CN117318018A - 一种风电出力短期预测方法及系统 - Google Patents
一种风电出力短期预测方法及系统 Download PDFInfo
- Publication number
- CN117318018A CN117318018A CN202311129746.8A CN202311129746A CN117318018A CN 117318018 A CN117318018 A CN 117318018A CN 202311129746 A CN202311129746 A CN 202311129746A CN 117318018 A CN117318018 A CN 117318018A
- Authority
- CN
- China
- Prior art keywords
- wind power
- cold
- weather
- graph
- chill
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000012549 training Methods 0.000 claims abstract description 79
- 238000013507 mapping Methods 0.000 claims abstract description 37
- 238000012216 screening Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 45
- 238000009826 distribution Methods 0.000 claims description 24
- 238000001816 cooling Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000008485 antagonism Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0475—Generative 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风电出力短期预测方法及系统,所述方法包括:从预先构建的风电场历史特征数据库中筛选寒潮天气下风电场运行场景,构成寒潮天气小样本场景集;将所述寒潮天气小样本场景集输入预先训练的寒潮样本场景生成器中,生成寒潮风电运行场景样本;基于图理论知识,结合所述寒潮风电运行场景样本构建寒潮特征信息图;结合所构建的寒潮特征信息图训练基础模型,建立寒潮特征信息图到风电出力功率值的非线性映射,得到风电出力短期预测模型,所述基础模型基于图卷积神经网络框架搭建图注意力网络模型。本发明为风电出力短期预测方法,将有效提高寒潮极端天气下风电出力短期预测的精度。
Description
技术领域
本发明涉及风电出力预测领域,具体涉及一种风电出力短期预测方法及系统。
背景技术
随着风电能源的迅速发展,电网中风电装机容量不断增加,而风电输出功率的波动性和随机性给电力系统的运行和规划带来了挑战。除此之外,寒潮天气作为一种典型的气象灾害,一直对风机运行产生严重影响,给风电出力准确预测带来了挑战,严重危害电网安全。近年来,随着气候等因素的变化,寒潮天气发生得愈发频繁,且其强风、冻雨等气候特点变得更加极端,在寒潮天气持续期间,风电功率预测精度大幅度下降。因此,需要充分挖掘寒潮天气的气候特点及其对风电出力的影响,针对性地研究寒潮天气下风电功率的准确预测方法,提高电网供电能力,保障电网安全稳定运行。
近年来,深度学习、机器学习等人工智能算法不断进步,但对应模型需要大量的样本数据进行训练,而寒潮天气属于小样本事件,其样本量不足以支撑模型充分训练。针对此问题,已有部分学者提出基于样本扩充的寒潮天气下风电出力短期预测方法,但存在无法准确挖掘寒潮天气气象特征,导致生成的气象样本与寒潮天气差距较远等问题。
发明内容
为解决现有技术中存在的问题,本发明提出一种风电出力短期预测方法及系统,该方法将有效提高寒潮风电运行场景样本生成的相似率,从而提高寒潮天气下风电出力短期预测的准确率。
本发明的目的至少通过如下技术方案实现:
本发明第一方面是提供一种风电出力短期预测模型训练方法,包括:
从预先构建的风电场历史特征数据库中筛选寒潮天气下风电场运行场景,构成寒潮天气小样本场景集;
将所述寒潮天气小样本场景集输入预先训练的寒潮样本场景生成器中,生成寒潮风电运行场景样本;
基于图理论知识,结合所述寒潮风电运行场景样本构建寒潮特征信息图;
结合所构建的寒潮特征信息图训练基础模型,建立寒潮特征信息图到风电出力功率值的非线性映射,得到风电出力短期预测模型,所述基础模型基于图卷积神经网络框架搭建图注意力网络模型。
作为本发明可选实施例,所述预先构建的风电场历史特征数据库是融合历史风电场出力数据以及气象数据得到,具体方法包括:
从计量系统获取风电场历史出力数据,并在气象站获取相同时间相同颗粒度的气象数据,包括风速、风向、湿度、温度、气压、空气密度,并根据时间信息融合所有气象数据的数据特征,从而形成风电场历史特征数据库。
作为本发明可选实施例,所述从预先构建的风电场历史特征数据库中筛选寒潮天气下风电场运行场景,构成寒潮天气小样本场景集,包括:
以M为时间窗口,从预先构建的风电场历史特征数据库中提取温度数据,一天共包含m个时间断面,则每一段温度数据为:T={T1、T2、...Tk},k=M/m;
结合寒潮天气要求,在时间窗口中筛选温度下降的时间段:ti为温度下降的时刻,若在该时间段中,根据寒潮天气判断条件判定该天若为寒潮天气,并将该天的风电场运行相关气象数据提取出来,作为寒潮天气下风电场的运行场景,从而构成寒潮天气小样本场景集。
作为本发明可选实施例,所述预先训练的寒潮样本场景生成器的训练方法包括:
将寒潮天气定义转化为数学表达形式,并嵌入到生成式对抗网络模型的损失函数中,通过对所述寒潮天气小样本场景集训练获得寒潮样本场景生成器。
作为本发明可选实施例,所述生成式对抗网络模型,包括生成器G与判别器D,其中生成器G用于生成与真实寒潮风电运行场景样本具有相似分布的场景集,判别器D用于把生成器G所生成的场景集与真实样本集进行区分;生成器G与判别器D的网络都由全连接层搭建,全连接层计算公式如下:
其中,x(k+1)表示第k+1层特征向量,x(k)表示第k层特征向量,k为整数,W(k)为第k层权重向量,b(k)为第k层的偏置。
作为本发明可选实施例,
所述生成式对抗网络的损失函数W(D,G,L)为:
其中,Lcold为寒潮天气定义嵌入模型的损失函数;Ez表示样本z的分布期望,pdata(x)表示真实样本x的概率分布,pz(z)表示生成样本z的概率分布,G(z)表示生成器神经网络,D(x)表示判别器神经网络;
Lcold包括两部分,分别为:
