CN117763314B - 一种基于时空相关性挖掘的风电功率预测方法 - Google Patents
一种基于时空相关性挖掘的风电功率预测方法 Download PDFInfo
- Publication number
- CN117763314B CN117763314B CN202410195166.7A CN202410195166A CN117763314B CN 117763314 B CN117763314 B CN 117763314B CN 202410195166 A CN202410195166 A CN 202410195166A CN 117763314 B CN117763314 B CN 117763314B
- Authority
- CN
- China
- Prior art keywords
- data
- wind power
- target
- site
- station
- 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 51
- 238000005065 mining Methods 0.000 title claims abstract description 23
- 230000007246 mechanism Effects 0.000 claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims description 48
- 230000003111 delayed effect Effects 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 230000001934 delay Effects 0.000 claims 2
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000001737 promoting effect Effects 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract description 2
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000001537 neural effect Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明揭示了一种基于时空相关性挖掘的风电功率预测方法，基于时空相关性挖掘和多重注意力机制进行风电功率预测，搭建多层注意力机制并结合皮尔逊相关系数，充分挖掘区域内相邻站点间的时空相关性，不仅提高了风电功率预测的准确性，还有助于降低运维成本、提高决策效率和增强数据利用效率，对于推动风电能源的发展和消纳具有重要的实际意义。
Description
技术领域
本发明涉及风电功率预测技术领域，特别是涉及一种基于时空相关性挖掘和多重注意力机制的风电功率预测方法。
背景技术
在太阳能、潮汐能和波浪能等可再生能源中，风力发电因其高效、廉价和丰富等优点居于主导地位，然而由于风速的随机性、间歇性、波动性十分突出，风力发电体现出极强的不稳定性，风电预测仍然是解决风力发电不稳定问题的主要方法，对风电进行准确预测可以方便电力系统提前制订及时的储能或调度措施来满足电网稳定性要求。
现有技术中的风电预测方法大致可分为基于物理方法和基于数据驱动方法这两大类，其中物理方法基于气象学和风力发电机组的工作原理建立数学模型，考虑风速、风向、机组特性等因素来预测功率输出，该模型构造复杂，对原始数据有较严格的要求；数据驱动法包括统计法和深度学习法，其中，统计法基于历史风速和功率数据建立统计模型，如时间序列分析、回归分析等，通过对历史数据的分析来预测未来的功率输出；越来越多的学者使用基于深度学习的模型进行风功率预测，因为这种方法具有更灵活的参数，并且可以大大提高时间序列特征的学习能力。此外，组合方法即将多种方法结合使用，如统计模型与物理模型的结合、机器学习与物理模型的结合等，综合考虑不同因素的影响，以此来提高预测精度。
