CN117424229A - 基于低风速功率修正的超短期风电功率预测方法及系统 - Google Patents
基于低风速功率修正的超短期风电功率预测方法及系统 Download PDFInfo
- Publication number
- CN117424229A CN117424229A CN202311589380.2A CN202311589380A CN117424229A CN 117424229 A CN117424229 A CN 117424229A CN 202311589380 A CN202311589380 A CN 202311589380A CN 117424229 A CN117424229 A CN 117424229A
- Authority
- CN
- China
- Prior art keywords
- wind power
- power
- wind
- data
- ultra
- 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 64
- 238000012937 correction Methods 0.000 title claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 16
- 230000007246 mechanism Effects 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000010248 power generation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000002679 ablation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 1
- 241000288105 Grus Species 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000001228 spectrum 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/08—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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于低风速功率修正的超短期风电功率预测方法及系统。所述方法包括:获取数据,包括风电功率数据和气象数据;采用卷积神经网络、自注意力机制和双向门控单元进行风电功率序列时序特征的提取;通过共享权值和下采样引入多元非线性的损失函数捕获序列间关联性,辅助模型训练并获取初始的功率预测值;采用卷积神经网络结合气象数据对风速进行预测,获得风速的预测值;利用当前时段的风电功率和风速预测值对初始的功率预测值进行修正,得到最终的超短期风电功率预测值。本发明引入了低风速功率修正结构和带有序列间特征的损失函数,解决了低风速下待风状态神经网络难以精确拟合的问题,有效提升超短期风电功率预测的准确性和可靠性。
Description
技术领域
本发明涉及风力发电技术领域,具体涉及一种基于低风速功率修正的超短期风电功率预测方法及系统。
背景技术
伴随着化石能源逐渐枯竭,在节能减排新形势下,风力发电越来越受到各国的重视。但大规模风电场群接入后,强波动性的风电功率注入将造成局部电压波动,从而影响到电能质量及电网的安全稳定运行。而准确的风电功率预测是解决这一问题的重要举措,风电功率预测按照时间尺度可分为超短期预测、短期预测、中期预测和长期预测。其中超短期预测时间间隔为15min,预测未来0到4小时的风电功率,其对实时调度与控制风电机组的高效运行具有重要的指导意义。而进一步提升超短期风电功率的预测精度,也有利于更好地保证风电场的稳定和经济运营。
传统的风电功率预测研究常采用时间序列模型,如自回归差分移动平均模型。但模型实际上仅捕获数据间的线性关系,随数据复杂度与预测步长的增加预测值容易趋于均值。近年来,随着风电相关数据的大规模增加,许多深度学习方法诸如卷积神经网络、长短期记忆网络也被应用于风电功率预测领域中。这些方法在数据集充足时效果较好,然而,在数据集较小时,由于深度学习模型参数空间更为复杂,预测过程中常伴随着有规律的拟合误差,这些误差通常出现在极值点与限幅值附近。一些研究使用误差拟合的方法进行修正。这种方法能够有效地修正模型的内在缺陷,但对于限幅值区域如低风速待风段,一般的修正结构仍然难以完全补偿。此外,神经网络模型的预测精度与所采用的损失函数和预测策略密切相关。对比于长序列预测,短序列的预测尤其是单步预测通常难以在预测训练过程中引入宏观的序列间特征,导致训练过程的波动性较大。