Lcold1=|Tmax-Tmin-T降温|2
Lcold2=|Tmin-T低温|2
其中,T降温为寒潮天气判断降温条件,T低温寒潮天气判断最低气温条件,Tmax为寒潮天气最高气温,Tmin寒潮天气最低气温。
作为本发明可选实施例,所述基于图理论知识,结合所述寒潮风电运行场景样本构建寒潮特征信息图,包括:
图理论的一个图数据表示为G(A,X),其中A表示连接矩阵,X表示节点特征,将寒潮天气样本库中的特征数据D={D1,n、D2,n、...D96,n}中的每一个时间断面作为一个图节点,从而形成图数据节点,每个图节点之间采用全连接的方式连接,构成寒潮特征信息图。
作为本发明可选实施例,所述结合所构建的寒潮特征信息图训练基础模型,建立寒潮特征信息图到风电出力功率值的非线性映射,得到风电出力短期预测模型,包括:
基于图卷积神经网络框架搭建图注意力网络,对寒潮特征信息图数据进行学习和特征提取,建立图数据到风电出力功率值的非线性映射,以寒潮天气下风电出力短期预测为输出结果,训练获得风电出力短期预测模型。
作为本发明可选实施例,所述建立寒潮特征信息图到风电出力功率值的非线性映射,包括:
寒潮特征信息图中,每个节点代表不同的时间断面,利用多层图注意力层聚合寒潮特征信息图节点间的信息,接着使用全连接层对特征进行维度变换,得到寒潮特征信息图到风电出力的非线性映射;
其中,利用多层图注意力层聚合寒潮特征信息图节点间的信息的方法为:
式中,参数W用于完成每个节点的特征维度变换,参数a用于计算节点间的相关权重,||表示向量拼接,ai,j表示在a下计算得到的i,j节点间的权重,σ表示非线性激活函数,hi为更新后的i节点特征信息,k为整数。
本发明第二方面是提供一种风电出力短期预测方法,包括:
融合待预测日的风电场出力数据以及气象数据得到待预测寒潮风电运行场景样本;
基于图理论知识,结合所述待预测寒潮风电运行场景样本构建待预测寒潮特征信息图;
将所述待预测寒潮特征信息图输入到所述的方法训练得到的风电出力短期预测模型中,获得寒潮天气下风电出力的短期预测结果。
本发明第三方面是提供一种风电出力短期预测模型训练系统,包括:
筛选模块,用于从预先构建的风电场历史特征数据库中筛选寒潮天气下风电场运行场景,构成寒潮天气小样本场景集;
生成模块,用于将所述寒潮天气小样本场景集输入预先训练的寒潮样本场景生成器中,生成寒潮风电运行场景样本;
构建模块,用于基于图理论知识,结合所述寒潮风电运行场景样本构建寒潮特征信息图;
训练模块,用于结合所构建的寒潮特征信息图训练基础模型,建立寒潮特征信息图到风电出力功率值的非线性映射,得到风电出力短期预测模型,所述基础模型基于图卷积神经网络框架搭建图注意力网络模型。
作为本发明进一步改进,所述筛选模块中,所述预先构建的风电场历史特征数据库是融合历史风电场出力数据以及气象数据得到,具体方法包括:
从计量系统获取风电场历史出力数据,并在气象站获取相同时间相同颗粒度的气象数据,包括风速、风向、湿度、温度、气压、空气密度,并根据时间信息融合所有相关数据D={D1,n、D2,n、...Dt,n},其中Dt,n={Dt,P、Dt,W、...、Dt,T}为对应t时刻的功率、风速、风向、湿度、温度、气压、空气密度的数据特征,从而形成风电场历史特征数据库。
作为本发明进一步改进,所述筛选模块中,所述从预先构建的风电场历史特征数据库中筛选寒潮天气下风电场运行场景,构成寒潮天气小样本场景集,包括:
以M为时间窗口,从预先构建的风电场历史特征数据库中提取温度数据,一天共包含m个时间断面,则每一段温度数据为:T={T1、T2、...Tk},k=M/m;
结合寒潮天气要求,在时间窗口中筛选温度下降的时间段:ti为温度下降的时刻,若在该时间段中,根据寒潮天气判断条件判定该天若为寒潮天气,并将该天的风电场运行相关数据D={D1,n、D2,n、...Dk,n}提取出来,作为寒潮天气下风电场的运行场景,从而构成寒潮天气小样本场景集。
作为本发明进一步改进,所述生成模块中,所述预先训练的寒潮样本场景生成器的训练方法包括:
将寒潮天气定义转化为数学表达形式,并嵌入到生成式对抗网络模型的损失函数中,通过对所述寒潮天气小样本场景集训练获得寒潮样本场景生成器。
作为本发明进一步改进,所述生成模块中,所述生成式对抗网络模型,包括生成器G与判别器D,其中生成器G用于生成与真实寒潮风电运行场景样本具有相似分布的场景集,判别器D用于把生成器G所生成的场景集与真实样本集进行区分;生成器G与判别器D的网络都由全连接层搭建,全连接层计算公式如下:
其中,x(k)表示第k层特征向量,W(k)为第k层权重向量,b(k)为第k层的偏置。
作为本发明进一步改进,所述生成式对抗网络的损失函数W(D,G,L)为:
其中,Lcold为寒潮天气定义嵌入模型的损失函数;Ez表示样本z的分布期望,pdata(x)表示真实样本x的概率分布,pz(z)表示生成样本z的概率分布,G(z)表示生成器神经网络,D(x)表示判别器神经网络;
Lcold包括两部分,分别为:
Lcold1=|Tmax-Tmin-T降温|2
Lcold2=|Tmin-T低温|2
其中,T降温为寒潮天气判断降温条件,T低温寒潮天气判断最低气温条件,Tmax为寒潮天气最高气温,Tmin寒潮天气最低气温。
作为本发明进一步改进,所述构建模块中,所述基于图理论知识,结合所述寒潮风电运行场景样本构建寒潮特征信息图,包括:
图理论的一个图数据表示为G(A,X),其中A表示连接矩阵,X表示节点特征,将寒潮天气样本库中的特征数据D={D1,n、D2,n、...D96,n}中的每一个时间断面作为一个图节点,从而形成图数据节点,每个图节点之间采用全连接的方式连接,构成寒潮特征信息图。
作为本发明进一步改进,所述结合所构建的寒潮特征信息图训练基础模型,建立寒潮特征信息图到风电出力功率值的非线性映射,得到风电出力短期预测模型,包括:
基于图卷积神经网络框架搭建图注意力网络,对寒潮特征信息图数据进行学习和特征提取,建立图数据到风电出力功率值的非线性映射,以寒潮天气下风电出力短期预测为输出结果,训练获得风电出力短期预测模型。
作为本发明进一步改进,所述建立寒潮特征信息图到风电出力功率值的非线性映射,包括:
寒潮特征信息图中,每个节点代表不同的时间断面,利用多层图注意力层聚合寒潮特征信息图节点间的信息,接着使用全连接层对特征进行维度变换,得到寒潮特征信息图到风电出力的非线性映射;
其中,利用多层图注意力层聚合寒潮特征信息图节点间的信息的方法为:
式中,参数W用于完成每个节点的特征维度变换,参数a用于计算节点间的相关权重,||表示向量拼接,ai,j表示在a下计算得到的i,j节点间的权重,σ表示非线性激活函数,hi为更新后的i节点特征信息,k为整数。
本发明第四方面是提供一种风电出力短期预测系统,包括:
融合模块,用于融合待预测日的风电场出力数据以及气象数据得到待预测寒潮风电运行场景样本;