但是由于风速受到多种因素的影响，如地理位置、气候和季节等，因此风电功率输出呈现出明显的时空相关性，区域内相邻风电场之间具有时空相关性。近年来，时空融合预测方法得到了国内外的广泛关注，最常见的方法是对时间和空间分别建模提取相关特征，但这种方法对并未充分挖掘相邻站点间的时空相关性。
因此，提出一种通过充分挖掘相邻站点间的时空相关性以提高风电功率预测准确度的预测方法是十分必要的。
发明内容
本发明的目的在于，提供一种基于时空相关性挖掘的风电功率预测方法，充分挖掘区域内相邻站点间的时空相关性，从而进一步提高风电功率预测准确度，促进大规模风电的消纳。
为解决实现上述技术目的，本发明提供一种基于时空相关性挖掘的风电功率预测方法，包括：
选择N个相邻站点在预定时间段内的风电功率历史数据；
根据所有站点风电功率历史数据构建初始目标矩阵、第p层子序列矩
阵以及超前或延迟T个步长的时间矩阵；
对所述初始目标矩阵、第p层子序列矩阵以及超前或延迟T个
步长的时间矩阵分别进行标准化操作，得到原始数据标准化后目标矩阵，
第p层子序列标准化后目标矩阵以及输入特征超前或延迟T步标准化后目标矩阵；
构建三层注意力机制，以标准化后的目标矩阵，以及作
为输入特征，基于三层注意力机制根据标准化后的输入特征与目标站点风电序列之间的相
关程度的强弱对各层输入特征分配不同的权重，并输入GRU模型进行训练，得到第一预测结
果、第二预测结果以及第三预测结果；
以所述第一预测结果、第二预测结果以及第三预测结果作为输入特征，再次输入所述GRU模型进行训练，得到目标站点的最终预测结果。
可选的，在选择N个相邻站点在预定时间段内的风电功率历史数据的步骤之后，还包括对数据进行预处理：对所有站点的风电功率历史数据进行可视化处理，检查是否存在异常数据并进行数据清洗；
其中，N个站点的风电功率历史数据为：。
可选的，所述异常数据包括缺失值、重复值或离群值中的一种或多种；
可视化处理包括：散点图、直方图、趋势图或概率密度分布图中的一种或多种方式。
可选的，所述数据清洗包括：删除重复数据、箱型图检测异常数据、随机森林回归填补缺失数据或日期格式转换中的一种或多种方式。
可选的，利用预处理后的数据，计算N个站点互相之间的皮尔逊相关系数，选择站
点N的风电历史数据作为预测目标，其余站点的风电历史数据作为输入特征，从而构建初始
目标矩阵；
；
式中，“|”前为输入特征，“|”后为预测目标，分别为N个站点的风
电功率历史数据。
可选的，利用小波分解预处理后的数据，用不同频率的滤波器分解不同频率的信
号，将各站点数据分解成p层不同频率的子序列之后，计算各站点相同频率子序列之间的皮
尔逊相关系数，第p层的子序列矩阵为；
；
式中，“|”前为输入特征，“|”后为预测目标，为表示第i个站点的小波分解第p
层子序列数据。
可选的，针对预处理后的数据，保持预测目标站点数据不变，将其他站点超前或延
迟T 个步长，再分别计算其余站点与目标站点超前或延迟T个步长的皮尔逊系数，选择与站
点N皮尔逊相关系数最大的超前或延迟数据作为输入特征，构建超前或延迟T个步长的时间
矩阵为；
；
式中，“|”前为输入特征，“|”后为预测目标；T1表示超前或延迟T1个步长后，站点1与站点N的皮尔逊相关系数最大；T2表示超前或延迟T2个步长后，站点2与站点N的皮尔逊相关系数最大；以此类推，TN-1表示超前或延迟TN-1个步长后，站点N-1与站点N的皮尔逊相关系数最大。
可选的，标准化操作后得到：；
其中，为站点i标准化后的数据，为站点i的原始数据，为站点i原始数
据的均值，为站点i原始数据的标准差；
原始数据标准化后目标矩阵为；第p层子序列标
准化后目标矩阵为；输入特征超前或延迟T步标准化后目
标矩阵为；
式中，为标准化后第i个站点的风电数据，为标准化后第i个站点的小波
分解第p层子序列数据，为标准化后第i个站点超前或延迟时间Ti个步长的风电数据。
可选的，以第一预测结果、第二预测结果以及第三预测结果作为输入特征，输入
GRU模型进行训练，得到站点N的最终预测结果为；
；
