CN117390967B - 海上风电短期功率预测方法、装置、设备及存储介质 - Google Patents
海上风电短期功率预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117390967B CN117390967B CN202311593455.4A CN202311593455A CN117390967B CN 117390967 B CN117390967 B CN 117390967B CN 202311593455 A CN202311593455 A CN 202311593455A CN 117390967 B CN117390967 B CN 117390967B
- Authority
- CN
- China
- Prior art keywords
- wind power
- power
- prediction
- model
- network
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 25
- 239000000203 mixture Substances 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 4
- 238000010248 power generation Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 60
- 238000009826 distribution Methods 0.000 claims description 45
- 230000015654 memory Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000002829 reductive effect Effects 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000000670 limiting effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 102100025297 Mannose-P-dolichol utilization defect 1 protein Human genes 0.000 description 2
- 101710089919 Mannose-P-dolichol utilization defect 1 protein Proteins 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Wind Motors (AREA)
Abstract
本发明涉及风力发电技术领域，尤其涉及一种海上风电短期功率预测方法、装置、设备及存储介质，包括：采集风机机群的外部环境与运行数据；将外部环境与运行数据作为聚类因素，建立分组特征矩阵，输入到高斯混合模型中，通过寻找最小贝叶斯信息准则值，确定分组结果；构建基于条件生成对抗网络的功率预测模型，采用循环神经网络作为生成器网络，在其目标函数中增加损失函数，并以一维卷积神经网络构造功率模型的内部结构；以一维随机噪声向量、预测日每个子机群的外部环境作为模型输入，预测日各机群实际的运行数据作为输出，对功率预测模型进行训练；使用功率预测模型对各机群分别进行日前风电功率预测，并得到整个风电场的功率预测结果。
Description
技术领域
本发明涉及风力发电技术领域，尤其涉及一种海上风电短期功率预测方法、装置、设备及存储介质。
背景技术
我国海上风电资源丰富，大力发展海上风电，有助于加快我国电力系统能源转型进程。虽然风能具有储量大、分布广泛、清洁、可再生等优点，但同时也具有随机性、波动性和间歇性的特点。高比例、大规模风力并网使得电力供需平衡变得十分困难，也影响着电力系统的安全稳定运行，海上风电场的短期功率预测时间尺度一般为未来一到两天，建立准确的风电功率预测模型关系到电网日前调度计划的制定，可以降低高成本弃风的发生概率，提高系统的新能源消纳能力。
相比于陆上风电场而言，海上风电机组多呈一片海域集中分布，导致风机密度较高，风资源时空耦合性特性更为明显。如何在考虑多风电机组时空相关性的前提下实现整座海上风电场的总有功出力预测，是提高预测准确性的关键。
公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提供了一种海上风电短期功率预测方法、装置、设备及存储介质，从而有效解决背景技术中的问题。
为了达到上述目的，本发明所采用的技术方案是：一种海上风电短期功率预测方法、装置，包括如下步骤：
采集海上风电场中各风机机群的外部环境与运行数据，并进行预处理；
将预处理后的所述外部环境与运行数据作为聚类因素，建立分组特征矩阵，输入到高斯混合模型中，通过寻找最小贝叶斯信息准则值，确定最佳分组结果；