图理论模块,用于基于图理论知识,结合所述待预测寒潮风电运行场景样本构建待预测寒潮特征信息图;
预测模块,用于将所述待预测寒潮特征信息图输入到所述的方法训练得到的风电出力短期预测模型中,获得寒潮天气下风电出力的短期预测结果。
本发明第五方面是提供一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述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所述风电出力短期预测模型训练方法或所述风电出力短期预测方法。
本发明第六方面是提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述风电出力短期预测模型训练方法或所述风电出力短期预测方法。
相比于现有技术,本发明的有益效果如下:
本发明提出寒潮风电运行场景样本的生成方法,将寒潮天气的气象机理融合进生成式对抗网络中,实现“知识+模型”的有效结合,引导模型生成与真实场景集更为相似的样本场景集,扩大风电运行场景样本数量;所构建的图卷积神经网络框架搭建图注意力网络模型,图注意力网络模型具有强大的特征聚合及挖掘能力,该网络能以图的形式有效表征风电样本数据之间的时间及特征关联关系,深度挖掘已知数据与待预测功率之间的映射关系,从而实现风电出力的高精度短期预测。
附图说明
图1为本发明一种风电出力短期预测模型构建方法流程图;
图2为本发明一种风电出力短期预测方法流程图;
图3是本发明实施例中一种风电出力短期预测方法的步骤流程图;
图4是本发明实施例中一种风电出力短期预测系统示意图;
图5为本发明提供的一种电子设备示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
为解决寒潮天气强风、冻雨等极端气象特点对风电出力预测的影响,同时寒潮天气风电运行样本稀少,存在无法满足风电出力预测模型训练的问题,从而导致风电出力短期预测困难,目前大多数寒潮天气下风电出力预测方法并没能很好地解决样本稀疏这一难题。
如图1所示,本发明第一个目的是提供一种风电出力短期预测方法,包括如下步骤:
S1,从预先构建的风电场历史特征数据库中筛选寒潮天气下风电场运行场景,构成寒潮天气小样本场景集;
S2,将所述寒潮天气小样本场景集输入预先训练的寒潮样本场景生成器中,生成寒潮风电运行场景样本;
S3,基于图理论知识,结合所述寒潮风电运行场景样本构建寒潮特征信息图;
S4,结合所构建的寒潮特征信息图训练基础模型,建立寒潮特征信息图到风电出力功率值的非线性映射,得到风电出力短期预测模型,所述基础模型基于图卷积神经网络框架搭建图注意力网络模型。
本发明针对现有寒潮天气样本生成及风电出力短期预测存在的问题,研究寒潮天气气象机理嵌入生成式对抗网络的方法,实现知识与模型的软结合,有效提高样本生成的相似率,同时针对风电预测任务,构建图注意力网络,该网络模型具有强大的特征聚合及挖掘能力,深度挖掘已知数据与待预测功率之间的映射关系,从而实现寒潮天气下风电出力的高精度短期预测。
作为可选方案,所述预先构建的风电场历史特征数据库是融合历史风电场出力数据以及气象数据得到。
可选的,所述预先训练的寒潮样本场景生成器的训练方法包括:将寒潮天气定义转化为数学表达形式,并嵌入到生成式对抗网络模型的损失函数中,通过对所述寒潮天气小样本场景集训练获得寒潮样本场景生成器。
作为可选方案,所述结合所构建的寒潮特征信息图训练基础模型,建立寒潮特征信息图到风电出力功率值的非线性映射,得到风电出力短期预测模型,包括:
基于图卷积神经网络框架搭建图注意力网络,对寒潮特征信息图数据进行学习和特征提取,建立图数据到风电出力功率值的非线性映射,以寒潮天气下风电出力短期预测为输出结果,训练获得风电出力短期预测模型。
运行场景样本的生成需结合实际的气象机理,生成式对抗网络为目前普遍使用的样本生成模型,本发明利用损失函数成功嵌入了寒潮天气气象机理,实现知识与模型的软结合,有效提高样本生成的相似率;图注意力网络模型具有强大的特征聚合及挖掘能力,在许多领域都有着广泛的应用,且均获得了较为不错的效果,本发明将图注意力网络应用到风电出力预测任务中,有效提高了风电出力预测准确率。
进一步,风电出力短期预测模型得到后就可以根据获取需要预测的数据输入到模型中进行预测,后期预测不需要重新训练模型。提供处理效率。作为后续更新,针对参数变化或预测结果反馈,可以作为对模型的进一步优化,局部优化后得到不断优化的模型。
作为进一步改进,所述建立寒潮特征信息图到风电出力功率值的非线性映射,包括:
寒潮特征信息图中,每个节点代表不同的时间断面,利用多层图注意力层聚合寒潮特征信息图节点间的信息,接着使用全连接层对特征进行维度变换,得到寒潮特征信息图到风电出力的非线性映射。提高了模型的准确率,实现风电出力的高精度短期预测。
本发明研究寒潮天气气象机理的挖掘方法,并研究气象机理与样本生成模型的有效结合方法,实现“知识+模型”的寒潮天气样本生成,大幅度提高样本生成的准确率,并基于此,研究最终风电出力的短期高精度预测方法。
结合图2和图3对本发明实施例具体步骤说明如下:
步骤1、融合历史风电场出力数据以及气象数据,构建风电场历史特征数据库;
作为本实施例的示例,步骤1包括以下步骤:
从计量系统获取风电场历史出力数据,同时在气象站获取相同时间相同颗粒度的气象数据,包括风速、风向、湿度、温度、气压、空气密度,并根据时间信息融合所有相关数据D={D1,n、D2,n、...Dt,n},其中Dt,n={Dt,P、Dt,W、...、Dt,T}为对应t时刻的功率、风速、风向、湿度、温度、气压、空气密度等数据特征,t为数据长度,从而形成风电场历史特征数据库。作为具体实例,t取值范围一般为一年到三年,
步骤2、结合寒潮天气定义,从风电场历史特征数据库中筛选寒潮天气下风电场运行场景,构成寒潮天气小样本场景集;
作为本实施例的示例,步骤2包括以下步骤:
例如可以根据国家寒潮天气标准:24小时内降温10℃以上,或48小时内降温12℃以上,同时最低气温低于4℃。
因此,以24h为时间窗口,提取风电场历史特征数据库中的温度数据,假设数据颗粒度为15min,则一天共包含96个时间断面,则每一段温度数据为:T={T1、T2、...T96}。
结合寒潮天气标准,在时间窗口中筛选温度下降的时间段:若在该时间段中,Tmax-Tmin≥10℃且Tmin≤4℃,则判定该天经历了寒潮天气,并将该天的风电场运行相关数据D={D1,n、D2,n、...D96,n}提取出来,作为寒潮天气下风电场的运行场景,从而构成寒潮天气小样本场景集。
步骤3、将寒潮天气定义转化为数学表达形式,并嵌入到生成式对抗网络模型的损失函数中,通过少量寒潮样本场景集的训练便能获得高性能的寒潮样本场景生成器,实现寒潮风电运行场景样本的生成;