式中，“|”前为输入特征，“|”后为预测目标，y1为第一预测结果、y2为第二预测结
果，y3为第三预测结果，为站点N标准化后的数据；
将反标准化后得到目标站点的最终预测结果y。
相比于现有技术，本发明至少具有以下有益效果：通过搭建三层注意力机制并结合皮尔逊相关系数，充分挖掘区域内相邻站点间的时空相关性，从而进一步提高风电功率预测准确度，促进大规模风电的消纳。
附图说明
图1为本发明实施例中三层注意力机制的结构框图；
图2为本发明一实施例中的基于时空相关性挖掘的风电功率预测方法的步骤流程；
图3为本发明另一实施例中的基于时空相关性挖掘的风电功率预测方法的步骤流程。
具体实施方式
下面将结合附图对本发明的一种基于时空相关性挖掘的风电功率预测方法进行更详细的描述，其中表示了本发明的优选实施例，应该理解本领域技术人员可以修改在此描述的本发明，而仍然实现本发明的有利效果。因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本发明的限制。
在下列段落中参照附图1-3以举例方式更具体地描述本发明。根据下面说明，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
本发明提供一种基于时空相关性挖掘的风电功率预测方法，包括如下步骤：
S1、选择N个相邻站点在预定时间段内的风电功率历史数据；
S2、根据所有站点风电功率历史数据构建初始目标矩阵、第p层子序列
矩阵以及超前或延迟T个步长的时间矩阵；
S3、对所述初始目标矩阵、第p层子序列矩阵以及超前或延迟
T个步长的时间矩阵分别进行标准化操作，得到原始数据标准化后目标矩阵，第p层子序列标准化后目标矩阵以及输入特征超前或延迟T步标准化后
目标矩阵；
S4、构建三层注意力机制，以标准化后的目标矩阵，以及
作为输入特征，基于三层注意力机制根据标准化后的输入特征与目标站点风电序列之间的
相关程度的强弱对各层输入特征分配不同的权重，并输入GRU模型进行训练，得到第一预测
结果、第二预测结果以及第三预测结果；
S5、以所述第一预测结果、第二预测结果以及第三预测结果作为输入特征，再次输入所述GRU模型进行训练，得到目标站点的最终预测结果。
请参考图1，在本实施例中，优选的，搭建三层注意力机制，图1为本发明实施例中三层注意力机制的结构框图，其中，第一层注意力机制：根据原始数据各输入特征与目标站点风电序列之间的相关程度强弱，基于注意力机制对输入特征分配不同的权重，输入门控神经单元神经网络模型进行训练，得到第一层预测结果。
第二层注意力机制：利用离散小波分解将原始序列分解成不同频率的子序列，接着根据各子序列输入特征与目标站点子序列之间的相关程度强弱，基于注意力机制对各层输入特征子序列分配不同的权重，输入门控神经单元神经网络模型进行训练，得到第二层预测结果。
第三层注意力机制：根据超前或延迟后输入特征与目标站点风电序列之间的相关程度强弱，基于注意力机制对超前或延迟数据分配不同的权重，输入门控神经单元神经网络模型进行训练，得到第三层预测结果。
在本实施例中，通过这三层注意力机制的堆叠，GRU模型能够更加细致地分析和处理风电序列数据，从而实现较为精确的预测。这种方法在处理时间序列数据和复杂的非线性关系时具有显著的优势，对于提高风电功率预测的可靠性具有重要意义。
此外，在其他示例中，可以在模型中加入更多层的注意力机制，以实现更复杂的数据处理和特征关注。例如，除了上述提到的一层、两层和三层注意力机制外，还可以包括以下几种扩展：
多层注意力机制的嵌套：可以在每一层的注意力机制之后再引入注意力机制，形成一个多层的注意力网络。每一层的输出可以作为下一层的输入，这样可以使模型在不同的抽象层次上学习到更加丰富的特征表示。
注意力机制与其他模型的结合：可以将注意力机制与卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）等其他模型结构结合使用。例如，使用注意力机制来增强CNN在时序数据上的处理能力，或者结合LSTM的长期记忆能力来捕捉时间序列中的长期依赖关系。