构建基于条件生成对抗网络的海上风电功率预测模型，采用循环神经网络作为生成器网络，在其目标函数中增加损失函数，并以一维卷积神经网络构造所述功率模型的内部结构；
以一个一维随机噪声向量、预测日每个子机群各小时的外部环境作为模型输入，预测日各机群实际的运行数据作为输出，对所述功率预测模型进行训练；
使用训练后的所述功率预测模型对各机群分别进行日前风电功率预测，并得到预测日各时刻整个风电场的功率预测结果。
进一步地，所述外部环境包括：每台风机的外部风速、风向、湍流强度、外部温度；
所述运行数据包括：风机偏航角、无功功率和有功出力。
进一步地，所述预处理包括：
将风速小于切入风速与大于切出风速的两类停机数据、以及各限功率点剔除；
将负功率值统一作为零值；
将各运行数据的时间分辨率精度调低，对数据缺失进行补全；
将输入数据等比例缩放至[0，1]之间，进行归一化处理。
进一步地，所述将预处理后的所述外部环境与运行数据作为聚类因素之前，先通过皮尔逊相关性分析，确定每台风机外部环境和运行数据的线性关系，包括：
式中：n是两个时间向量P和y的所含元素个数，P和分别代表风电有功功率及其均值，y和分别为每台风机外部环境及运行数据及其均值，i＝1，2，3，4，5，6，相关系数ri∈[-1，1]，ri越大表明该变量和风电有功功率的相关性越强。
进一步地，所述建立分组特征矩阵，输入到高斯混合模型中，包括：
假设一个数据样本中有n个d维样本且可分为k组，即样本分布可以通过k个不同维数的高斯分布的线性组合近似而成，相应高斯混合模型的概率分布函数为：
式中：μi与Ci分别表示该混合模型第i个高斯分布的均值向量和协方差矩阵；αi为权重系数，是指该样本可由第i个高斯分布拟合而成的概率；
通过多次迭代优化，得到高斯混合模型的似然函数极大值。
进一步地，所述通过寻找最小贝叶斯信息准则值，包括：
BIC＝-2ln(L)+vln(n)；
式中：ln(L)为高斯混合模型的极大似然函数值；v为GMM中待估计参数个数，v＝3k。
进一步地，对所述功率预测模型进行训练时，将一维随机噪声向量、预测日每个子机群每小时的风速和湍流强度作为模型的输入，将预测日时间间隔为一小时的各机群实测有功功率作为输出，所述一维随机噪声向量含有24个元素，且服从标准正态分布。
进一步地，所述对所述功率预测模型进行训练中，使用平均绝对误差LMAE、平均绝对百分比误差LMAPE、均方根误差LRMSE和归一化均方根误差LNRMSE作为评价标准，判断模型的预测精度是否训练达到预期：
式中：yi为海上风电功率在第i时刻的目标值；为海上风电功率在第i时刻的预测值；np为预测时间步长数，取24。
进一步地，所述构建基于条件生成对抗网络的海上风电功率预测模型中，所述条件生成对抗网络的生成器和判别器的损失函数分别表示为：
基于条件生成对抗网络架构对抗损失的具体函数表达式为：
式中：L(D，G)是条件生成对抗网络的目标函数，和分别表示标准正态分布Pz与真实数据分布Pr分布的期望值，x为真实风电功率数据，y为条件变量，z为一个服从标准正态分布的噪声序列，D(x|y)是实际风电有功功率样本和真实风电功率总体的相似度，D(G(z|y)|y)是预测风电有功功率样本和真实风电功率总体的相似度，在条件生成对抗网络的训练中，生成器G致力于最小化上述目标函数，但判别器D致力于最大化上式，从而形成二元极大极小博弈。
进一步地，所述在其目标函数中增加损失函数，损失函数Huber包括：
式中：δ为参数，p和分别为由海上风电功率的实际值和预测值组成的一维向量，pi为海上风电功率在第i时刻的实际值，为由CGAN生成网络输出的第i时刻海上风电功率预测值。
进一步地，所述条件生成对抗网络的生成器的最终损失函数为：
LG＝λ1L′G+λ2LHuber(G(z|y)，x)；
式中：λ1和λ2为权重系数，λ1+λ2＝1。
本发明还包括一种海上风电短期功率预测装置，使用如上述的方法，包括：
采集单元，所述采集单元用于采集海上风电场中各风机机群的外部环境与运行数据，并进行预处理；
分组单元，所述分组单元用于将预处理后的所述外部环境与运行数据作为聚类因素，建立分组特征矩阵，输入到高斯混合模型中，通过寻找最小贝叶斯信息准则值，确定最佳分组结果；
建模单元，所述建模单元用于构建基于条件生成对抗网络的海上风电功率预测模型，采用循环神经网络作为生成器网络，在其目标函数中增加损失函数，并以一维卷积神经网络构造所述功率模型的内部结构；
训练单元，所述训练单元用于以一个一维随机噪声向量、预测日每个子机群各小时的外部环境作为模型输入，预测日各机群实际的运行数据作为输出，对所述功率预测模型进行训练；
预测单元，所述预测单元用于使用训练后的所述功率预测模型对各机群分别进行日前风电功率预测，并得到预测日各时刻整个风电场的功率预测结果。
本发明还包括一种计算机设备，包括存储器、处理器及存储在存储器上并可在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，实现如上述的方法。
本发明还包括一种存储介质，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如上述的方法。
