202210606635 A CN202210606635 A CN 202210606635A CN 115049115 A CN115049115 A CN 115049115A
Authority
CN
China
Prior art keywords
wind speed
nwp
meteorological
rdpg
speed correction
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
CN202210606635.0A
Other languages
English (en)
Inventor
黄南天
戴千斌
王日俊
蔡国伟
郭玉
赵暄远
扈磊
王圣元
刘洋
孙赫宏
武靖涵
胡晨晗
王鹤霏
王歆然
王昊
于高缘
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.)
Northeast Electric Power University
Original Assignee
Northeast Dianli 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 Northeast Dianli University filed Critical Northeast Dianli University
Priority to CN202210606635.0A priority Critical patent/CN115049115A/zh
Publication of CN115049115A publication Critical patent/CN115049115A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/08—Learning methods
    • 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
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了计及NWP风速横纵向误差的RDPG风速修正方法，基于加权欧式距离相似度，划分各个NWP风速待修正点差异化最优超前/滞后时序相关区间，反映了横向误差对NWP风速修正的潜在影响；采用区间统计特征代替NWP原始气象特征作为模型输入，并基于SHAP理论实现非一致性时序区间NWP气象特征评估，获取对模型具有正向增益的特征，降低了模型的复杂度；基于RDPG的NWP风速修正模型，降低不同NWP风速波动水平下预测风速的横纵向误差，增强模型的泛化能力和处理非线性数据的能力；解决了传统机器学习算法缺乏自适应能力，导致不同波动水平下NWP风速误差修正能力不足，影响多时间尺度下风电功率预测精度的问题。

Description

计及NWP风速横纵向误差的RDPG风速修正方法
技术领域
本发明属于风电功率预测技术领域，具体涉及计及NWP风速横纵向误差的RDPG风速修正方法。
背景技术
风电逐步由小规模、补充性电源向主力电源过渡。然而，受风资源时变特性的影响，风电具有较强的波动性、间歇性和不确定性。随着风电装机规模的持续扩大，高比例风电接入给电网调度、电力系统运行的安全性和稳定性等方面带来了挑战。风速准确预测可以使电力调度机构及时优化风电场运行，是减轻风电并网不利影响的有效途径，对提升风电功率预测精度和电网稳定运行具有重要意义。
NWP气象数据是风电功率预测模型的关键输入，其中，NWP风速是NWP应用于风电功率预测的重要基础。张等人采用多元时间序列聚类算法和Seq2Seq深度学习算法，通过输入NWP数据与风电场历史实测数据，对风电功率进行预测。卢等人采用特征提取技术挖掘NWP和历史风电数据非线性特征，建立基于方差权重分配策略的风电功率组合预测模型。王等人考虑风电集群内各风电场NWP风速在时间序列上的差异化波动，提出基于双向长短期记忆算法对各子群集进行风电功率预测。然而，如果NWP风速预测存在误差，则会显著影响预测精度。因此，有必要针对NWP风速预测误差进行修正，提高NWP风速预报的准确性。
NWP预测风速误差分为横/纵向误差，横向误差为NWP风速序列和实际风速序列间的时间错位，纵向误差为两者间的幅值偏差。目前，NWP风速修正方法主要基于NWP纵向误差的先验统计规律，建立同一时刻下NWP风速与实际风速之间点对点的映射关系。Pearre等人使用统计方法挖掘NWP风速纵向误差幅值大小和天气条件之间的趋势特征。丁等人通过提取NWP风速纵向误差的标准差作为权重，得到NWP风速权重时间序列，建立基于门控神经网络的短期风电NWP风速误差修正模型。孙等人应用ANN/SVM学习相同时间点NWP风速和实际风速之间的映射关系以进行风速纵向误差修正。然而上述方法没有考虑NWP风速序列的横向误差对NWP风速修正的影响以及NWP内各时间点的差异性，导致NWP风速和实际风速之间的映射关系具有一定的随机不确定性。同时由于电力调度机构对风电出力上报的实际需求，NWP风速修正结果需提前12h给出，进一步提高了NWP风速修正的难度，影响了现有统计模型的校正精度。