自适应注意力机制：可以设计自适应的注意力机制，根据模型的学习进度或者当前的预测任务动态调整注意力权重。例如，模型在初期可能更需要关注一些基础特征，而在学习后期则可能需要更多地关注更高层次的抽象特征。
注意力机制的集成学习：可以通过集成学习的方式，将多个具有不同注意力机制的模型组合在一起，以实现更好的性能。每个模型可以专注于不同的特征或者数据模式，通过集成得到一个更加鲁棒的预测结果。
然而，需要注意的是，虽然增加注意力层的数量可能会提高模型的表达能力，但同时也会增加模型的复杂性和训练成本。因此，在实际应用中，需要权衡模型的性能和计算资源的需求，选择最优的注意力机制层数。
在步骤S1在选择N个相邻站点在预定时间段内的风电功率历史数据的步骤之后，
还包括对数据进行预处理：对所有站点的风电功率历史数据进行可视化处理，检查是否存
在异常数据并进行数据清洗；其中，N个站点的风电功率历史数据为：。
具体的，所述异常数据包括缺失值、重复值或离群值中的一种或多种；可视化处理包括：散点图、直方图、趋势图或概率密度分布图中的一种或多种方式；所述数据清洗包括：删除重复数据、箱型图检测异常数据、随机森林回归填补缺失数据或日期格式转换中的一种或多种方式。
具体的，在步骤S2中，利用预处理后的数据，计算N个站点互相之间的皮尔逊相关
系数，选择站点N的风电历史数据作为预测目标，其余站点的风电历史数据作为输入特征，
从而构建初始目标矩阵，其中：；
式中，“|”前为输入特征，“|”后为预测目标，为N个站点的风电功率
历史数据。
需要说明的是：皮尔逊相关系数是一种线性相关系数，记为r，可以用来反应两个变量X和Y的线性相关程度，在本实施例中，r值介于-1到1之间，绝对值越大表明相关性越强，r值的选取可以根据实际情况进行调整。
在步骤S2中，利用小波分解预处理后的数据，用不同频率的滤波器分解不同频率
的信号，将各站点数据分解成P层不同频率的子序列之后，计算各站点相
同频率子序列之间的皮尔逊相关系数，第p层的子序列矩阵为。
具体的，；
式中，“|”前为输入特征，“|”后为预测目标，为表示第i个站点的小波分解第p
层子序列数据。
在步骤S2中，针对预处理后的数据，保持预测目标站点数据不变，将其他站点超前
或延迟T 个步长，“+”表示超前，“-”表示延迟，再分别计算其余站点与
目标站点超前或延迟T个步长的皮尔逊系数，选择与站点N皮尔逊相关系数最大的超前或延
迟数据作为输入特征，构建时间矩阵为。
具体的，；
式中，“|”前为输入特征，“|”后为预测目标；T1表示超前或延迟T1个步长后，站点1与站点N的皮尔逊相关系数最大；T2表示超前或延迟T2个步长后，站点2与站点N的皮尔逊相关系数最大；以此类推，TN-1表示超前或延迟TN-1个步长后，站点N-1与站点N的皮尔逊相关系数最大。
在步骤S3中，所述标准化操作后得到：；
其中，为站点i标准化后的数据，为站点i的原始数据，为站点i原始数
据的均值，为站点i原始数据的标准差。
原始数据标准化后目标矩阵为；第p层子序列
标准化后目标矩阵为；输入特征超前或延迟T步标准化后
目标矩阵为；
式中，为标准化后第i个站点的风电数据，为标准化后第i个站点的小波
分解第p层子序列数据，为标准化后第i个站点超前或延迟时间Ti个步长的风电数据。
进一步的，在步骤S4中，将标准化后的各输入特征子序列与目标站点子序列之间的相关程度强弱，基于注意力机制对各层输入特征分配不同的权重，输入GRU模型进行训练，得到第一预测结果y1、第二预测结果y2以及第三预测结果y3。
在本实施例中，优选的，采用门控神经单元 (GRU) 神经网络模型对数据进行训练，GRU是循环神经网络 (RNN) 的变体，可以有效解决当时间步数较大或者时间步较小时，RNN出现梯度衰减或梯度爆炸的问题，且与长短期记忆网络 (LSTM) 相比，GRU的内部网络架构更加简单、计算代价更小。
进一步的，在步骤S5中，以第一预测结果、第二预测结果以及第三预测结果作为输
入特征，再次输入GRU模型进行训练，得到站点N的最终预测结果，；
式中，“|”前为输入特征，“|”后为预测目标，y1为第一预测结果、y2为第二预测结