本发明的有益效果为：本发明采用高斯混合模型对海上风电场所含机组进行有效划分，具有较好的聚类效果；同时，结合条件生成对抗网络提取高维特征的优势，以及循环神经网络善于捕捉时间序列动态变化的特点，可以有效提升海上风电场日前有功出力的预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为实施例1中方法的流程图；
图2为实施例1中装置的结构示意图；
图3为实施例2中方法的流程示意图；
图4为实施例2中海上风电场15台机组分布图；
图5至8为实施例2中SL1、SL5、SL10和SL15风机机组外部环境及运行数据与风电有功功率的皮尔逊相关系数热力图；
图9为实施例2中基于GMM的风电机组分组结果；
图10为实施例2中CGAN预测模型的结构；
图11至12为实施例2中整场风电功率的日前预测结果；
图13为计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1：
如图1所示：一种海上风电短期功率预测方法，包括如下步骤：
采集海上风电场中各风机机群的外部环境与运行数据，并进行预处理；
将预处理后的外部环境与运行数据作为聚类因素，建立分组特征矩阵，输入到高斯混合模型中，通过寻找最小贝叶斯信息准则值，确定最佳分组结果；
构建基于条件生成对抗网络的海上风电功率预测模型，采用循环神经网络作为生成器网络，在其目标函数中增加损失函数，并以一维卷积神经网络构造功率模型的内部结构；
以一个一维随机噪声向量、预测日每个子机群各小时的外部环境作为模型输入，预测日各机群实际的运行数据作为输出，对功率预测模型进行训练；
使用训练后的功率预测模型对各机群分别进行日前风电功率预测，并得到预测日各时刻整个风电场的功率预测结果。
本实施例中采用高斯混合模型对海上风电场所含机组进行有效划分，具有较好的聚类效果；同时，结合条件生成对抗网络提取高维特征的优势，以及循环神经网络善于捕捉时间序列动态变化的特点，可以有效提升海上风电场日前有功出力的预测精度。
其中，外部环境包括：每台风机的外部风速、风向、湍流强度、外部温度；
运行数据包括：风机偏航角、无功功率和有功出力。
预处理包括：
将风速小于切入风速与大于切出风速的两类停机数据、以及各限功率点剔除；
将负功率值统一作为零值；
将各运行数据的时间分辨率精度调低，对数据缺失进行补全；
将输入数据等比例缩放至[0，1]之间，进行归一化处理。
将预处理后的外部环境与运行数据作为聚类因素之前，先通过皮尔逊相关性分析，确定每台风机外部环境和运行数据的线性关系，包括：
式中：n是两个时间向量P和y的所含元素个数，P和分别代表风电有功功率及其均值，y和分别为每台风机外部环境及运行数据及其均值，i＝1，2，3，4，5，6，相关系数ti∈[-1，1]，ri越大表明该变量和风电有功功率的相关性越强。
作为上述实施例的优选，建立分组特征矩阵，输入到高斯混合模型中，包括：
假设一个数据样本中有n个d维样本且可分为k组，即样本分布可以通过k个不同维数的高斯分布的线性组合近似而成，相应高斯混合模型的概率分布函数为：
式中：μi与Ci分别表示该混合模型第i个高斯分布的均值向量和协方差矩阵；αi为权重系数，是指该样本可由第i个高斯分布拟合而成的概率；
通过多次迭代优化，得到高斯混合模型的似然函数极大值。
通过寻找最小贝叶斯信息准则值，包括：
BIC＝-2ln(L)+vln(n)；
式中：ln(L)为高斯混合模型的极大似然函数值；v为GMM中待估计参数个数，v＝3k。
对功率预测模型进行训练时，将一维随机噪声向量、预测日每个子机群每小时的风速和湍流强度作为模型的输入，将预测日时间间隔为一小时的各机群实测有功功率作为输出，一维随机噪声向量含有24个元素，且服从标准正态分布。
在本实施例中，对功率预测模型进行训练中，使用平均绝对误差LMAE、平均绝对百分比误差LMAPE、均方根误差LRMSE和归一化均方根误差LNRMSE作为评价标准，判断模型的预测精度是否训练达到预期：
式中：yi为海上风电功率在第i时刻的目标值；为海上风电功率在第i时刻的预测值；np为预测时间步长数，取24。
构建基于条件生成对抗网络的海上风电功率预测模型中，条件生成对抗网络的生成器和判别器的损失函数分别表示为：
基于条件生成对抗网络架构对抗损失的具体函数表达式为：
式中：L(D，G)是条件生成对抗网络的目标函数，和分别表示标准正态分布Pz与真实数据分布Pr分布的期望值，x为真实风电功率数据，y为条件变量，z为一个服从标准正态分布的噪声序列，D(x|y)是实际风电有功功率样本和真实风电功率总体的相似度，D(G(z|y)|y)是预测风电有功功率样本和真实风电功率总体的相似度，在条件生成对抗网络的训练中，生成器G致力于最小化上述目标函数，但判别器D致力于最大化上式，从而形成二元极大极小博弈。
其中，在其目标函数中增加损失函数，损失函数Huber包括：
式中：δ为参数，p和分别为由海上风电功率的实际值和预测值组成的一维向量，pi为海上风电功率在第i时刻的实际值，为由CGAN生成网络输出的第i时刻海上风电功率预测值。