现有NWP风速修正研究主要侧重于NWP数据特征挖掘，但是缺乏自适应能力，模型通用性不强。深度强化学习(DRL)融合深度学习(DR)的感知能力和强化学习(RL)的决策能力，能够在复杂高维的状态动作空间中进行端到端的感知决策。张等人提出用于短期负荷预测的新型异步深度强化学习模型，相比于传统机器学习算法具有更高的预测精度和更稳定的收敛性。孟等人建立基于数据自适应分解、强化学习集成和误差修正的短期风速预测混合模型。杨等人利用强化学习的Q学习算法优化组合模型权重，提高组合模型的预测性能。Lillicrap等人提出基于Actor-Critic框架的深度确定性策略梯度算法(DDPG),面向解决连续动作空间上的DRL算法。刘等人提出DDPG能有效应用于风速预测修正领域。但是，NWP数据具有强非线性，DDPG算法中多层感知器(MLP)作为Critic网络，处理复杂非线性数据时对评估目标Q值不够精确，不能有效更新Actor网络参数，难以保证NWP风速修正模型的收敛性与稳定性。
发明内容
本发明的目的是提供计及NWP风速横纵向误差的RDPG风速修正方法，解决了传统机器学习算法缺乏自适应能力，模型通用性不强，导致不同波动水平下NWP风速误差修正能力不足，影响多时间尺度下风电功率预测精度的问题。
本发明所采用的技术方案是，计及NWP风速横纵向误差的RDPG风速修正方法，具体按照以下步骤实施：
步骤1、根据NWP气象数据与历史气象数据，计算加权欧式距离相似度，通过加权欧式距离相似度将NWP气象数据划分为多个时序区间，每个时序区间作为输入特征提取区间；
步骤2、构建RDPG风速修正模型，基于SHAP理论，确定输入特征提取区间中气象特征重要度排序，剔除对NWP风速修正有负面影响的特征，得到由剩余气象特征组成的训练NWP气象数据；
步骤3、采用长短时记忆算法来表示RDPG风速修正模型中Critic网络，建立基于循环确定性策略梯度的RDPG风速修正模型，通过训练NWP气象数据、历史气象数据对NWP风速修正模型进行训练，得到训练完整的RDPG风速修正模型；
步骤4、向训练完整的NWP风速修正模型中输入待修正点的nwp区间统计特征和历史气象数据，输出修正后的风速。
本发明的特点还在于：
步骤1具体过程为：
步骤1.1、设NWP气象数据为NWP风速待修正点的气象参数特征向量X＝[V,D,T,H,P]，其中V、D、T、H、P分别为该点的风速、风向、温度、湿度、压强，将不同时刻的NWP风速的气象参数特征向量作为一个样本点；
步骤1.2、对NWP风速的气象参数特征向量进行归一化处理，设处理后的第i个样本点的气象参数特征向量为Xi＝[V(i),T(i),D(i),H(i),P(i)]，则归一化后的NWP风速待修正点气象参数特征向量为X0＝[V0(i),T0(i),D0(i),H0(i),P0(i)]，计算归一化后第i个NWP风速样本点与该待修正点的气象参数特征向量的加权欧式距离相似度为：
Figure BDA0003671621770000041
式中：m为气象参数的数量；ωj为第j个气象参数的权重；j为气象参数的序号；n为样本点的个数；
步骤1.3、加权欧式距离相似度的取值范围为(0,1)，越靠近1表示两点的相关性越强，设置样本最优时序区间边界点阈值D0为0.8；
步骤1.4、基于熵权法确定各气象参数的权重，设有n个历史日样本数据，每个样本有m个的气象参数，形成n×m阶数据矩阵A＝[zij]n×m，其中zij表示第i个历史日中第j个气象参数的数值，第j个气象参数的熵为式(2)：
Figure BDA0003671621770000042
式中：
Figure BDA0003671621770000043
当bij＝0时，设bijlnbij＝0，则第j个气象参数的权重为：
Figure BDA0003671621770000051
式中：ωj∈[0,1]，则
Figure BDA0003671621770000052
步骤1.5、通过加权欧式距离相似度划分NWP气象数据，得到NWP风速待修正点超前/滞后时序区间，即为输入特征提取区间。
加权欧式距离相似度S表示为：
S＝Si·ωi (4)。
步骤2中输入特征提取区间中气象特征包括风速平均值、风速最大值、风速最小值、风向平均值、温度平均值、湿度平均值、气压平均值。
步骤2具体过程为：
步骤2.1、构建RDPG风速修正模型，计算一个气象特征加入到RDPG风速修正模型当中的边际贡献；
步骤2.2、计算不同输入特征提取区间中同一气象特征的边际贡献；
步骤2.3、计算同一气象特征所有边际贡献的均值，即对应的Shapley值，计算方法如式(4)，(5)所示，设f(x)为RDPG风速修正模型，g(x)为用于解释模型评估结果的加性器，取xi为某一气象特征，计算某一气象特征的边际贡献的均值则有：
Figure BDA0003671621770000053
Figure BDA0003671621770000054
式中：φ0为模型预测基准值；φi为第i个特征的Shapley值；n为特征总数；{x1,x2,…,xn}为所有输入特征的集合；S为集合{x1,x2,…,xn}的不包含xi的特征子集；|S|为子集S中包含的特征数量；fS(xS)为在输入特征S时的RDPG风速修正模型，将特征集合{x1,x2,…,xn}不包含在子集S的其它特征置零；
步骤2.4、根据每个气象特征边际贡献的均值绝对值由大到小进行排序，剔除边际贡献的均值较大的3个气象特征，得到由剩余气象特征组成的训练NWP气象数据。
步骤3具体过程为：
步骤3.1、定义状态值函数Vπ(s)和状态动作值函数Qπ(s,a)，如公式(6)、(7)，Vπ(s)表示从某个状态s开始执行策略π的累积折扣奖赏，Qπ(s,a)表示在某个状态s执行动作a并在后续执行策略π的累积折扣奖赏；
Figure BDA0003671621770000061
Figure BDA0003671621770000062