作为本实施例的示例,步骤3包括以下步骤:
搭建生成式对抗网络,用于生成大量的寒潮风电运行场景样本,其功能实现的关键在于网络损失函数的构建,除模型本身损失函数外,为引导模型生成更贴合寒潮真实场景的运行样本,将寒潮天气定义中所述的温度变化条件以数学表达的形式,嵌入到损失函数中,并结合所提取的寒潮天气小样本场景集对生成式对抗网络进行训练,以实现寒潮风电运行场景样本的生成。
其中,搭建生成式对抗网络,包括:
生成式对抗网络包括生成器G与判别器D,其中生成器G负责生成与真实寒潮风电运行场景样本具有相似分布的场景集,而判别器D负责把生成器G所生成的场景集与真实样本集区分开来。生成器G与判别器D的网络都由全连接层搭建,全连接层计算公式如下:
其中,其中,x(k+1)表示第k+1层特征向量,x(k)表示第k层特征向量,k为整数,W(k)为第k层权重向量,b(k)为第k层的偏置。
其中,构建损失函数,包括:
生成式对抗网络的损失函数为:
Ltotal=Lmodel+Lcold
其中,Lmodel为生成式对抗网络的模型损失函数,Lcold为寒潮天气定义嵌入模型的损失函数。
示例性的,在生成式对抗网络中,根据生成器G与判别器D的训练目标,生成式对抗网络模型损失函数Lmodel由生成器和判别器的损失函数LG和LD构成,分别为:
其中,Lcold为寒潮天气定义嵌入模型的损失函数;Ex表示样本x的分布期望,pdata(x)表示真实样本x的概率分布,pz(z)表示生成样本z的概率分布,G表示生成器神经网络,D表示判别器神经网络;
基于上式,可以推导出生成式对抗网络的目标函数:
寒潮天气定义嵌入模型的损失函数Lcold包括两部分,分别为:
Lcold1=|Tmax-Tmin-10|2
Lcold2=|Tmin-4|2
其中,T降温为寒潮天气判断降温条件,本实施例选10℃,T低温寒潮天气判断最低气温条件本实施例选4℃,Tmax为寒潮天气最高气温,Tmin寒潮天气最低气温。
因此,机理嵌入模型的目标不仅仅是最小化生成式对抗网络的模型损失,同时在物理机理引导下,使得模型生成的运行场景数据考虑寒潮天气的实际物理意义,其目标函数可写为:
步骤4、基于图理论知识,结合寒潮风电运行场景样本构建寒潮特征信息图。
作为本实施例的示例,步骤4包括以下步骤:
图理论的一个图数据表示为G(A,X),其中A表示连接矩阵,X表示节点特征,将寒潮天气样本库中的特征数据D={D1,n、D2,n、...D96,n}中的每一个时间断面作为一个图节点,从而形成图数据节点,每个图节点之间采用全连接的方式连接,构成寒潮特征信息图。
步骤5、基于图理论知识,结合寒潮风电运行场景样本构建寒潮特征信息图。
作为本实施例的示例,步骤5包括以下步骤:
基于图卷积神经网络框架搭建图注意力网络,对寒潮特征信息图数据进行学习和特征提取,建立图数据到风电出力功率值的非线性映射,输出寒潮天气下风电出力短期预测结果,训练获得风电出力短期预测模型,以实现寒潮天气下风电出力的短期预测。
其中,搭建图注意力网络,包括:
构建好的寒潮特征信息图中,每个节点代表不同的时间断面,利用多层图注意力层去聚合寒潮特征信息图节点间的信息,接着使用全连接层对特征进行维度变换,实现图数据到风电出力的非线性映射;其中寒潮特征信息图节点信息聚合方法为:
其中,参数W用于完成每个节点的特征维度变换,参数a用于计算节点间的相关权重,||表示向量拼接,ai,j表示在a下计算得到的i,j节点间的权重,σ表示非线性激活函数,hi为更新后的i节点特征信息,k为整数。
以下结合具体实施例和附图对本发明的方法进行详细说明。
实施例一:
如图1所示,本实施例提供一种风电出力短期预测方法,包括如下步骤:
步骤1、为了构建风电场历史特征数据库,需要进行数据收集,从计量系统获取风电场历史出力数据,同时在气象站获取相同时间相同颗粒度的气象数据,包括风速、风向、湿度、温度、气压、空气密度,并根据时间信息融合所有相关数据D={D1,n、D2,n、...Dt,n},其中Dt,n={Dt,P、Dt,W、...、Dt,T}为对应t时刻的功率、风速、风向、湿度、温度、气压、空气密度等数据特征,t为数据长度,取值范围一般为一年到三年,从而形成风电场历史特征数据库;
步骤2、构建寒潮天气小样本场景集,首先根据国家寒潮天气标准:24小时内降温10℃以上,或48小时内降温12℃以上,同时最低气温低于4℃。因此,以24h为时间窗口,提取风电场历史特征数据库中的温度数据,所使用的算例数据颗粒度为15min,则一天共包含96个时间断面,则每一段温度数据为:T={T1、T2、...T96}。结合寒潮天气标准,在时间窗口中筛选温度下降的时间段:若在该时间段中,Tmax-Tmin≥10℃且Tmin≤4℃,则判定该天经历了寒潮天气,并将该天的风电场运行相关数据D={D1,n、D2,n、...D96,n}提取出来,作为寒潮天气下风电场的运行场景,从而构成寒潮天气小样本场景集;
步骤3、搭建生成式对抗网络,用于生成大量的寒潮风电运行场景样本,其功能实现的关键在于网络损失函数的构建,除模型本身损失函数外,为引导模型生成更贴合寒潮真实场景的运行样本,将寒潮天气定义中所述的温度变化条件以数学表达的形式,嵌入到损失函数中,并结合所提取的寒潮天气小样本场景集对生成式对抗网络进行训练,以实现寒潮风电运行场景样本的生成。
步骤4、基于图理论知识,结合寒潮风电运行场景样本构建寒潮特征信息图。
图理论的一个图数据表示为G(A,X),其中A表示连接矩阵,X表示节点特征,将寒潮天气样本库中的特征数据D={D1,n、D2,n、...D96,n}中的每一个时间断面作为一个图节点,从而形成图数据节点,每个图节点之间采用全连接的方式连接,构成寒潮特征信息图。
步骤5、基于图理论知识,结合寒潮风电运行场景样本构建寒潮特征信息图。
基于图卷积神经网络框架搭建图注意力网络,对寒潮特征信息图数据进行学习和特征提取,建立图数据到风电出力功率值的非线性映射,输出寒潮天气下风电出力短期预测结果,训练获得风电出力短期预测模型,以实现寒潮天气下风电出力的短期预测。
其中,生成式对抗网络所选用的参数:生成器G与判别器D都由全连接层组成,生成器G中全连接层为三层,节点数分别为500,250,96,判别器D中全连接层为三层,节点数分别为500,250,96;图注意力网络所选用的参数为:两层图注意力层,隐藏节点数为15,全连接层更三层,节点数分别为500,250,96。
模型训练及模型测试,基于所构建的生成式对抗网络和图注意力网络模型,首先训练生成式对抗网络,生成寒潮风电运行场景样本,并基于所生成的样本对图注意力网络模型进行训练,该模型对寒潮特征图进行学习和特征提取,建立图数据到风电出力功率值的非线性映射,将训练集中的训练样本分成若干个批次(本实施例设置为50)进行训练,获得参数良好的模型,并实现最终的寒潮天气下风电出力的高精度短期预测。