作为上述实施例的优选，条件生成对抗网络的生成器的最终损失函数为：
LG＝λ1L′G+λ2LHuber(G(z|y)，x)；
式中：λ1和λ2为权重系数，λ1+λ2＝1。
如图2所示，本实施例中还包括一种海上风电短期功率预测装置，使用如上述的方法，包括：
采集单元，采集单元用于采集海上风电场中各风机机群的外部环境与运行数据，并进行预处理；
分组单元，分组单元用于将预处理后的外部环境与运行数据作为聚类因素，建立分组特征矩阵，输入到高斯混合模型中，通过寻找最小贝叶斯信息准则值，确定最佳分组结果；
建模单元，建模单元用于构建基于条件生成对抗网络的海上风电功率预测模型，采用循环神经网络作为生成器网络，在其目标函数中增加损失函数，并以一维卷积神经网络构造功率模型的内部结构；
训练单元，训练单元用于以一个一维随机噪声向量、预测日每个子机群各小时的外部环境作为模型输入，预测日各机群实际的运行数据作为输出，对功率预测模型进行训练；
预测单元，预测单元用于使用训练后的功率预测模型对各机群分别进行日前风电功率预测，并得到预测日各时刻整个风电场的功率预测结果。
实施例2：
如图3所示，本实施例中包括一种海上风电短期功率预测方法，包括如下步骤：
步骤1：从海上风电场的SCADA(Supervisory Control And Data Acquisition，数据采集与监视控制)系统中采集所含的15台风机外部环境与运行数据，并对各台风机的SCADA数据进行异常值清洗、缺失值处理、时间分辨率调整和最大最小归一化处理。
数据集记录了中国江苏省南通市如东县龙源海上风电场15台额定容量为3MW的华锐双馈风电机组SL1-SL15从2014年1月1日至2015年的10月31日共669天的采样时间步长为10分钟的实测数据，包括了外部风速(Wspd)和风向(Wind Direction)、湍流强度(Ti)、外部温度(Temp)、风机偏航角(Yaw Angle)、无功功率(Prtv)以及有功出力(Patv)7种数据。机组分布图见图4。数据处理方面，对15台机组的SCADA数据分别进行处理，将包括风速小于切入风速3m/s与大于切出风速25m/s的两类停机数据、以及各限功率点进行剔除，同时将负功率值统一作为零值处理；针对部分SCADA数据的缺失问题，将各运行特征数据的时间分辨率由10分钟降为1小时。通过最大最小归一化方法，将输入数据等比例缩放到[0，1]之间，消除不同量纲与各输入变量的数值差异对模型训练和拟合的不利影响。
步骤2：基于皮尔逊相关性方法分析每台风机外部环境及运行数据与风电有功出力之间的相关性，选择相关性较大的变量作为主要特征。
皮尔逊相关系数计算公式如下：
式中：n是两个时间向量P和y的所含元素个数，P和分别代表风电有功功率及其均值，y和分别为每台风机外部环境及运行数据及其均值，i＝1，2，3，4，5，6，相关系数ri∈[-1，1]，ri越大表明该变量和风电有功功率的相关性越强。
根据上式计算每台风机外部环境及运行数据时间序列和风电有功功率的皮尔逊相关系数，以风电机组SL1、SL5、SL10和SL15为例，见图5至8。根据图5至8及其他机组相关系数的计算结果，可选择相关系数大于0.7外部风速与湍流强度作为主要特征。
步骤3：选择每台机组的风速、湍流强度，以及输出功率作为聚类指标，建立分组特征矩阵作为GMM(Gaussian mixture model，高斯混合模型)的输入，并通过BIC(Bayesianinformation criterion，贝叶斯信息准则)确定最佳分组数。
GMM是一种基于概率分布的数据聚类模型。假设一个数据样本中有n个d维样本且可分为k组，即样本分布可以通过k个不同维数的高斯分布的线性组合近似而成，相应GMM的概率分布函数为：
式中：μi与Ci分别表示该混合模型第i个高斯分布的均值向量和协方差矩阵；αi为权重系数，是指该样本可由第i个高斯分布拟合而成的概率。
以上参数可以使用期望值最大算法经过多次迭代优化得到，使得该概率分布函数可以最大程度上拟合出样本数据分布，聚类结果由权重系数的最大值决定，最终可得到GMM的似然函数最大值。
采用BIC来衡量GMM的聚类效果，并且可以通过寻找BIC最小值得到确定最佳分组数，定义式如下：
BIC＝-2ln(L)+vln(n) (3)
式中：ln(L)为GMM极大似然函数值；v为GMM中待估计参数个数，v＝3k。
计算数据集中各台机组外部风速、湍流强度及有功功率数据的均值和标准差，经归一化处理组成的15行6列矩阵作为分组特征矩阵输入到GMM中，并分别计算不同分组个数时GMM的BIC值，最小的BIC指标对应的最优分组个数为4。机组分组结果见图9，不同的颜色代表不同的机组群。
步骤4：对各机组群分别构建海上风电功率短期预测模型，该模型结合了一维卷积神经网络和GRU(Gate Recurrent Unit，门控循环单元)网络，采用了GRU网络作为生成器网络的主要部分，一维卷积网络来构造判别模型的内部结构，模型总体结构见图10。