式中：γ为折扣因子，k为未来时间步骤，rt+k表示智能体在时间步骤t+k上获得的即时奖励；
步骤3.2、对RDPG风速修正模型采用Actor-Critic网络作为基础框架实现策略梯度，主要包括两个神经网络，分别是Actor网络和Critic网络，利用参数θ评估当前Actor网络的执行策略π，并根据输入状态st，输出动作at，环境接收智能体所选择的动作之后，给予智能体相应的奖惩信号反馈rt+1，并转移到新的环境状态st+1，进而输出新的动作at+1，通过智能体与环境的交互，将获得转换变量(st,at,st+1,at+1,rt+1)输入到Critic网络，根据时序差分法计算出损失函数TD_error，损失函数TD_error采用δ来表示：
δ＝τt+1+γQ(st+1,at+1)-Q(st,at) (8)
步骤3.3、Actor网络和Critic网络均采用双网络结构，包含结构相同的估值网络
Figure BDA0003671621770000063
和目标网络(μ,Q)：
Figure BDA0003671621770000064
Figure BDA0003671621770000071
步骤3.4、RDPG风速修正模型包括经验回放机制，通过构造一个经验池，在Agent学习前，首先将状态转换过程储存在经验池中；在学习时，从经验池中随机采样，在连续动作空间中基于公式(11)进行探索，以构建经验回放缓冲池R：
at＝μ(st|θu)+ξt (11)
式中：ξt为噪声，用于随机搜索动作；R由
Figure BDA0003671621770000072
构成，λ为RDPG的训练步数；
步骤3.5、基于式(7)和(8)，并采用蒙特卡洛模拟建立Q网络和μ网络的学习策略，如公式(12)和公式(13)所示，以R中随机抽取的minibatch作为输入，即可训练估值网络(μ,Q)：
Figure BDA0003671621770000073
Figure BDA0003671621770000074
其中，{ai,si,ri,si+1}～R；
步骤3.6、目标网络的参数通过缓慢跟踪原始网络进行更新，更新公式为：
Figure BDA0003671621770000075
步骤3.7、RDPG风速修正模型中状态由所提取st的气象特征来表示，以训练NWP气象数据和历史气象数据作为训练样本输入至RDPG风速修正模型，得到训练完整的RDPG风速修正模型。
本发明有益效果是：
本发明计及NWP风速横纵向误差的RDPG风速修正方法，解决了传统机器学习算法缺乏自适应能力，模型通用性不强的问题，并进一步提高模型的收敛性与稳定性；本发明的NWP风速修正方法为现有研究在不同波动水平下NWP风速误差修正能力不足，导致多时间尺度下风电功率预测精度较低的问题，提供了一种新的有效技术方案。
附图说明
图1是本发明计及NWP风速横纵向误差的RDPG风速修正方法流程图；
图2是本发明NWP风速横/纵向误差定义图；
图3是本发明超前/滞后时序区间划分过程图；
图4是本发明超前/滞后时序区间特征Shapley值排序图；
图5是本发明NWP多气象特征缺失影响图；
图6是本发明基于RDPG的NWP风速修正框架图；
图7是本发明各样本点超前/滞后时序区间分布情况图；
图8是本发明各个季节不同模型的NWP风速修正结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明计及NWP风速横纵向误差的RDPG风速修正方法，如图1所示，具体按照以下步骤实施：
步骤1、NWP风速序列与实际风速序列之间存在的横向误差，如图2所示，有必要考虑NWP风速序列存在的时序效应，采用超前时序区间和滞后时序区间共同构成模型输入特征提取时序区间范围，建立NWP风速序列时序区间与NWP风速待修正点间的映射关系，考虑到不同气象参数在相似性度量中表现出来的重要性有所不同，根据NWP气象数据与历史气象数据，计算加权欧式距离相似度，通过加权欧式距离相似度将NWP气象数据划分为多个时序区间，每个时序区间作为输入特征提取区间，如图3所示，根据特征中属性的重要性赋予不同气象参数的权值系数，解决参数差异化重要性对相似度衡量的影响；具体过程为：
步骤1.1、设NWP气象数据为NWP风速待修正点的气象参数特征向量X＝[V,D,T,H,P]，其中V、D、T、H、P分别为该点的风速、风向、温度、湿度、压强，将不同时刻的NWP风速的气象参数特征向量作为一个样本点；
步骤1.2、对NWP风速的气象参数特征向量进行归一化处理，设处理后的第i个样本点的气象参数特征向量为Xi＝[V(i),T(i),D(i),H(i),P(i)]，则归一化后的NWP风速待修正点气象参数特征向量为X0＝[V0(i),T0(i),D0(i),H0(i),P0(i)]，计算归一化后第i个NWP风速样本点与该待修正点的气象参数特征向量的加权欧式距离相似度为：
Figure BDA0003671621770000091
式中：m为气象参数的数量；ωj为第j个气象参数的权重；j为气象参数的序号；n为样本点的个数；
步骤1.3、加权欧式距离相似度的取值范围为(0,1)，越靠近1表示两点的相关性越强，设置样本最优时序区间边界点阈值D0为0.8；
步骤1.4、基于熵权法确定各气象参数的权重，设有n个历史日样本数据，每个样本有m个的气象参数，形成n×m阶数据矩阵A＝[zij]n×m，其中zij表示第i个历史日中第j个气象参数的数值，第j个气象参数的熵为式(2)：
Figure BDA0003671621770000092
式中：
Figure BDA0003671621770000101