发明内容
发明目的:本发明的目是提供一种基于低风速功率修正的超短期风电功率预测方法及系统,旨在减少超短期风电功率的预测误差,提高预测精度。
技术方案:为了实现上述发明目的,本发明提出的基于低风速功率修正的超短期风电功率预测方法,包括以下步骤:
获取数据,获取的数据包括气象数据和风电功率数据,气象数据作为风速特征数据,气象数据与风电功率数据合并作为功率特征数据;
输入功率特征数据,利用嵌入层将输入的功率特征数据映射到d维空间,得到d维的风电功率序列,采用位置编码将位置信息添加到d维风电功率序列中,得到带有位置信息的d维风电功率序列,然后利用卷积神经网络对风电功率序列特征进行映射,得到对应的特征图谱,利用多头自注意力机制对特征图谱进行再聚合,最后通过双向门控单元对聚合后的序列特征进行重构,完成对风电功率序列时序特征的提取,并通过共享权值和下采样引入多元非线性的损失函数捕获序列间关联性,进行前向预测和模型训练,获得初始的功率预测值;
输入风速特征数据,利用卷积神经网络对风速进行预测,获得风速的预测值;
根据当前时段的风电功率和风速预测值对初始的功率预测值进行修正,得到最终的超短期风电功率预测值,实现对超短期风电功率的预测。
进一步地,所述气象数据包括风速、风向、温度、气压;所述风电功率数据包括风电场的实际风电出力数据。
进一步地,位置编码的计算方式为:
其中,pos为序列索引,i为维度索引,sin(·)、cos(·)分别表示正、余弦函数,将映射至d维空间的d维风电功率序列与位置编码结果相加,得到带有位置信息的d维风电功率序列。
进一步地,多头注意力的计算过程如下:
其中,为权重参数矩阵,Qy,Ky,Vy是d维风电功率序列Y∈RT变化得到的查询矩阵、键矩阵、值矩阵,T表示输入序列的长度,Ay表示自注意力机制的输出,dk表示键矩阵的维度,m表示多头注意力的“头数”,Oy为聚合后的风电功率特征序列。
进一步地,双向门控单元的输出由正向与反向的门控循环单元隐藏节点输出拼接获得,其中门控循环单元的计算过程为:
其中,ht-1为上一隐藏节点输出,ht为当前隐藏节点输出,Ot为聚合后风电功率特征序列第t时刻的特征数据,为选择的记忆数据,rt、zt为重置门、更新门权重,Wz、Wr、W分别为权重参数矩阵;
将双向门控单元的输出输入至全连接层,并得到相应的超短期风电功率预测值用于训练。
进一步地,损失函数的计算方式如下:
其中,
N为风电功率的预测步长,α为下采样的间隔长度;di为T-N+i时刻下风电功率真实值和预测值之间的差值;为风电功率T-N+i时刻的预测值,yT-N+i为风电功率T-N+i时刻的真实值;/>分别为风电功率真实值与预测值在T-N+αi+α时刻与T-N+αi上的差值,S1、S2分别对应采样前与采样后功率的余弦相似度之和;β是一个比例参数,用于控制相似度对于损失函数的影响;Loss为最终得到的损失函数数值。
进一步地,对功率预测值进行修正的计算过程为:
其中yN-i为第N-i时刻风电功率真实值,α为所得的功率系数,为第N时刻的风速预测值,λ为所得的风速系数,k1、k2为权重系数,ε是一调整量防止分母为0,/>为第N个时刻风电功率预测值,/>为修正后最终获得的风电功率预测值。
本发明还提供一种基于低风速功率修正的超短期风电功率预测系统,包括:
数据获取模块,用于获取数据,获取的数据包括气象数据和风电功率数据,气象数据作为风速特征数据,气象数据与风电功率数据合并作为功率特征数据;
功率预测模块,用于输入功率特征数据,利用嵌入层将输入的功率特征数据映射到d维空间,得到d维的风电功率序列,采用位置编码将位置信息添加到d维风电功率序列中,得到带有位置信息的d维风电功率序列,然后利用卷积神经网络对风电功率序列特征进行映射,得到对应的特征图谱,利用多头自注意力机制对特征图谱进行再聚合,最后通过双向门控单元对聚合后的序列特征进行重构,完成对风电功率序列时序特征的提取,并通过共享权值和下采样引入多元非线性的损失函数捕获序列间关联性,进行前向预测和模型训练,获得初始的功率预测值;
风速预测模块,用于输入风速特征数据,利用卷积神经网络对风速进行预测,获得风速的预测值;
功率修正模块,用于根据当前时段的风电功率和风速预测值对初始的功率预测值进行修正,得到最终的超短期风电功率预测值,实现对超短期风电功率的预测。