实施例二:
如图1所示,本实施例提供一种风电出力短期预测方法,包括如下步骤:
步骤1、为了构建风电场历史特征数据库,需要进行数据收集,从计量系统获取风电场历史出力数据,同时在气象站获取相同时间相同颗粒度的气象数据,包括风速、风向、湿度、温度、气压、空气密度,并根据时间信息融合所有相关数据D={D1,n、D2,n、...Dt,n},其中Dt,n={Dt,P、Dt,W、...、Dt,T}为对应t时刻的功率、风速、风向、湿度、温度、气压、空气密度等数据特征,t为数据长度,取值范围一般为一年到三年,从而形成风电场历史特征数据库;
步骤2、构建寒潮天气小样本场景集,首先根据国家寒潮天气标准:24小时内降温10℃以上,或48小时内降温12℃以上,同时最低气温低于4℃。因此,以24h为时间窗口,提取风电场历史特征数据库中的温度数据,所使用的算例数据颗粒度为30min,则一天共包含48时间断面,则每一段温度数据为:T={T1、T2、...T48}。结合寒潮天气标准,在时间窗口中筛选温度下降的时间段:若在该时间段中,Tmax-Tmin≥10℃且Tmin≤4℃,则判定该天经历了寒潮天气,并将该天的风电场运行相关数据D={D1,n、D2,n、...D48,n}提取出来,作为寒潮天气下风电场的运行场景,从而构成寒潮天气小样本场景集;
步骤3、搭建生成式对抗网络,用于生成大量的寒潮风电运行场景样本。具体步骤与实施例1步骤3相同。
步骤4、基于图理论知识,结合寒潮风电运行场景样本构建寒潮特征信息图。具体步骤与实施例1步骤4相同。
步骤5、基于图理论知识,结合寒潮风电运行场景样本构建寒潮特征信息图。具体步骤与实施例1步骤5相同。不同处如下:
生成式对抗网络所选用的参数:生成器G与判别器D都由全连接层组成,生成器G中全连接层为三层,节点数分别为500,250,48,判别器D中全连接层为三层,节点数分别为500,250,48;图注意力网络所选用的参数为:两层图注意力层,隐藏节点数为15,全连接层更三层,节点数分别为500,250,48。
将训练集中的训练样本分成若干个批次(本实施例设置为50)进行训练,获得参数良好的模型,并实现最终的寒潮天气下风电出力的高精度短期预测。
实施例三:
如图1所示,本实施例提供一种风电出力短期预测方法,包括如下步骤:
步骤1、为了构建风电场历史特征数据库,需要进行数据收集,从计量系统获取风电场历史出力数据,同时在气象站获取相同时间相同颗粒度的气象数据,包括风速、风向、湿度、温度、气压、空气密度,并根据时间信息融合所有相关数据D={D1,n、D2,n、...Dt,n},其中Dt,n={Dt,P、Dt,W、...、Dt,T}为对应t时刻的功率、风速、风向、湿度、温度、气压、空气密度等数据特征,t为数据长度,取值范围一般为一年到三年,从而形成风电场历史特征数据库;
步骤2、构建寒潮天气小样本场景集,首先根据国家寒潮天气标准:24小时内降温10℃以上,或48小时内降温12℃以上,同时最低气温低于4℃。因此,以24h为时间窗口,提取风电场历史特征数据库中的温度数据,所使用的算例数据颗粒度为60min,则一天共包含24个时间断面,则每一段温度数据为:T={T1、T2、...T24}。结合寒潮天气标准,在时间窗口中筛选温度下降的时间段:若在该时间段中,Tmax-Tmin≥10℃且Tmin≤4℃,则判定该天经历了寒潮天气,并将该天的风电场运行相关数据D={D1,n、D2,n、...D24,n}提取出来,作为寒潮天气下风电场的运行场景,从而构成寒潮天气小样本场景集;
步骤3、搭建生成式对抗网络,用于生成大量的寒潮风电运行场景样本。具体步骤与实施例1步骤3相同。
步骤4、基于图理论知识,结合寒潮风电运行场景样本构建寒潮特征信息图。具体步骤与实施例1步骤4相同。
步骤5、基于图理论知识,结合寒潮风电运行场景样本构建寒潮特征信息图。具体步骤与实施例1步骤5相同。不同处如下:
生成式对抗网络所选用的参数:生成器G与判别器D都由全连接层组成,生成器G中全连接层为三层,节点数分别为500,250,24,判别器D中全连接层为三层,节点数分别为500,250,24;图注意力网络所选用的参数为:两层图注意力层,隐藏节点数为15,全连接层更三层,节点数分别为500,250,24。
将训练集中的训练样本分成若干个批次(本实施例设置为50)进行训练,获得参数良好的模型,并实现最终的寒潮天气下风电出力的高精度短期预测。
本发明第二个目的是提供一种风电出力短期预测方法,包括:
融合待预测日的风电场出力数据以及气象数据得到待预测寒潮风电运行场景样本;
基于图理论知识,结合所述待预测寒潮风电运行场景样本构建待预测寒潮特征信息图;
将所述待预测寒潮特征信息图输入到所述的方法训练得到的风电出力短期预测模型中,获得寒潮天气下风电出力的短期预测结果。
结合实施例1至3得到的模型,提出的一种风电出力短期预测方法,相较于现有其它预测方法而言,该方法生成的寒潮风电运行场景样本相似度更高,且寒潮天气下风电出力短期预测更高。
如图4所示,一种风电出力短期预测模型训练系统,包括:
筛选模块,用于从预先构建的风电场历史特征数据库中筛选寒潮天气下风电场运行场景,构成寒潮天气小样本场景集;
生成模块,用于将所述寒潮天气小样本场景集输入预先训练的寒潮样本场景生成器中,生成寒潮风电运行场景样本;
构建模块,用于基于图理论知识,结合所述寒潮风电运行场景样本构建寒潮特征信息图;
训练模块,用于结合所构建的寒潮特征信息图训练基础模型,建立寒潮特征信息图到风电出力功率值的非线性映射,得到风电出力短期预测模型,所述基础模型基于图卷积神经网络框架搭建图注意力网络模型。
在一些实例中,所述筛选模块中,所述预先构建的风电场历史特征数据库是融合历史风电场出力数据以及气象数据得到,具体方法包括:
从计量系统获取风电场历史出力数据,并在气象站获取相同时间相同颗粒度的气象数据,包括风速、风向、湿度、温度、气压、空气密度,并根据时间信息融合所有相关数据D={D1,n、D2,n、...Dt,n},其中Dt,n={Dt,P、Dt,W、...、Dt,T}为对应t时刻的功率、风速、风向、湿度、温度、气压、空气密度的数据特征,从而形成风电场历史特征数据库。
所述从预先构建的风电场历史特征数据库中筛选寒潮天气下风电场运行场景,构成寒潮天气小样本场景集,包括:
以M为时间窗口,从预先构建的风电场历史特征数据库中提取温度数据,一天共包含m个时间断面,则每一段温度数据为:T={T1、T2、...Tk},k=M/m;
结合寒潮天气要求,在时间窗口中筛选温度下降的时间段:ti为温度下降的时刻,若在该时间段中,根据寒潮天气判断条件判定该天若为寒潮天气,并将该天的风电场运行相关数据D={D1,n、D2,n、...Dk,n}提取出来,作为寒潮天气下风电场的运行场景,从而构成寒潮天气小样本场景集。