当bij＝0时，设bijlnbij＝0，则第j个气象参数的权重为：
Figure BDA0003671621770000102
式中：ωj∈[0,1]，则
Figure BDA0003671621770000103
步骤1.5、通过加权欧式距离相似度划分NWP气象数据，得到NWP风速待修正点超前/滞后时序区间，即为输入特征提取区间。
加权欧式距离相似度S表示为：
S＝Si·ωi (4)。
步骤2、构建RDPG风速修正模型，基于SHAP理论，确定输入特征提取区间中气象特征重要度排序，剔除对NWP风速修正有负面影响的特征，得到由剩余气象特征组成的训练NWP气象数据；为了保证每个预测时间点下非一致性最优时序相关区间RDPG风速修正模型结构的统一，选择表1中7类区间统计特征作为修正模型基本的输入特征；由于不同气象统计特征对NWP风速修正的影响程度不同，基于SHAP理论评估上述特征的重要程度，用于量化每个特征能对模型预测所做的贡献。
表1
Figure BDA0003671621770000104
Figure BDA0003671621770000111
步骤2具体过程为：
具体过程为：
步骤2.1、构建RDPG风速修正模型，计算一个气象特征加入到RDPG风速修正模型当中的边际贡献；
步骤2.2、计算不同输入特征提取区间中同一气象特征的边际贡献；
步骤2.3、计算同一气象特征所有边际贡献的均值，即对应的Shapley值，计算方法如式(4)，(5)所示，设f(x)为RDPG风速修正模型，g(x)为用于解释模型评估结果的加性器，取xi为某一气象特征，计算某一气象特征的边际贡献的均值则有：
Figure BDA0003671621770000112
Figure BDA0003671621770000113
式中：φ0为模型预测基准值；φi为第i个特征的Shapley值；n为特征总数；{x1,x2,…,xn}为所有输入特征的集合；S为集合{x1,x2,…,xn}的不包含xi的特征子集；|S|为子集S中包含的特征数量；fS(xS)为在输入特征S时的RDPG风速修正模型，将特征集合{x1,x2,…,xn}不包含在子集S的其它特征置零；
步骤2.4、根据每个气象特征边际贡献的均值绝对值由大到小进行排序，剔除边际贡献的均值较大的3个气象特征，得到由剩余气象特征组成的训练NWP气象数据。
如图3所示。每个点代表单个样本的特征，纵坐标是本发明所考虑的NWP气象特征，从上往下代表特征的重要程度逐渐降低，横坐标为特征的Shaply值。从图3可以看出，在所有NWP气象特征中，特征重要度从高到底分别是Vmean、Vmax、Dmean、Vmin、Hmean、Pmean、Tmean。本发明采用|SHAP|mean表示样本Shapley值的绝对值相加后平均值大小。表2展示了不同特征的|SHAP|mean值大小情况。其中，Vmean的|SHAP|mean值为1.07，对NWP风速修正的结果影响最大。
表2
Figure BDA0003671621770000121
为了进一步评估特征是否对模型精度具有负面影响，考虑所有特征作为模型输入；根据特征|SHAP|mean值的大小，按照特征重要程度的不同，从高到低依次剔除NWP的风速、风向、湿度、气压、温度等单个气象特征因素，再进行NWP风速修正。上述方法NWP风速修正效果的比较结果如图4所示。当剔除NWP风速特征时，对NWP风速修正的影响最大，其次是剔除NWP风向特征。
表3是缺失不同气象特征模型修正精度指标，当NWP的温度、湿度、气压特征剔除时，与考虑所有气象特征情况进行对比，性能指标的数值反而提升，如图5所示，而剔除NWP的风速、风向特征时NWP风速修正模型效果都有不同程度的降低。其中，剔除NWP风速修正的效果最差。由此可以看出NWP风速、风向特征对NWP风速修正模型的正向贡献程度最大，NWP温度、湿度、气压特征对NWP风速修正具有负面影响。因此，结合不同特征的|SHAP|mean值大小情况，确定0.45为阈值，选定对模型具有正向增益效果的Vmean、Vmax、Dmean、Vmin作为NWP风速修正模型输入。
表3
Figure BDA0003671621770000131
步骤3、考虑到NWP气象数据和历史气象数据具有高维强非线性特点，采用长短时记忆算法来表示RDPG风速修正模型中Critic网络，可以学习长期依赖信息，能够有效更新和利用存储单元信息，使用长短时记忆算法作为Critic网络，状态动作值函数评估的TD_error相比于DDPG会更加准确，更好的更新Actor网络参数，提高NWP风速修正模型的收敛性与稳定性，建立基于循环确定性策略梯度的RDPG风速修正模型，通过训练NWP气象数据、历史气象数据对NWP风速修正模型进行训练，得到训练完整的RDPG风速修正模型；具体过程为：
步骤3.1、定义状态值函数Vπ(s)和状态动作值函数Qπ(s,a)，如公式(6)、(7)，Vπ(s)表示从某个状态s开始执行策略π的累积折扣奖赏，Qπ(s,a)表示在某个状态s执行动作a并在后续执行策略π的累积折扣奖赏；
Figure BDA0003671621770000132
Figure BDA0003671621770000133
式中：γ为折扣因子，k为未来时间步骤，rt+k表示智能体在时间步骤t+k上获得的即时奖励；