本发明还提供一种计算机设备,包括:一个或多个处理器;存储器;以及一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述程序被处理器执行时实现如上所述的基于低风速功率修正的超短期风电功率预测方法的步骤。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的基于低风速功率修正的超短期风电功率预测方法的步骤。
有益效果:本发明针对低风速段风电功率的拟合误差难以修正、训练过程无法引入序列间特征进而导致超短期风电功率预测性能下降等问题,提出了一种基于低风速功率修正的超短期风电功率预测方法,融合卷积神经网络、自注意力机制、双向门控单元用于提取功率特征,能够有效捕获风电功率的多尺度时间信息,提高风电功率的预测精度;并引入低风速功率修正方法能够减少低风速下的拟合误差,提升了模型低风速状态下的预测表现;并采用了新型的损失函数,通过多元非线性函数捕获序列间相关性,可以在短序列预测及单步预测中提取到时间序列的序列间特征,使模型的训练更稳定,进一步减少超短期风电功率的预测误差。本发明的预测结果可以辅助电网调度及风电场运营制定更为安全可靠的发电计划和运行策略,进而保障大规模风电并网时电力系统的安全稳定运行。
附图说明
图1为本发明方法的预测模型结构示意图;
图2为双向门控单元结构示意图;
图3为损失函数结构示意图;
图4为本发明实施例中不同方法的预测曲线拟合情况示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
参照图1,本发明提出了一种基于低风速功率修正的超短期风电功率预测方法,包括以下步骤:
步骤1:采集数据,采集的数据包括气象数据和风电功率数据;
步骤2:采用卷积神经网络、自注意力机制和双向门控单元对风电功率序列进行时序特征的提取;
步骤3:通过共享权值和下采样引入一种多元非线性的损失函数捕获序列间关联性,进而前向预测并训练,以获取初始的功率预测值;
步骤4:采用卷积神经网络结合气象数据对风速进行预测,获得风速的预测值;
步骤5:利用初始的功率预测值、当前时段的风电功率和风速预测值对初始的功率预测值进行修正,得到最终的超短期风电功率预测值,实现对超短期风电功率的预测。
下面结合具体的实施例,详细说明使用本发明方法进行超短期风电功率预测的具体实施过程。本发明实施例中所用数据源于江苏某容量为49.5MW的风电场,具体为2017年1月1日至2017年3月31日的风电功率数据和气象数据,气象数据包括风速、风向、温度、气压,数据采样间隔为15min,共计8640个样本,划分前6912个样本作为训练集,后1728个样本作为测试集。输入序列长度为32,即功率预测模块采用预测时刻之前32个风电功率和气象数据点作为模型输入,风速预测模块只使用气象数据点作为模型输入,实验中预测步长为1,即进行提前15分钟的超短期风电功率预测。
基于所采集的数据,在步骤2中,构建网络结构进行特征提取,具体包括以下步骤:
首先,利用嵌入层将将输入功率特征数据(气象数据与风电功率数据)映射到d维空间,得到d维的风电功率序列。
其次,采用位置编码将位置信息添加到高维风电功率序列中,位置编码的计算方式为:
其中,pos为序列索引,表示当前特征在输入时间序列中所处的位置。这里的位置是指时刻特征与其他时刻特征在时间上的顺序关系,例如,第N时刻特征位于第N-1时刻特征与第N+1时刻特征之间。i为维度索引。sin(.)、cos(.)分别表示正、余弦函数,将映射至d维空间的高维风电功率序列与位置编码结果相加,得到带有位置信息的d维风电功率序列。
然后,使用卷积神经网络对风电功率序列特征进行映射,得到对应的特征图谱,利用多头自注意力机制对特征图谱进行再聚合。
其中,卷积神经网络的计算过程为:
其中,xi,j为输入风电功率矩阵第i行第j列神经元,w为权重参数矩阵,应当根据不同数据集及模型结构来实验选取矩阵形状参数。m1、n1为卷积的范围参数,b为偏置参数,ci,j为特征矩阵的第i行第j列的卷积值,m2、n2为池化的范围参数,Yi,j为特征图谱第i行第j列的特征值,超出边界位置处,对原矩阵进行边界填充,使用0进行填充,这样矩阵所有元素都能卷积、池化,其中卷积后的特征值矩阵与原矩阵保持相同的大小。图中Add&Nrom表示使用残差连接与正则化把卷积、池化前的数据形状整合成卷积、池化后的的数据形状并叠加。
多头注意力机制的计算过程为:
其中,为权重参数矩阵,Qy,Ky,Vy是高维风电功率序列Y∈RT变化得到的查询矩阵、键矩阵、值矩阵,T表示输入序列的长度,Ay表示自注意力机制的输出,dk表示键矩阵的维度,m表示多头注意力的“头数”,Oy为聚合后的风电功率特征序列。