果，y3为第三预测结果，为站点N标准化后的数据。
进一步的，将反标准化后得到目标站点的最终预测结果y。
具体的，在步骤S5中，利用构建的第一层注意力机制，挖掘各站点原始序列之间的时空相关性，根据标准化后的各输入特征与目标站点风电序列之间的相关程度强弱，基于注意力机制对输入特征分配不同的权重，输入GRU模型进行训练，得到预测结果y1。
进一步的，在步骤S5中，利用搭建的第二层注意力机制，挖掘各站点不同频率子序列之间的时空相关性，根据各输入特征子序列与目标站点子序列之间的相关程度强弱，基于注意力机制对标准化后的各层输入特征子序列分配不同的权重，输入GRU模型进行训练，得到预测结果y2。
进一步的，在步骤S5中，利用搭建的第三层注意力机制，挖掘时间超前或延迟后各站点序列之间的时空相关性，根据标准化后的超前或延迟后输入特征与目标站点风电序列之间的相关程度强弱，基于注意力机制对超前或延迟数据分配不同的权重，输入GRU模型进行训练，得到预测结果y3。
其中，利用注意力机制计算每个输入特征的注意力权重，这个权重可以根据输入数据的不同部分进行加权，即对不同部分赋予不同的权重，使模型更加关注风电序列中的关键信息，忽略或减小次要信息，从而提高风电功率预测的精度和效率。
进一步的，请参考图3，图3为本实施例中基于图2的又一具体的示例，步骤S01-S11的步骤是附图1中步骤S1-S5的具体阐述。
本发明通过三层注意力机制的引入使得模型能够更加精细地捕捉到风电功率序列中的复杂依赖关系，包括时间上的延迟效应和空间上的相邻站点关系；通过为不同的输入特征分配不同的权重，模型能够更好地利用有用的信息，从而提高预测的准确性；皮尔逊相关系数的应用有助于模型识别并利用相邻站点之间的相关性，这意味着模型不仅依赖于单个站点的信息，还能够利用区域内多个站点的协同作用。这种方法有助于模型在面对噪声数据或异常值时展现出更好的鲁棒性；风电功率预测对于电力系统的调度和运行至关重要，特别是在大规模风电并网的情况下，本方案通过提高预测准确性，进一步有助于电力系统运营商更有效地规划和管理风电资源，减少因风电波动带来的负面影响，从而促进大规模风电的消纳，准确的预测还可以减少因风电功率波动导致的备用能源的增加，从而降低电网的运维成本，提高决策效率。
综上，本发明通过结合三层注意力机制和皮尔逊相关系数，不仅提高了风电功率预测的准确性，还有助于降低运维成本、提高决策效率和增强数据利用效率，对于推动风电能源的发展和消纳具有重要的实际意义。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于时空相关性挖掘的风电功率预测方法，其特征在于，包括：
选择N个相邻站点在预定时间段内的风电功率历史数据；
根据所有站点风电功率历史数据构建初始目标矩阵、第p层子序列矩阵以及超前或延迟T个步长的时间矩阵/>；
其中，；
式中，“”前为输入特征，“/>”后为预测目标，/>分别为N个站点的风电功率历史数据；
；
式中，“”前为输入特征，“/>”后为预测目标，/>为表示第i个站点的小波分解第p层子序列数据，p为将各站点数据分解成不同频率的子序列的层数；
；
式中，“”前为输入特征，“/>”后为预测目标，T1表示站点1相对于目标站点超前或延迟T1个步长后，站点1与站点N的皮尔逊相关系数最大；T2表示站点2相对于目标站点超前或延迟T2个步长后，站点2与站点N的皮尔逊相关系数最大；以此类推，TN-1表示站点N-1相对于目标站点超前或延迟TN-1个步长后，站点N-1与站点N的皮尔逊相关系数最大；
对所述初始目标矩阵、第p层子序列矩阵/>以及超前或延迟T个步长的时间矩阵/>分别进行标准化操作，得到原始数据标准化后目标矩阵/>，第p层子序列标准化后目标矩阵/>以及输入特征超前或延迟T步标准化后目标矩阵/>；
构建三层注意力机制，以标准化后的目标矩阵，/>以及/>分别作为第一输入特征、第二输入特征以及第三输入特征，基于三层注意力机制根据所述第一输入特征、第二输入特征以及第三输入特征与目标站点风电序列之间的相关程度的强弱分别对第一输入特征、第二输入特征以及第三输入特征分配不同的权重，并输入GRU模型进行训练，得到第一预测结果、第二预测结果以及第三预测结果；