步骤3.2、如图6所示，对RDPG风速修正模型采用Actor-Critic网络作为基础框架实现策略梯度，主要包括两个神经网络，分别是Actor网络和Critic网络，利用参数θ评估当前Actor网络的执行策略π，并根据输入状态st，输出动作at，环境接收智能体所选择的动作之后，给予智能体相应的奖惩信号反馈rt+1，并转移到新的环境状态st+1，进而输出新的动作at+1，通过智能体与环境的交互，将获得转换变量(st,at,st+1,at+1,rt+1)输入到Critic网络，根据时序差分法计算出损失函数TD_error，损失函数TD_error采用δ来表示：
δ＝τt+1+γQ(st+1,at+1)-Q(st,at) (8)
步骤3.3、Actor网络和Critic网络均采用双网络结构，包含结构相同的估值网络
Figure BDA0003671621770000146
和目标网络(μ,Q)：
Figure BDA0003671621770000141
Figure BDA0003671621770000142
步骤3.4、RDPG风速修正模型包括经验回放机制，通过构造一个经验池，在Agent学习前，首先将状态转换过程储存在经验池中；在学习时，从经验池中随机采样，在连续动作空间中基于公式(11)进行探索，以构建经验回放缓冲池R：
at＝μ(st|θu)+ξt (11)
式中：ξt为噪声，用于随机搜索动作；R由
Figure BDA0003671621770000143
构成，λ为RDPG的训练步数；
步骤3.5、基于式(7)和(8)，并采用蒙特卡洛模拟建立Q网络和μ网络的学习策略，如公式(12)和公式(13)所示，以R中随机抽取的minibatch作为输入，即可训练估值网络(μ,Q)：
Figure BDA0003671621770000144
Figure BDA0003671621770000145
其中，{ai,si,ri,si+1}～R；
步骤3.6、目标网络的参数通过缓慢跟踪原始网络进行更新，更新公式为：
Figure BDA0003671621770000151
步骤3.7、RDPG风速修正模型中状态由所提取st的气象特征来表示，以训练NWP气象数据和历史气象数据作为训练样本输入至RDPG风速修正模型，得到训练完整的RDPG风速修正模型。
在RDPG风速修正模型的训练过程中，RDPG风速修正模型根据观察到的状态从动作空间中输出相应的风速值，通过设置奖励函数判断模型输出是否准确。本发明中，奖励函数的定义如下：
rt+1＝-|vt-at| (15)
式中：vt表示时间点t的实际风速值，at表示模型在时间点t的动作行为，即对应输出的风速值。如果输出的动作值，即修正的NWP风速接近实际的风速，奖励将接近于0，否则将远远偏离0值的负方向。
步骤4、向训练完整的NWP风速修正模型中输入待修正点的nwp区间统计特征和历史气象数据，输出修正后的风速。
历史气象数据主要包括风速、风向、温度、湿度、气压对应的数据值等。
实施例
利用位于内蒙古克旗风电场(117.510593°N,43.139382°E)的2019年数据集进行算例分析，该数据集由场站实测的历史风速、风向以及相应的NWP气象数据构成，时间分辨率15分钟。其中，NWP气象数据包括该风电场的风速、风向、温度、湿度和气压等气象数据。考虑到风速具有季节性变化规律，本发明使用随机各个季节30天作为模型的测试数据集，四个季节的剩余天数数据作为训练集。
本发明选定的横纵向误差指标如表4所示。纵向误差评估指标包括平均绝对误差(mean absolute error,MAE)、均方根误差(root mean squared error,RMSE)、平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)。横向误差的指标为相关系数(correlation coefficient)r，相关系数r可以对比实测序列和预测序列之间的相似程度，间接判断预测横向误差的大小。
表4
Figure BDA0003671621770000161
本发明设选取的NWP风速待修正点为d0，其中，超前d0的NWP气象参数特征向量X序列可以表示为[dt,t＝1,...,96]，滞后d0的NWP气象参数特征向量序列可以表示为[dt,t＝-1,...,-96]，其中t表示超前或滞后d0的区间样本点，负号表示区间样本点滞后d0，则本发明选取的NWP风速待修正点为d0的基本时序区间范围为[dt-96,dt+96]，且包含d0。然后计算该基本时序区间内各点与d0之间的加权欧式距离相似度。设置样本最优时序区间边界点阈值D0为0.8，确定其各样本点强相关时序区间。各样本点超前/滞后时序区间分布情况如图7所示，最优超前/滞后时序区间范围的最大为[dt-40,dt+25]，最小为[dt-17,dt+20]，两者之间相差6h左右的时序区间间隔。
本发明考虑区间一致和区间不一致的两种时序区间形式。区间一致是指每个样本提取NWP气象数据特征时所考虑的超前/滞后时序区间时间范围相同；区间不一致是指根据每个样本点的气象特征向量，针对性构建每个样本点的最优时序区间。本发明选定5种时序区间一致的区间范围进行实验，分别是10％时序区间范围、20％时序区间范围、30％时序区间范围、40％时序区间范围和50％时序区间范围。从表5可以看出，不同的时序区间选择对NWP风速修正存在一定的影响，本发明采用的基于加权欧式距离确定各个样本点最优时序区间的方法，模型修正NWP风速的效果最好，MAE、RMSE、MAPE、r分别为0.75m/s、1.02m/s、9.86％和0.90。
表5
Figure BDA0003671621770000171