CGAN的生成网络(Generator)的输出即为各机组群的海上风电功率日前预测值，CGAN的判别网络(Discriminator)的输入为各机组群的风电输出功率实际值。
为了解决传统GAN(Generative Adversarial Networks，生成对抗网络)模型不能很好地捕捉原始序列的时序相关性这一问题，CGAN(Conditional Adversarial Nets，条件生成对抗网络)模型采用了在时间序列预测工作中效果出色的GRU网络作为生成器的主要部分。GRU是在LSTM(Long Short Term Memory，长短期记忆递归神经网络)网络基础上改进的一种网络，摒弃了存储单元机制，使用隐含状态传输信息；结构上用更新门代替了LSTM网络中的遗忘门和输入门，含有更新门和复位门两种门结构，因此较LSTM网络减少了所需训练的参数，可以更有效地利用使生成的数据具有时序特征，提高CGAN的预测性能。全连接层采用Leaky ReLU激活函数，将由GRU提取的有效时序特征和随机噪声拼接的二维矩阵变换为预测的风电功率一维时间序列。
CGAN判别网络的二元分类功能对风电功率预测值和真实值进行分类，判别器输出层的激活函数设置为Sigmoid函数，将变量映射到0至1之间，越接近1表示输入的风电功率预测值越接近真实值。生成器的作用是学习真实数据的分布，并产生新的样本，尽可能“欺骗”判别器。判别器作为一个二元分类器，作用是判断输入的样本是来自生成器还是真实样本，即做“真假判断”。CGAN在GAN的基础上进行了一些改进，通过加入额外条件变量，有助于生成器数据生成和判别器的判别操作。当模型充分学习到数据内部隐含深层关系并达到平衡后，所生成的数据可以无限逼近于真实数据。
一般地，生成器和判别器的损失函数可分别表示为：
基于条件生成对抗网络架构对抗损失的具体函数表达式为：
式中：L(D，G)是CGAN的目标函数，和分别表示对标准正态分布Pz与真实数据分布Pr分布的期望值，x为真实风电功率数据，t为条件变量(风速和湍流强度)，z为一个服从标准正态分布的噪声序列，D(x|y)是实际风电有功功率样本和真实风电功率总体的相似度，D(G(z|y)|y)是预测风电有功功率样本和真实风电功率总体的相似度。在CGAN的训练中，生成器G致力于最小化上述目标函数，但判别器D致力于最大化上式，从而形成二元极大极小博弈。计算损失值后，以梯度函数形式进行反馈，对生成器和判别器的网络参数进行更新与优化。当CGAN完成训练时，判别器的两个输出概率均在0.5附近波动，表明此时模型达到“纳什平衡”状态。
仅仅依靠来自判别器的判别反馈可能不足以使生成器捕获真实数据分布，故额外采用了Huber损失函数作为生成器损失函数中的监督损失项。Huber损失结合了MSE(平均平方误差)和MAE的良好特性，对风电功率时间序列具有更好的鲁棒性，并且在使用梯度下降法训练模型时可以避免丢失极小值。Huber损失函数定义公式如下：
式中：δ为参数，p和分别为由海上风电功率的实际值和预测值组成的一维向量，pi为海上风电功率在第i时刻的实际值，为由CGAN生成网络输出的第i时刻海上风电功率预测值。
结合式(4)，最终可得生成器的损失函数为：
LG＝λ1L′G+λ2LHuber(G(z|y)，x) (8)
式中：λ1和λ2为权重系数，λ1+λ2＝1。
步骤5：将一个服从标准正态分布的一维随机噪声向量、预测日每个子机群各小时的风速和湍流强度作为预测模型的输入。
其中，生成器输入数据是由一个服从标准正态分布的随机噪声向量和含有两种气象数据的条件变量组成的两维矩阵，维度为3行24列；判别器的输入包括了分别与条件变量拼接的真实风电功率数据和生成器生成的功率预测值，维度均为3行24列。
预测模型的输出为一个1×24的向量，对应待预测日全天时间间隔为1小时的风电功率预测序列。
步骤6：运用CGAN对各机群进行日前海上风电功率预测，并将预测值相加，即可得到预测日各时刻整个风电场的功率预测结果。
构建各机组群的组合数据集，并按4：1划分为训练集和测试集。设置CGAN模型超参数，如判别器中卷积层的输入与输出通道数、卷积核尺寸、生成器中GRU隐藏层特征维度等，初始化生成器损失函数各项权重后，基于训练集数据进行模型训练，根据训练误差优选生成模型损失函数的最佳权重并记录，训练结束后基于测试集将CGAN网络的输出作为各机群风电功率预测结果，经过反归一化后并相加，得到预测日各时刻整个风电场的有功功率预测结果，见图11至12。
对预测结果采用平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)和归一化均方根误差(NRMSE)作为衡量模型精度的标准。由于各衡量标准具有不同的特点，结合四种综合评价指标可以获得更好的精确度衡量结果。各误差值越小，表明预测精度越高。各项指标的函数表达式如下：
式中：yi为海上风电功率在第i时刻的目标值，为海上风电功率在第i时刻的预测值；np为预测时间步长数，取24。