在一些实例中,所述生成模块中,所述预先训练的寒潮样本场景生成器的训练方法包括:
将寒潮天气定义转化为数学表达形式,并嵌入到生成式对抗网络模型的损失函数中,通过对所述寒潮天气小样本场景集训练获得寒潮样本场景生成器。
所述生成式对抗网络模型,包括生成器G与判别器D,其中生成器G用于生成与真实寒潮风电运行场景样本具有相似分布的场景集,判别器D用于把生成器G所生成的场景集与真实样本集进行区分;生成器G与判别器D的网络都由全连接层搭建,全连接层计算公式如下:
其中,x(k)表示第k层特征向量,W(k)为第k层权重向量,b(k)为第k层的偏置。
可选的,所述生成式对抗网络的损失函数为:
其中,Lcold为寒潮天气定义嵌入模型的损失函数;E表示样本的分布期望,pdata(x)表示真实样本x的概率分布,pz(x)表示生成样本z的概率分布;
Lcold包括两部分,分别为:
Lcold1=|Tmax-Tmin-T降温|2
Lcold2=|Tmin-T低温|2
其中,T降温为寒潮天气判断降温条件,T低温寒潮天气判断最低气温条件。
在一些实例中,所述构建模块中,所述基于图理论知识,结合所述寒潮风电运行场景样本构建寒潮特征信息图,包括:
图理论的一个图数据表示为G(A,X),其中A表示连接矩阵,X表示节点特征,将寒潮天气样本库中的特征数据D={D1,n、D2,n、...D96,n}中的每一个时间断面作为一个图节点,从而形成图数据节点,每个图节点之间采用全连接的方式连接,构成寒潮特征信息图。
可选的,所述结合所构建的寒潮特征信息图训练基础模型,建立寒潮特征信息图到风电出力功率值的非线性映射,得到风电出力短期预测模型,包括:
基于图卷积神经网络框架搭建图注意力网络,对寒潮特征信息图数据进行学习和特征提取,建立图数据到风电出力功率值的非线性映射,以寒潮天气下风电出力短期预测为输出结果,训练获得风电出力短期预测模型。
更具体的,所述建立寒潮特征信息图到风电出力功率值的非线性映射,包括:
寒潮特征信息图中,每个节点代表不同的时间断面,利用多层图注意力层聚合寒潮特征信息图节点间的信息,接着使用全连接层对特征进行维度变换,得到寒潮特征信息图到风电出力的非线性映射;
其中,利用多层图注意力层聚合寒潮特征信息图节点间的信息的方法为:
式中,参数W用于完成每个节点的特征维度变换,参数a用于计算节点间的相关权重,||表示向量拼接,ai,j表示在a下计算得到的i,j节点间的权重,σ表示非线性激活函数,hi为更新后的i节点特征信息,k为整数。
本发明第四个目的是提供一种风电出力短期预测系统,包括:
融合模块,用于融合待预测日的风电场出力数据以及气象数据得到待预测寒潮风电运行场景样本;
图理论模块,用于基于图理论知识,结合所述待预测寒潮风电运行场景样本构建待预测寒潮特征信息图;
预测模块,用于将所述待预测寒潮特征信息图输入到训练得到的风电出力短期预测模型中,获得寒潮天气下风电出力的短期预测结果。
本发明第五个目的是提供一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述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所述风电出力短期预测模型训练方法或所述风电出力短期预测方法。
本发明第六个目的是提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述风电出力短期预测模型训练方法或所述风电出力短期预测方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (22)
1.一种风电出力短期预测模型训练方法,其特征在于,包括:
从预先构建的风电场历史特征数据库中筛选寒潮天气下风电场运行场景,构成寒潮天气小样本场景集;
将所述寒潮天气小样本场景集输入预先训练的寒潮样本场景生成器中,生成寒潮风电运行场景样本;
基于图理论知识,结合所述寒潮风电运行场景样本构建寒潮特征信息图;
结合所构建的寒潮特征信息图训练基础模型,建立寒潮特征信息图到风电出力功率值的非线性映射,得到风电出力短期预测模型,所述基础模型为基于图卷积神经网络框架搭建图注意力网络模型。
2.根据权利要求1所述的一种风电出力短期预测模型训练方法,其特征在于,所述预先构建的风电场历史特征数据库是融合历史风电场出力数据以及气象数据得到,具体方法包括:
从计量系统获取风电场历史出力数据,并在气象站获取相同时间相同颗粒度的气象数据,包括风速、风向、湿度、温度、气压、空气密度,并根据时间信息融合所有气象数据的数据特征,从而形成风电场历史特征数据库。
3.根据权利要求1所述的一种风电出力短期预测模型训练方法,其特征在于,所述从预先构建的风电场历史特征数据库中筛选寒潮天气下风电场运行场景,构成寒潮天气小样本场景集,包括:
以M为时间窗口,从预先构建的风电场历史特征数据库中提取温度数据,一天共包含m个时间断面,则每一段温度数据为:T={T1、T2、...Tk},k=M/m;
结合寒潮天气要求,在时间窗口中筛选温度下降的时间段:ti为温度下降的时刻,若在该时间段中,根据寒潮天气判断条件判定该天若为寒潮天气,并将该天的风电场运行相关的气象数据提取出来,作为寒潮天气下风电场的运行场景,从而构成寒潮天气小样本场景集。
4.根据权利要求1所述的一种风电出力短期预测模型训练方法,其特征在于,所述预先训练的寒潮样本场景生成器的训练方法包括:
将寒潮天气定义转化为数学表达形式,并嵌入到生成式对抗网络模型的损失函数中,通过对所述寒潮天气小样本场景集训练获得寒潮样本场景生成器。
5.根据权利要求4所述的一种风电出力短期预测模型训练方法,其特征在于,所述生成式对抗网络模型,包括生成器与判别器,其中生成器用于生成与真实寒潮风电运行场景样本具有相似分布的场景集,判别器用于把生成器所生成的场景集与真实样本集进行区分;生成器G与判别器的网络都由全连接层搭建,全连接层计算公式如下:
其中,x(k+1)表示第k+1层特征向量,x(k)表示第k层特征向量,k为整数,W(k)为第k层权重向量,b(k)为第k层的偏置。
6.根据权利要求4所述的一种风电出力短期预测模型训练方法,其特征在于,所述生成式对抗网络的损失函数W(D,G,L)为:
其中,Lcold为寒潮天气定义嵌入模型的损失函数;Ez表示样本z的分布期望,pdata(x)表示真实样本x的概率分布,pz(z)表示生成样本z的概率分布,G(z)表示生成器神经网络,D(x)表示判别器神经网络;
Lcold包括两部分,分别为:
Lcold1=|Tmax-Tmin-T降温|2
Lcold2=|Tmin-T低温|2
其中,T降温为寒潮天气判断降温条件,T低温寒潮天气判断最低气温条件,Tmax为寒潮天气最高气温,Tmin寒潮天气最低气温。
7.根据权利要求1所述的一种风电出力短期预测模型训练方法,其特征在于,所述基于图理论知识,结合所述寒潮风电运行场景样本构建寒潮特征信息图,包括:
图理论的一个图数据表示为G(A,X),其中A表示连接矩阵,X表示节点特征,将寒潮天气样本库中的特征数据D={D1,n、D2,n、...D96,n}中的每一个时间断面作为一个图节点,从而形成图数据节点,每个图节点之间采用全连接的方式连接,构成寒潮特征信息图。
8.根据权利要求1所述的一种风电出力短期预测模型训练方法,其特征在于,所述结合所构建的寒潮特征信息图训练基础模型,建立寒潮特征信息图到风电出力功率值的非线性映射,得到风电出力短期预测模型,包括:
基于图卷积神经网络框架搭建图注意力网络,对寒潮特征信息图数据进行学习和特征提取,建立图数据到风电出力功率值的非线性映射,以寒潮天气下风电出力短期预测为输出结果,训练获得风电出力短期预测模型。
9.根据权利要求8所述的一种风电出力短期预测模型训练方法,其特征在于,所述建立寒潮特征信息图到风电出力功率值的非线性映射,包括:
寒潮特征信息图中,每个节点代表不同的时间断面,利用多层图注意力层聚合寒潮特征信息图节点间的信息,接着使用全连接层对特征进行维度变换,得到寒潮特征信息图到风电出力的非线性映射;
其中,利用多层图注意力层聚合寒潮特征信息图节点间的信息的方法为:
式中,参数W用于完成每个节点的特征维度变换,参数a用于计算节点间的相关权重,||表示向量拼接,ai,j表示在a下计算得到的i,j节点间的权重,σ表示非线性激活函数,hi为更新后的i节点特征信息,k为整数。
10.一种风电出力短期预测方法,其特征在于,包括:
融合待预测日的风电场出力数据以及气象数据得到待预测寒潮风电运行场景样本;
基于图理论知识,结合所述待预测寒潮风电运行场景样本构建待预测寒潮特征信息图;
将所述待预测寒潮特征信息图输入到权利要求1~9任一项所述的方法训练得到的风电出力短期预测模型中,获得寒潮天气下风电出力的短期预测结果。
11.一种风电出力短期预测模型训练系统,其特征在于,包括:
筛选模块,用于从预先构建的风电场历史特征数据库中筛选寒潮天气下风电场运行场景,构成寒潮天气小样本场景集;
生成模块,用于将所述寒潮天气小样本场景集输入预先训练的寒潮样本场景生成器中,生成寒潮风电运行场景样本;
构建模块,用于基于图理论知识,结合所述寒潮风电运行场景样本构建寒潮特征信息图;
训练模块,用于结合所构建的寒潮特征信息图训练基础模型,建立寒潮特征信息图到风电出力功率值的非线性映射,得到风电出力短期预测模型,所述基础模型基于图卷积神经网络框架搭建图注意力网络模型。
12.根据权利要求11所述的一种风电出力短期预测模型训练系统,其特征在于,所述筛选模块中,所述预先构建的风电场历史特征数据库是融合历史风电场出力数据以及气象数据得到,具体方法包括:
从计量系统获取风电场历史出力数据,并在气象站获取相同时间相同颗粒度的气象数据,包括风速、风向、湿度、温度、气压、空气密度,并根据时间信息融合所有气象数据的数据特征,从而形成风电场历史特征数据库。
13.根据权利要求11所述的一种风电出力短期预测模型训练系统,其特征在于,所述筛选模块中,所述从预先构建的风电场历史特征数据库中筛选寒潮天气下风电场运行场景,构成寒潮天气小样本场景集,包括:
以M为时间窗口,从预先构建的风电场历史特征数据库中提取温度数据,一天共包含m个时间断面,则每一段温度数据为:T={T1、T2、...Tk},k=M/m;
结合寒潮天气要求,在时间窗口中筛选温度下降的时间段:ti为温度下降的时刻,若在该时间段中,根据寒潮天气判断条件判定该天若为寒潮天气,并将该天的风电场运行相关的气象数据提取出来,作为寒潮天气下风电场的运行场景,从而构成寒潮天气小样本场景集。
14.根据权利要求11所述的一种风电出力短期预测模型训练系统,其特征在于,所述生成模块中,所述预先训练的寒潮样本场景生成器的训练方法包括:
将寒潮天气定义转化为数学表达形式,并嵌入到生成式对抗网络模型的损失函数中,通过对所述寒潮天气小样本场景集训练获得寒潮样本场景生成器。
15.根据权利要求14所述的一种风电出力短期预测模型训练系统,其特征在于,所述生成模块中,所述生成式对抗网络模型,包括生成器G与判别器D,其中生成器G用于生成与真实寒潮风电运行场景样本具有相似分布的场景集,判别器D用于把生成器G所生成的场景集与真实样本集进行区分;生成器G与判别器D的网络都由全连接层搭建,全连接层计算公式如下:
其中,x(k+1)表示第k+1层特征向量,x(k)表示第k层特征向量,k为整数,W(k)为第k层权重向量,b(k)为第k层的偏置。
16.根据权利要求14所述的一种风电出力短期预测模型训练系统,其特征在于,所述生成式对抗网络的损失函数
W(D,G,L)为:
其中,Lcold为寒潮天气定义嵌入模型的损失函数;Ez表示样本z的分布期望,pdata(x)表示真实样本x的概率分布,pz(z)表示生成样本z的概率分布,G(z)表示生成器神经网络,D(x)表示判别器神经网络;
Lcold包括两部分,分别为:
Lcold1=|Tmax-Tmin-T降温|2
Lcold2=|Tmin-T低温|2
其中,T降温为寒潮天气判断降温条件,T低温寒潮天气判断最低气温条件,Tmax为寒潮天气最高气温,Tmin寒潮天气最低气温。
17.根据权利要求11所述的一种风电出力短期预测模型训练系统,其特征在于,所述构建模块中,所述基于图理论知识,结合所述寒潮风电运行场景样本构建寒潮特征信息图,包括:
图理论的一个图数据表示为G(A,X),其中A表示连接矩阵,X表示节点特征,将寒潮天气样本库中的特征数据D={D1,n、D2,n、...D96,n}中的每一个时间断面作为一个图节点,从而形成图数据节点,每个图节点之间采用全连接的方式连接,构成寒潮特征信息图。
18.根据权利要求11所述的一种风电出力短期预测模型训练系统,其特征在于,所述结合所构建的寒潮特征信息图训练基础模型,建立寒潮特征信息图到风电出力功率值的非线性映射,得到风电出力短期预测模型,包括:
基于图卷积神经网络框架搭建图注意力网络,对寒潮特征信息图数据进行学习和特征提取,建立图数据到风电出力功率值的非线性映射,以寒潮天气下风电出力短期预测为输出结果,训练获得风电出力短期预测模型。
19.根据权利要求18所述的一种风电出力短期预测模型训练系统,其特征在于,所述建立寒潮特征信息图到风电出力功率值的非线性映射,包括:
寒潮特征信息图中,每个节点代表不同的时间断面,利用多层图注意力层聚合寒潮特征信息图节点间的信息,接着使用全连接层对特征进行维度变换,得到寒潮特征信息图到风电出力的非线性映射;
其中,利用多层图注意力层聚合寒潮特征信息图节点间的信息的方法为:
式中,参数W用于完成每个节点的特征维度变换,参数a用于计算节点间的相关权重,||表示向量拼接,ai,j表示在a下计算得到的i,j节点间的权重,σ表示非线性激活函数,hi为更新后的i节点特征信息,k为整数。