最后通过双向门控单元对聚合后的序列特征进行重构。双向门控单元的结构图如图2所示,GRU为门控循环单元,多个GRU分别从正向与反向输出数据并拼接组合成双向门控单元,单个GRU的计算过程如下:
其中,ht-1为上一隐藏节点输出,ht为当前隐藏节点输出,Ot为聚合后风电功率特征序列第t时刻的特征数据,为选择的记忆数据,rt、zt为重置门、更新门权重,Wz、Wr、W分别为权重参数矩阵。将双向门控单元从正向与反向的隐藏节点输出拼接输入至全连接层,并得到相应的超短期风电功率预测值/>用于训练。
在步骤3中,根据预测值构建损失函数进行模型训练,损失函数是在前一步骤的网络结构的基础上发展而来,其在单次预测中共享参数,分别预测当前时间段的真实风电功率{yT+1,yT+2,...,yT+N}与上一时间段的功率{yT-N+1,...,yT-1,yT},将其拼接作为模型的预测结果。以此引入一种多元非线性的损失函数捕获序列间关联性。这种损失函数的结构示意图如图3所示,计算过程如下:
其中,N为风电功率的预测步长,α为下采样的间隔长度;di为T-N+i时刻下风电功率真实值和预测值之间的差值;为风电功率T-N+i时刻的预测值,yT-N+i为风电功率T-N+i时刻的真实值;/>分别为风电功率真实值与预测值在T-N+αi+α时刻与T-N+αi时刻之间的差值,S1、S2分别对应采样前与采样后功率的余弦相似度之和,即图3中的关联函数输出;β是一个比例参数,用于控制相似度对于损失函数的影响;Loss为最终得到的损失函数数值。
在步骤4中,卷积神经网络采用相同的计算方式,输入气象数据对风速进行预测,获取风速的预测值。
在步骤5中,利用当前时段的风电功率和风速预测值对初始的功率预测值进行修正,得到最终的超短期风电功率预测值,实现对超短期风电功率的预测,发明整体的结构示意图如图1所示。修正的计算过程为:
其中yN-i为第N-i时刻风电功率真实值,α为所得的功率系数,为第N时刻的风速预测值,λ为所得的风速系数,k1、k2为权重系数,ε是一微小的调整量防止分母为0,/>为第N个时刻风电功率预测值,/>为修正后最终获得的风电功率预测值。
为了验证所提方法性能,基于测试集对模型的实际预测效果进行评估,所选模型评估指标为均方根误差(RMSE)、绝对平均误差(MAE)、决定系数(R2),其计算公式分别为:
其中,和yi分别表示第i个样本的预测值和实际值。
为了进一步评估本发明所提方法SACN-BiGRU的预测表现,选取了经典的预测模型RF模型、时序预测应用较为广泛的CNN-LSTM模型及其子模型CNN模型与LSTM模型作为对比模型,表1为各模型进行单步风电功率预测时的预测精度。
表1不同模型点预测结果
对比表1中的预测指标,可以观察到几种预测模型的各项指标上存在明显差异。其中,本文提出的SACN-BiGRU组合模型在各项误差指标上较对比模型均表现出较大提升。以平均eMAE指标为例,SACN-BiGRU组合模型的预测误差为1.16MW,相比于平均eMAE指标第二好的CNN-LSTM模型降低了5.2%,相比于LSTM模型降低了9.9%。其他指标也有一定的改善,具体降低或提升的比例如下:eRMSE指标分别降低6.4%、14.4%、2.8%、4.5%,R2指标分别提升了1.9%、4.2%、0.4%、0.8%。
图4绘制了不同模型预测结果曲线,更直观的展示了发明方法的预测效果。其中(a)和(b)两张曲线图分别表示风电功率处于下降段与波动段下不同模型的预测效果。通过比较图4可观察到,在波动段,尽管风电功率波动性较大,但本发明提出的SACN-BiGRU预测模型的预测结果与真实值紧密贴合,并且在相对平稳的区间内也能够持续精确的拟合。这是因为模型采用了自注意力机制和卷积神经网络相结合的方法,能够在复杂的时间序列中找到可靠的时间依赖。此外,模型在功率波动的转折处也并未出现类似其他模型所出现的剧烈变化,表明本发明方法具有更好的拟合效果和稳定性。
为了验证SACN-BiGRU模型各模块的有效性,本发明进行了消融实验,逐一移除模型方法。其中SACN-BiGRU1不使用新的损失函数,SACN-BiGRU2不使用新的损失函数且移除了低风速功率修正结构,消融实验结果如表2所示。
表2消融实验点预测结果
由表2可知,使用新的损失函数和低风速功率修正结构在平均eMAE误差指标均降低了1%、相比于基础的BiGRU模型,增添SACN模块后,平均eMAE、eRMSE误差指标分别降低7%和3%。