为证明本发明的有效性，随机选择测试集中第636天(2015年9月28日)和第635～639天(2015年9月27日～10月1日)的各子机群实测总有功功率以及预测总功率数据作为验证样本，将本发明方法与传统时序预测模型LSTM(长短期记忆神经网络)的预测精度进行比较，两种模型均基于相同的外部环境与功率数据进行训练。此外，为验证所用GMM方法对整场功率预测精度的改善程度，将通过GMM模型分组和未分组的预测结果进行对比，见表1和表2。能够看出本发明所用的GMM-CGAN预测模型的预测效果优于其他预测方法。
表1不同模型日前功率预测误差统计
表2第635到639天不同模型平均功率预测误差统计
请参见图13示出的本申请实施例提供的计算机设备的结构示意图。本申请实施例提供的一种计算机设备400，包括：处理器410和存储器420，存储器420存储有处理器410可执行的计算机程序，计算机程序被处理器410执行时执行如上的方法。
本申请实施例还提供了一种存储介质430，该存储介质430上存储有计算机程序，该计算机程序被处理器410运行时执行如上的方法。
其中，存储介质430可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory，简称EPROM)，可编程只读存储器(Programmable Red-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (11)
1.一种海上风电短期功率预测方法，其特征在于，包括如下步骤：
采集海上风电场中各风机机群的外部环境与运行数据，并进行预处理；
将预处理后的所述外部环境与运行数据作为聚类因素，建立分组特征矩阵，输入到高斯混合模型中，通过寻找最小贝叶斯信息准则值，确定最佳的机组分组结果；
对各机组群分别构建基于条件生成对抗网络的海上风电功率短期预测模型，采用循环神经网络作为生成器网络，在其目标函数中增加损失函数，并以一维卷积神经网络来构造所述功率短期预测模型的内部结构，该模型结合了一维卷积神经网络和门控循环单元GRU网络，采用了GRU网络作为生成器网络的主要部分，一维卷积网络来构造判别模型的内部结构；
以一个服从标准正态分布的一维随机噪声向量、预测日每个子机群各小时的外部环境作为模型输入，预测日各机群实际的运行数据作为输出，对所述功率短期预测模型进行训练；
使用训练后的所述功率短期预测模型对各机群分别进行日前风电功率预测，并得到预测日各时刻整个风电场的功率预测结果；
所述对各机组群分别构建基于条件生成对抗网络的海上风电功率短期预测模型中，所述条件生成对抗网络的生成器和判别器的损失函数分别表示为：
基于条件生成对抗网络架构对抗损失的具体函数表达式为：
式中：L(D，G)是条件生成对抗网络的目标函数，和分别表示标准正态分布Pz与真实数据分布Pr分布的期望值，x为真实风电功率数据，y为条件变量，z为一个服从标准正态分布的噪声序列，D(x|y)是实际风电有功功率样本和真实风电功率总体的相似度，D(G(z|y)|y)是预测风电有功功率样本和真实风电功率总体的相似度，在条件生成对抗网络的训练中，生成器G致力于最小化上述目标函数，但判别器D致力于最大化上式，从而形成二元极大极小博弈；
所述在其目标函数中增加损失函数，损失函数Huber包括：
式中：δ为参数，p和分别为由海上风电功率的实际值和预测值组成的一维向量，pi为海上风电功率在第i时刻的实际值，为由CGAN生成网络输出的第i时刻海上风电功率预测值；
所述条件生成对抗网络的生成器的最终损失函数为：
LG＝λ1L′G+λ2LHuber(G(z|y)，x)；
式中：λ1和λ2为权重系数，λ1+λ2＝1。
2.根据权利要求1所述的海上风电短期功率预测方法，其特征在于，所述外部环境包括：每台风机的外部风速、风向、湍流强度、外部温度；
所述运行数据包括：风机偏航角、无功功率和有功出力。
3.根据权利要求2所述的海上风电短期功率预测方法，其特征在于，所述预处理包括：
将风速小于切入风速与大于切出风速的两类停机数据、以及各限功率点剔除；
将负功率值统一作为零值；
将各运行数据的时间分辨率精度调低，对数据缺失进行补全；
将输入数据等比例缩放至[0，1]之间，进行归一化处理。
4.根据权利要求2所述的海上风电短期功率预测方法，其特征在于，所述将预处理后的所述外部环境与运行数据作为聚类因素之前，先通过皮尔逊相关性分析，确定每台风机外部环境和运行数据的线性关系，包括：
式中：n是两个时间向量P和y的所含元素个数，P和分别代表风电有功功率及其均值，y和分别为每台风机外部环境及运行数据及其均值，i＝1,2,3,4，相关系数ri∈[-1，1]，ri越大表明该变量和风电有功功率的相关性越强。
5.根据权利要求1所述的海上风电短期功率预测方法，其特征在于，所述建立分组特征矩阵，输入到高斯混合模型中，包括：
假设一个数据样本中有n个d维样本且可分为k组，即样本分布可以通过k个不同维数的高斯分布的线性组合近似而成，相应高斯混合模型的概率分布函数为：
式中：μi与Ci分别表示该混合模型第i个高斯分布的均值向量和协方差矩阵；αi为权重系数，是指该样本可由第i个高斯分布拟合而成的概率；
通过多次迭代优化，得到高斯混合模型的似然函数极大值。