20.一种风电出力短期预测系统,其特征在于,包括:
融合模块,用于融合待预测日的风电场出力数据以及气象数据得到待预测寒潮风电运行场景样本;
图理论模块,用于基于图理论知识,结合所述待预测寒潮风电运行场景样本构建待预测寒潮特征信息图;
预测模块,用于将所述待预测寒潮特征信息图输入到权利要求1~9任一项所述的方法训练得到的风电出力短期预测模型中,获得寒潮天气下风电出力的短期预测结果。
21.一种电子设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述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权利要求1-9任一项所述风电出力短期预测模型训练方法或权利要求10所述风电出力短期预测方法。
22.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-9任一项所述风电出力短期预测模型训练方法或权利要求10所述风电出力短期预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311129746.8A CN117318018A (zh) | 2023-09-01 | 2023-09-01 | 一种风电出力短期预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311129746.8A CN117318018A (zh) | 2023-09-01 | 2023-09-01 | 一种风电出力短期预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117318018A true CN117318018A (zh) | 2023-12-29 |
Family
ID=89280202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311129746.8A Pending CN117318018A (zh) | 2023-09-01 | 2023-09-01 | 一种风电出力短期预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117318018A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117631090A (zh) * | 2024-01-25 | 2024-03-01 | 南京信息工程大学 | 一种寒潮识别方法及装置 |
-
2023
- 2023-09-01 CN CN202311129746.8A patent/CN117318018A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117631090A (zh) * | 2024-01-25 | 2024-03-01 | 南京信息工程大学 | 一种寒潮识别方法及装置 |
CN117631090B (zh) * | 2024-01-25 | 2024-05-14 | 南京信息工程大学 | 一种寒潮识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105868853B (zh) | 一种短期风电功率组合概率预测方法 | |
US8489247B1 (en) | Agent-based chaotic control of wind turbines | |
CN112733462A (zh) | 一种结合气象因素的超短期风电场功率预测方法 | |
CN107730044A (zh) | 一种可再生能源发电和负荷的混合预测方法 | |
CN108898251A (zh) | 考虑气象相似性和功率波动的海上风电场功率预测方法 | |
CN117318018A (zh) | 一种风电出力短期预测方法及系统 | |
CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
AU2021105840A4 (en) | Method for predicting typhoon track | |
Yi et al. | Intelligent prediction of transmission line project cost based on least squares support vector machine optimized by particle swarm optimization | |
CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
CN109214565A (zh) | 一种适用于大电网分区调度的子区域系统负荷预测方法 | |
CN104915788B (zh) | 一种考虑多风场相关性的电力系统动态经济调度的方法 | |
CN104933469B (zh) | 一种基于灰色生成扰动模型的短期风速预测方法 | |
CN114021836A (zh) | 基于不同角度融合的多变量水库入水量预测系统、训练方法及应用 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
CN116029465A (zh) | 转折性天气日前风电功率预测方法、装置、介质及设备 | |
CN109063388A (zh) | 风环境模拟的微气候建筑选址设计方法 | |
CN116894504A (zh) | 一种风电集群功率超短期预测模型建立方法 | |
CN111192158A (zh) | 一种基于深度学习的变电站日负荷曲线相似度匹配方法 | |
Wu et al. | Physics-informed ai surrogates for day-ahead wind power probabilistic forecasting with incomplete data for smart grid in smart cities | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
CN115330085A (zh) | 基于深度神经网络且无未来信息泄露的风速预测方法 | |
CN115239029A (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 | |
CN114139809A (zh) | 基于XGBoost电力系统动态频率响应曲线预测方法及系统 |
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 |