本发明选择各个季节的典型日作为结果展示，如春季2月18日、夏季5月26日、秋季8月10日和冬季11月5日。对比分析考虑超前/滞后时序区间与只考虑超前时序区间范围NWP风速修正效果。各个季节典型日NWP风速修正的结果如图8所示，各个季节的风速并不是处于较为平稳的状态，均有一定波动。其中，春季的风速波动范围以及幅值区间最大，导致风速修正的误差也最大，其次分别是冬季和秋季，夏季的风速相对较小，风速修正的误差值也相应的小于其它季节。
表7为不同季节下所选测试集的NWP风速修正指标情况，发明随机选择各个季节30天作为模型的测试数据集。以春季为例，LLTI-RDPG模型的MAE、RMSE、相关系数r、MAPE分别为0.89m/s、1.24m/s、0.89和6.24％，通过比较两种时序区间范围下不同模型的NWP风速修正效果，采用本发明提出超前/滞后时序区间作为模型特征提取区间，能有效改善模型的预测精度。同时相比于NWP原始数据，基于LLTI-RDPG模型的MAE提高了2m/s、RMSE提高了1.97m/s、相关系数r提高了0.2，MAPE提高了18.41％。
表7
Figure BDA0003671621770000181
本发明采用滚动修正的方式对NWP风速进行修正，比较不同预测时长下模型修正效果。由于采用滚动修正的模式，NWP风速修正的误差随着预测时长的增加而累积，MAE、RMSE在8小时左右之前显著增加，但是超过8小时之后，MAE、RMSE基本保持不变。表8是不同预测时长下模型修正NWP风速指标的情况，本发明选取了1h、4h、12h和24h对模型的修正结果进行比较。在预测时长为1h时，本发明采用的RDPG算法的MAE为0.41m/s、RMSE为0.53m/s、相关系数r为0.93、MAPE为9.35％，相比于原始NWP风速预测精度，RDPG的修正精度显著提高，同时与SVM、BPNN、LSTM三种基准算法对比，RDPG的修正表现也有一定程度的提高。随着预测时长的增加，在时间尺度为4h、12h以及24h时，基于RDPG的NWP风速修正精度的表现更加稳定。因此，本发明提出的方法可以应用于超短期和短期时间尺度下NWP风速修正。
表8
Figure BDA0003671621770000191
通过实验结果对比，本发明基于加权欧式距离相似度，划分各个NWP风速待修正点差异化最优超前/滞后时序相关区间，反映了横向误差对NWP风速修正的潜在影响，有效改善模型预测效果；采用区间统计特征代替NWP原始气象特征作为模型输入，并基于SHAP理论实现非一致性时序区间NWP气象特征评估，获取对模型具有正向增益的特征，降低了模型的复杂度；基于RDPG的NWP风速修正模型，降低不同NWP风速波动水平下预测风速的横纵向误差，增强模型的泛化能力和处理非线性数据的能力。
通过实验证明，本发明提出的一种计及NWP风速双向误差特性的RDPG风速修正方法，解决了现有技术中存在的未考虑NWP风速序列与历史风速序列间超前或延迟效应导致的横向误差对NWP风速修正的潜在影响，NWP内各时间点的差异性，传统机器学习算法缺乏自适应能力，模型通用性不强，导致不同波动水平下NWP风速误差修正能力不足，影响多时间尺度下风电功率预测精度的问题，本发明提供了有效的技术方案。

Claims (6)

1.计及NWP风速横纵向误差的RDPG风速修正方法，其特征在于，具体按照以下步骤实施：
步骤1、根据NWP气象数据与历史气象数据，计算加权欧式距离相似度，通过加权欧式距离相似度将NWP气象数据划分为多个时序区间，每个时序区间作为输入特征提取区间；
步骤2、构建RDPG风速修正模型，基于SHAP理论，确定输入特征提取区间中气象特征重要度排序，剔除对NWP风速修正有负面影响的特征，得到由剩余气象特征组成的训练NWP气象数据；
步骤3、采用长短时记忆算法来表示RDPG风速修正模型中Critic网络，建立基于循环确定性策略梯度的RDPG风速修正模型，通过训练NWP气象数据、历史气象数据对NWP风速修正模型进行训练，得到训练完整的RDPG风速修正模型；
步骤4、向训练完整的NWP风速修正模型中输入待修正点的nwp区间统计特征和历史气象数据，输出修正后的风速。
2.根据权利要求1所述计及NWP风速横纵向误差的RDPG风速修正方法，其特征在于，步骤1具体过程为：
步骤1.1、设NWP气象数据为NWP风速待修正点的气象参数特征向量X＝[V,D,T,H,P]，其中V、D、T、H、P分别为该点的风速、风向、温度、湿度、压强，将不同时刻的NWP风速的气象参数特征向量作为一个样本点；
步骤1.2、对NWP风速的气象参数特征向量进行归一化处理，设处理后的第i个样本点的气象参数特征向量为Xi＝[V(i),T(i),D(i),H(i),P(i)]，则归一化后的NWP风速待修正点气象参数特征向量为X0＝[V0(i),T0(i),D0(i),H0(i),P0(i)]，计算归一化后第i个NWP风速样本点与该待修正点的气象参数特征向量的加权欧式距离相似度为：
Figure FDA0003671621760000021
式中：m为气象参数的数量；ωj为第j个气象参数的权重；j为气象参数的序号；n为样本点的个数；
步骤1.3、加权欧式距离相似度的取值范围为(0,1)，越靠近1表示两点的相关性越强，设置样本最优时序区间边界点阈值D0为0.8；
步骤1.4、基于熵权法确定各气象参数的权重，设有n个历史日样本数据，每个样本有m个的气象参数，形成n×m阶数据矩阵A＝[zij]n×m，其中zij表示第i个历史日中第j个气象参数的数值，第j个气象参数的熵为式(2)：
Figure FDA0003671621760000022
式中：
Figure FDA0003671621760000023