6.根据权利要求5所述的海上风电短期功率预测方法，其特征在于，所述通过寻找最小贝叶斯信息准则值，包括：
BIC＝-2ln(L)+vln(n)；
式中：ln(L)为高斯混合模型的极大似然函数值；v为GMM中待估计参数个数，v＝3k。
7.根据权利要求2所述的海上风电短期功率预测方法，其特征在于，对所述功率短期预测模型进行训练时，将一维随机噪声向量、预测日每个子机群每小时的风速和湍流强度作为模型的输入，将预测日时间间隔为一小时的各机群实测有功功率作为输出，所述一维随机噪声向量含有24个元素，且服从标准正态分布。
8.根据权利要求1所述的海上风电短期功率预测方法，其特征在于，所述对所述功率短期预测模型进行训练中，使用平均绝对误差LMAE、平均绝对百分比误差LMAPE、均方根误差LRMSE和归一化均方根误差LNRMSE作为评价标准，判断模型的预测精度是否训练达到预期：
式中：yi为海上风电功率在第i时刻的目标值；为海上风电功率在第i时刻的预测值；np为预测时间步长数，取24。
9.一种海上风电短期功率预测装置，其特征在于，使用如权利要求1至8中任一项所述的方法，包括：
采集单元，所述采集单元用于采集海上风电场中各风机机群的外部环境与运行数据，并进行预处理；
分组单元，所述分组单元用于将预处理后的所述外部环境与运行数据作为聚类因素，建立分组特征矩阵，输入到高斯混合模型中，通过寻找最小贝叶斯信息准则值，确定最佳分组结果；
建模单元，所述建模单元用于对各机组群分别构建基于条件生成对抗网络的海上风电功率短期预测模型，采用循环神经网络作为生成器网络，在其目标函数中增加损失函数，并以一维卷积神经网络来构造判别所述短期预测模型的内部结构，所述一维卷积神经网络为门控循环单元GRU网络；
训练单元，所述训练单元用于以一个服从标准正态分布的一维随机噪声向量、预测日每个子机群各小时的外部环境作为模型输入，预测日各机群实际的运行数据作为输出，对所述功率短期预测模型进行训练；
预测单元，所述预测单元用于使用训练后的所述功率短期预测模型对各机群分别进行日前风电功率预测，并得到预测日各时刻整个风电场的功率预测结果。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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1-8中任一项所述的方法。
11.一种存储介质，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1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311593455.4A CN117390967B (zh) | 2023-11-24 | 2023-11-24 | 海上风电短期功率预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311593455.4A CN117390967B (zh) | 2023-11-24 | 2023-11-24 | 海上风电短期功率预测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117390967A CN117390967A (zh) | 2024-01-12 |
| CN117390967B true CN117390967B (zh) | 2024-03-29 |
Family
ID=89439401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311593455.4A Active CN117390967B (zh) | 2023-11-24 | 2023-11-24 | 海上风电短期功率预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117390967B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214566A (zh) * | 2018-08-30 | 2019-01-15 | 华北水利水电大学 | 基于长短期记忆网络的风电功率短期预测方法 |
| CN113222289A (zh) * | 2021-06-02 | 2021-08-06 | 江南大学 | 一种基于数据处理的能源功率的预测方法 |
| CN114239920A (zh) * | 2021-11-23 | 2022-03-25 | 国网河南省电力公司电力科学研究院 | 一种风电功率短期预测方法 |
| CN115618710A (zh) * | 2022-09-08 | 2023-01-17 | 济南大学 | 一种基于gan的风电功率概率性预测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114021799A (zh) * | 2021-10-29 | 2022-02-08 | 国网辽宁省电力有限公司经济技术研究院 | 风电场日前风电功率预测方法及系统 |