综上,本发明方法将卷积神经网络、自注意力机制、双向门控单元融合以提取时间序列特征,有效捕获到了风电功率的多尺度时间信息;引入的低风速功率修正方法能够减少低风速下的拟合误差,进一步提升模型的预测表现。通过共享参数,前向预测构建的新型损失函数,能够在短序列预测及单步预测中提取到时间序列数据中的序列间特征,使模型的训练更稳定。因此,本发明的预测结果可以辅助电网调度及风电场运营制定更为安全可靠的发电计划和运行策略,进而保障大规模风电并网时电力系统的安全稳定运行。
基于与方法实施例相同的技术构思,本发明还提供了一种基于低风速功率修正的超短期风电功率预测系统,包括:
数据获取模块,用于获取数据,获取的数据包括气象数据和风电功率数据,气象数据作为风速特征数据,气象数据与风电功率数据合并作为功率特征数据;
功率预测模块,用于输入功率特征数据,利用嵌入层将输入的功率特征数据映射到d维空间,得到d维的风电功率序列,采用位置编码将位置信息添加到d维风电功率序列中,得到带有位置信息的d维风电功率序列,然后利用卷积神经网络对风电功率序列特征进行映射,得到对应的特征图谱,利用多头自注意力机制对特征图谱进行再聚合,最后通过双向门控单元对聚合后的序列特征进行重构,完成对风电功率序列时序特征的提取,并通过共享权值和下采样引入多元非线性的损失函数捕获序列间关联性,进行前向预测和模型训练,获得初始的功率预测值;
风速预测模块,用于输入风速特征数据,利用卷积神经网络对风速进行预测,获得风速的预测值;
功率修正模块,用于根据当前时段的风电功率和风速预测值对初始的功率预测值进行修正,得到最终的超短期风电功率预测值,实现对超短期风电功率的预测。
应当理解,本发明实施例中的基于低风速功率修正的超短期风电功率预测系统可以实现上述方法实施例中的全部技术方案,其各个功能模块的功能可以根据上述方法实施例中的方法具体实现,其具体实现过程可参照上述实施例中的相关描述,此处不再赘述。
本发明还提供一种计算机设备,包括:一个或多个处理器;存储器;以及一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述程序被处理器执行时实现如上所述的基于低风速功率修正的超短期风电功率预测方法的步骤。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的基于低风速功率修正的超短期风电功率预测方法的步骤。
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、装置(系统)、计算机设备或计算机程序产品。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的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程以及流程图中的流程的结合。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中指定的功能的步骤。
Claims (10)
1.一种基于低风速功率修正的超短期风电功率预测方法,其特征在于,包括以下步骤:
获取数据,获取的数据包括气象数据和风电功率数据,气象数据作为风速特征数据,气象数据与风电功率数据合并作为功率特征数据;
输入功率特征数据,利用嵌入层将输入的功率特征数据映射到d维空间,得到d维的风电功率序列,采用位置编码将位置信息添加到d维风电功率序列中,得到带有位置信息的d维风电功率序列,然后利用卷积神经网络对风电功率序列特征进行映射,得到对应的特征图谱,利用多头自注意力机制对特征图谱进行再聚合,最后通过双向门控单元对聚合后的序列特征进行重构,完成对风电功率序列时序特征的提取,并通过共享权值和下采样引入多元非线性的损失函数捕获序列间关联性,进行前向预测和模型训练,获得初始的功率预测值;
输入风速特征数据,利用卷积神经网络对风速进行预测,获得风速的预测值;
根据当前时段的风电功率和风速预测值对初始的功率预测值进行修正,得到最终的超短期风电功率预测值,实现对超短期风电功率的预测。
2.根据权利要求1所述的超短期风电功率预测方法,其特征在于,所述气象数据包括风速、风向、温度、气压;所述风电功率数据包括风电场的实际风电出力数据。
3.根据权利要求1所述的超短期风电功率预测方法,其特征在于,位置编码的计算方式为:
其中,pos为序列索引,i为维度索引,sin(·)、cos(·)分别表示正、余弦函数,将映射至d维空间的d维风电功率序列与位置编码结果相加,得到带有位置信息的d维风电功率序列。
4.根据权利要求1所述的超短期风电功率预测方法,其特征在于,多头注意力的计算过程如下:
其中,为权重参数矩阵,Qy,Ky,Vy是d维风电功率序列Y∈RT变化得到的查询矩阵、键矩阵、值矩阵,T表示输入序列的长度,Ay表示自注意力机制的输出,dk表示键矩阵的维度,m表示多头注意力的“头数”,Oy为聚合后的风电功率特征序列。
5.根据权利要求1所述的超短期风电功率预测方法,其特征在于,双向门控单元的输出由正向与反向的门控循环单元隐藏节点输出拼接获得,其中门控循环单元的计算过程为:
其中,ht-1为上一隐藏节点输出,ht为当前隐藏节点输出,Ot为聚合后风电功率特征序列第t时刻的特征数据,为选择的记忆数据,rt、zt为重置门、更新门权重,Wz、Wr、W分别为权重参数矩阵;
将双向门控单元的输出输入至全连接层,并得到相应的超短期风电功率预测值用于训练。
6.根据权利要求1所述的超短期风电功率预测方法,其特征在于,损失函数的计算方式如下:
其中,
N为风电功率的预测步长,α为下采样的间隔长度;di为T-N+i时刻下风电功率真实值和预测值之间的差值;为风电功率T-N+i时刻的预测值,yT-N+i为风电功率T-N+i时刻的真实值;/>分别为风电功率真实值与预测值在T-N+αi+α时刻与T-N+αi上的差值,S1、S2分别对应采样前与采样后功率的余弦相似度之和;β是一个比例参数,用于控制相似度对于损失函数的影响;Loss为最终得到的损失函数数值。
7.根据权利要求1所述的超短期风电功率预测方法,其特征在于,对功率预测值进行修正的计算过程为:
其中yN-i为第N-i时刻风电功率真实值,α为所得的功率系数,为第N时刻的风速预测值,λ为所得的风速系数,k1、k2为权重系数,ε是一调整量防止分母为0,/>为第N个时刻风电功率预测值,/>为修正后最终获得的风电功率预测值。
8.一种基于低风速功率修正的超短期风电功率预测系统,其特征在于,包括:
数据获取模块,用于获取数据,获取的数据包括气象数据和风电功率数据,气象数据作为风速特征数据,气象数据与风电功率数据合并作为功率特征数据;
功率预测模块,用于输入功率特征数据,利用嵌入层将输入的功率特征数据映射到d维空间,得到d维的风电功率序列,采用位置编码将位置信息添加到d维风电功率序列中,得到带有位置信息的d维风电功率序列,然后利用卷积神经网络对风电功率序列特征进行映射,得到对应的特征图谱,利用多头自注意力机制对特征图谱进行再聚合,最后通过双向门控单元对聚合后的序列特征进行重构,完成对风电功率序列时序特征的提取,并通过共享权值和下采样引入多元非线性的损失函数捕获序列间关联性,进行前向预测和模型训练,获得初始的功率预测值;
风速预测模块,用于输入风速特征数据,利用卷积神经网络对风速进行预测,获得风速的预测值;
功率修正模块,用于根据当前时段的风电功率和风速预测值对初始的功率预测值进行修正,得到最终的超短期风电功率预测值,实现对超短期风电功率的预测。
9.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述程序被处理器执行时实现如权利要求1-7中任一项所述的基于低风速功率修正的超短期风电功率预测方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于低风速功率修正的超短期风电功率预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311589380.2A CN117424229A (zh) | 2023-11-24 | 2023-11-24 | 基于低风速功率修正的超短期风电功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311589380.2A CN117424229A (zh) | 2023-11-24 | 2023-11-24 | 基于低风速功率修正的超短期风电功率预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117424229A true CN117424229A (zh) | 2024-01-19 |
Family
ID=89528499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311589380.2A Pending CN117424229A (zh) | 2023-11-24 | 2023-11-24 | 基于低风速功率修正的超短期风电功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117424229A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118013236A (zh) * | 2024-04-08 | 2024-05-10 | 西安热工研究院有限公司 | 基于误差补偿法的储能辅助黑启动的风速预测方法和系统 |