当bij＝0时，设bijlnbij＝0，则第j个气象参数的权重为：
Figure FDA0003671621760000024
式中：ωj∈[0,1]，则
Figure FDA0003671621760000025
步骤1.5、通过加权欧式距离相似度划分NWP气象数据，得到NWP风速待修正点超前/滞后时序区间，即为输入特征提取区间。
3.根据权利要求2所述计及NWP风速横纵向误差的RDPG风速修正方法，其特征在于，所述加权欧式距离相似度S表示为：
S＝Si·ωi (4)。
4.根据权利要求1所述计及NWP风速横纵向误差的RDPG风速修正方法，其特征在于，步骤2中所述输入特征提取区间中气象特征包括风速平均值、风速最大值、风速最小值、风向平均值、温度平均值、湿度平均值、气压平均值。
5.根据权利要求1所述计及NWP风速横纵向误差的RDPG风速修正方法，其特征在于，步骤2具体过程为：
步骤2.1、构建RDPG风速修正模型，计算一个气象特征加入到RDPG风速修正模型当中的边际贡献；
步骤2.2、计算不同输入特征提取区间中同一气象特征的边际贡献；
步骤2.3、计算同一气象特征所有边际贡献的均值，即对应的Shapley值，计算方法如式(4)，(5)所示，设f(x)为RDPG风速修正模型，g(x)为用于解释模型评估结果的加性器，取xi为某一气象特征，计算某一气象特征的边际贡献的均值则有：
Figure FDA0003671621760000031
Figure FDA0003671621760000032
式中：φ0为模型预测基准值；φi为第i个特征的Shapley值；n为特征总数；{x1,x2,…,xn}为所有输入特征的集合；S为集合{x1,x2,…,xn}的不包含xi的特征子集；|S|为子集S中包含的特征数量；fS(xS)为在输入特征S时的RDPG风速修正模型，将特征集合{x1,x2,…,xn}不包含在子集S的其它特征置零；
步骤2.4、根据每个气象特征边际贡献的均值绝对值由大到小进行排序，剔除边际贡献的均值较大的3个气象特征，得到由剩余气象特征组成的训练NWP气象数据。
6.根据权利要求1所述计及NWP风速横纵向误差的RDPG风速修正方法，其特征在于，步骤3具体过程为：
步骤3.1、定义状态值函数Vπ(s)和状态动作值函数Qπ(s,a)，如公式(6)、(7)，Vπ(s)表示从某个状态s开始执行策略π的累积折扣奖赏，Qπ(s,a)表示在某个状态s执行动作a并在后续执行策略π的累积折扣奖赏；
Figure FDA0003671621760000041
Figure FDA0003671621760000042
式中：γ为折扣因子，k为未来时间步骤，rt+k表示智能体在时间步骤t+k上获得的即时奖励；
步骤3.2、对RDPG风速修正模型采用Actor-Critic网络作为基础框架实现策略梯度，主要包括两个神经网络，分别是Actor网络和Critic网络，利用参数θ评估当前Actor网络的执行策略π，并根据输入状态st，输出动作at，环境接收智能体所选择的动作之后，给予智能体相应的奖惩信号反馈rt+1，并转移到新的环境状态st+1，进而输出新的动作at+1，通过智能体与环境的交互，将获得转换变量(st,at,st+1,at+1,rt+1)输入到Critic网络，根据时序差分法计算出损失函数TD_error，损失函数TD_error采用δ来表示：
δ＝τt+1+γQ(st+1,at+1)-Q(st,at) (8)
步骤3.3、所述Actor网络和Critic网络均采用双网络结构，包含结构相同的估值网络
Figure FDA0003671621760000043
和目标网络(μ,Q)：
Figure FDA0003671621760000044
Figure FDA0003671621760000051
步骤3.4、RDPG风速修正模型包括经验回放机制，通过构造一个经验池，在Agent学习前，首先将状态转换过程储存在经验池中；在学习时，从经验池中随机采样，在连续动作空间中基于公式(11)进行探索，以构建经验回放缓冲池R：
at＝μ(st|θu)+ξt (11)
式中：ξt为噪声，用于随机搜索动作；R由
Figure FDA0003671621760000052
构成，λ为RDPG的训练步数；
步骤3.5、基于式(7)和(8)，并采用蒙特卡洛模拟建立Q网络和μ网络的学习策略，如公式(12)和公式(13)所示，以R中随机抽取的minibatch作为输入，即可训练估值网络(μ,Q)：
Figure FDA0003671621760000053
Figure FDA0003671621760000054
其中，{ai,si,ri,si+1}～R；
步骤3.6、目标网络的参数通过缓慢跟踪原始网络进行更新，更新公式为：
Figure FDA0003671621760000055
步骤3.7、RDPG风速修正模型中状态由所提取st的气象特征来表示，以训练NWP气象数据和历史气象数据作为训练样本输入至RDPG风速修正模型，得到训练完整的RDPG风速修正模型。
CN202210606635.0A 2022-05-31 2022-05-31 计及nwp风速横纵向误差的rdpg风速修正方法 Pending CN115049115A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210606635.0A CN115049115A (zh) 2022-05-31 2022-05-31 计及nwp风速横纵向误差的rdpg风速修正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210606635.0A CN115049115A (zh) 2022-05-31 2022-05-31 计及nwp风速横纵向误差的rdpg风速修正方法