-
2023
- 2023-11-24 CN CN202311593455.4A patent/CN117390967B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214566A (zh) * | 2018-08-30 | 2019-01-15 | 华北水利水电大学 | 基于长短期记忆网络的风电功率短期预测方法 |
| CN113222289A (zh) * | 2021-06-02 | 2021-08-06 | 江南大学 | 一种基于数据处理的能源功率的预测方法 |
| CN114239920A (zh) * | 2021-11-23 | 2022-03-25 | 国网河南省电力公司电力科学研究院 | 一种风电功率短期预测方法 |
| CN115618710A (zh) * | 2022-09-08 | 2023-01-17 | 济南大学 | 一种基于gan的风电功率概率性预测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于高斯混合模型聚类的风电场短期功率预测方法;王一妹 等;电力系统自动化;20210410;第45卷(第7期);第37页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117390967A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860982B (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN110597240B (zh) | 一种基于深度学习的水轮发电机组故障诊断方法 | |
| 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 | |
| CN109784473A (zh) | 一种基于双时序特征学习的短期风功率预测方法 | |
| CN114066236B (zh) | 风光有功出力场景生成方法、装置、电子设备及存储介质 | |
| CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
| CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
| CN110263998B (zh) | 多源数值天气预报集合双层修正方法 | |
| CN114169445A (zh) | 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统 | |
| CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
| CN115689055A (zh) | 一种短期太阳辐照度预测方法及装置 | |
| CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
| CN111488974A (zh) | 基于深度学习神经网络的海洋风能降尺度方法 | |
| CN113048012B (zh) | 基于混合高斯模型的风电机组偏航角度识别方法和装置 | |
| CN118054394A (zh) | 一种基于深度强化学习的光伏功率预测方法及系统 | |
| CN114021818A (zh) | 一种考虑时空分布特征的风电功率多步预测方法 | |
| CN117390967B (zh) | 海上风电短期功率预测方法、装置、设备及存储介质 | |
| CN108038518A (zh) | 一种基于气象数据的光伏发电功率确定方法及系统 | |
| CN116628570A (zh) | 风机叶片覆冰失效检测方法、装置、存储介质和设备 | |
| Zheng et al. | Deep neural network for short-term offshore wind power forecasting | |
| CN114021437B (zh) | 一种风电光伏有功场景生成方法、装置、电子设备和存储介质 | |
| CN116010831A (zh) | 一种基于潜在决策结果的组合聚类场景缩减方法及系统 | |
| CN115296298A (zh) | 一种风电场功率预测方法 | |
| Wu et al. | Convolutional deep leaning-based distribution system topology identification with renewables | |
| CN116662766B (zh) | 基于数据二维重构的风速预测方法及装置、电子设备 |
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 | ||
| GR01 | Patent grant |