CN118232318A (zh) * | 2024-03-12 | 2024-06-21 | 山东大学 | 台风场景下的短期风电功率预测方法、系统、介质及设备 |
CN118381010A (zh) * | 2024-04-19 | 2024-07-23 | 浙江大学 | 一种两阶段的短期风电功率预测方法及装置 |
-
2023
- 2023-11-24 CN CN202311589380.2A patent/CN117424229A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118232318A (zh) * | 2024-03-12 | 2024-06-21 | 山东大学 | 台风场景下的短期风电功率预测方法、系统、介质及设备 |
CN118013236A (zh) * | 2024-04-08 | 2024-05-10 | 西安热工研究院有限公司 | 基于误差补偿法的储能辅助黑启动的风速预测方法和系统 |
CN118381010A (zh) * | 2024-04-19 | 2024-07-23 | 浙江大学 | 一种两阶段的短期风电功率预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117424229A (zh) | 基于低风速功率修正的超短期风电功率预测方法及系统 | |
CN110597240B (zh) | 一种基于深度学习的水轮发电机组故障诊断方法 | |
CN109146162B (zh) | 一种基于集成循环神经网络的概率风速预测方法 | |
CN105574615B (zh) | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 | |
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 | |
CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
CN110826791A (zh) | 一种基于长短时记忆神经网络的混合风功率预测方法 | |
CN110009135B (zh) | 一种基于宽度学习的风电功率预测方法 | |
CN112100911A (zh) | 一种基于深度bisltm的太阳辐射预测方法 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN112990553A (zh) | 使用自注意机制和双线性融合的风电超短期功率预测方法 | |
CN117613883A (zh) | 发电功率预测方法、装置、计算机设备及存储介质 | |
CN113962441A (zh) | 一种基于历史数据分析的短期辐照度预测方法及预测系统 | |
CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及系统 | |
CN115965177A (zh) | 基于注意力机制改进的自回归误差补偿风电功率预测方法 | |
CN116599050A (zh) | 基于自注意力机制的光伏预测方法及相关装置 | |
CN115330096A (zh) | 基于时序序列的能量数据中长期预测方法、装置及介质 | |
CN115545345A (zh) | 一种基于gru-tcn模型的电网负荷预测方法 | |
CN116632820A (zh) | 基于序列延拓vmd与风速波动特性的风电功率预测方法 | |
CN114118401A (zh) | 基于神经网络的配电网络流量预测方法、系统、装置及存储介质 | |
CN117833231A (zh) | 基于Bi-LSTM和双重注意力机制的负荷预测方法 | |
CN104834816A (zh) | 一种短期风速预测方法 | |
CN116843012A (zh) | 一种融合个性化上下文和时域动态特征的时序预测方法 | |
CN114819382B (zh) | 一种基于lstm的光伏功率预测方法 |
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 |