Publications (1)

Publication Number Publication Date
CN115049115A true CN115049115A (zh) 2022-09-13

Family

ID=83159285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210606635.0A Pending CN115049115A (zh) 2022-05-31 2022-05-31 计及nwp风速横纵向误差的rdpg风速修正方法

Country Status (1)

Country Link
CN (1) CN115049115A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115660232A (zh) * 2022-12-26 2023-01-31 尚特杰电力科技有限公司 风电功率的超短期预测方法、装置及系统
CN115657080A (zh) * 2022-12-29 2023-01-31 南京牧镭激光科技股份有限公司 激光雷达测风距离门自适应调节方法
CN117689494A (zh) * 2023-11-24 2024-03-12 国网山东省电力公司青岛供电公司 基于Shapley值的风电集群偏差考核方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115660232A (zh) * 2022-12-26 2023-01-31 尚特杰电力科技有限公司 风电功率的超短期预测方法、装置及系统
CN115657080A (zh) * 2022-12-29 2023-01-31 南京牧镭激光科技股份有限公司 激光雷达测风距离门自适应调节方法
CN115657080B (zh) * 2022-12-29 2023-03-14 南京牧镭激光科技股份有限公司 激光雷达测风距离门自适应调节方法
CN117689494A (zh) * 2023-11-24 2024-03-12 国网山东省电力公司青岛供电公司 基于Shapley值的风电集群偏差考核方法及系统

Similar Documents

Publication Publication Date Title
CN110705743B (zh) 一种基于长短期记忆神经网络的新能源消纳电量预测方法
CN112733462B (zh) 一种结合气象因素的超短期风电场功率预测方法
CN115049115A (zh) 计及nwp风速横纵向误差的rdpg风速修正方法
WO2020191801A1 (zh) 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法
CN112241608A (zh) 一种基于lstm网络和迁移学习的锂电池寿命预测方法
CN113962364A (zh) 一种基于深度学习的多因素用电负荷预测方法
Ye et al. An ensemble method for short-term wind power prediction considering error correction strategy
CN112149879B (zh) 一种计及宏观波动性分类的新能源中长期电量预测方法
CN112487702A (zh) 一种锂离子电池剩余使用寿命预测方法
CN112116144B (zh) 一种区域配电网短期负荷预测方法
CN109948845A (zh) 一种配电网负荷长短期记忆神经网络预测方法
CN113705922B (zh) 一种改进的超短期风电功率预测算法及模型建立方法
CN110751318A (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN108734321A (zh) 一种基于改进ABC算法的Elman神经网络的短期负荷预测方法
CN114757427B (zh) 自回归修正的lstm智能风电场超短期功率预测方法
CN114065653A (zh) 电力负荷预测模型的构建方法与电力负荷预测方法
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
CN115759415A (zh) 基于lstm-svr的用电需求预测方法
CN116611702A (zh) 一种面向楼宇综合能源管理的集成学习光伏发电预测方法
CN117151770A (zh) 一种基于注意力机制的lstm碳价预测方法和系统
CN114971090A (zh) 一种电供暖负荷预测方法、系统、设备和介质
CN115481788A (zh) 相变储能系统负荷预测方法及系统
CN116885699A (zh) 基于双重注意力机制的电力负荷预测方法
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN113884936A (zh) 一种基于issa耦合delm的锂离子电池健康状态预测方法

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