以所述第一预测结果、第二预测结果以及第三预测结果作为输入特征，再次输入GRU模型进行训练，得到目标站点的最终预测结果。
2.如权利要求1所述的基于时空相关性挖掘的风电功率预测方法，其特征在于，在选择N个相邻站点在预定时间段内的风电功率历史数据的步骤之后，还包括对数据进行预处理：对所有站点的风电功率历史数据进行可视化处理，检查是否存在异常数据并进行数据清洗；
其中，N个站点的风电功率历史数据为：。
3.如权利要求2所述的基于时空相关性挖掘的风电功率预测方法，其特征在于，所述异常数据包括缺失值、重复值或离群值中的一种或多种；
可视化处理包括：散点图、直方图、趋势图或概率密度分布图中的一种或多种方式。
4.如权利要求2所述的基于时空相关性挖掘的风电功率预测方法，其特征在于，所述数据清洗包括：删除重复数据、箱型图检测异常数据、随机森林回归填补缺失数据或日期格式转换中的一种或多种方式。
5.如权利要求2所述的基于时空相关性挖掘的风电功率预测方法，其特征在于，利用预处理后的数据计算N个站点互相之间的皮尔逊相关系数，选择站点N的风电历史数据作为预测目标，其余站点的风电历史数据作为输入特征，从而构建初始目标矩阵。
6.如权利要求5所述的基于时空相关性挖掘的风电功率预测方法，其特征在于，利用小波分解预处理后的数据，用不同频率的滤波器分解不同频率的信号，将各站点数据分解成p层不同频率的子序列之后，计算各站点相同频率子序列之间的皮尔逊相关系数，第p层的子序列矩阵为。
7.如权利要求6所述的基于时空相关性挖掘的风电功率预测方法，其特征在于，针对预处理后的数据，保持预测目标站点数据不变，将其他站点超前或延迟T个步长，再分别计算其余站点与目标站点超前或延迟T个步长的皮尔逊系数，选择与站点N皮尔逊相关系数最大的超前或延迟数据作为输入特征，构建超前或延迟T个步长的时间矩阵为。
8.如权利要求7所述的基于时空相关性挖掘的风电功率预测方法，其特征在于，标准化操作后得到：；
其中，为站点i标准化后的数据，/>为站点i的原始数据，/>为站点i原始数据的均值，/>为站点i原始数据的标准差；
原始数据标准化后目标矩阵为；第p层子序列标准化后目标矩阵为/>；输入特征超前或延迟T步标准化后目标矩阵为/>；
式中，为标准化后第i个站点的风电数据，/>为标准化后第i个站点的小波分解第p层子序列数据，/>为标准化后第i个站点超前或延迟时间Ti个步长的风电数据。
9.如权利要求1所述的基于时空相关性挖掘的风电功率预测方法，其特征在于，以第一预测结果、第二预测结果以及第三预测结果作为输入特征，输入GRU模型进行训练，得到站点N的最终预测结果为；
；
式中，“”前为输入特征，“/>”后为预测目标，y1为第一预测结果、y2为第二预测结果，y3为第三预测结果，/>为站点N标准化后的数据；
将反标准化后得到目标站点的最终预测结果y。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410195166.7A CN117763314B (zh) | 2024-02-22 | 2024-02-22 | 一种基于时空相关性挖掘的风电功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410195166.7A CN117763314B (zh) | 2024-02-22 | 2024-02-22 | 一种基于时空相关性挖掘的风电功率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117763314A CN117763314A (zh) | 2024-03-26 |
| CN117763314B true CN117763314B (zh) | 2024-05-17 |
Family
ID=90316834
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410195166.7A Active CN117763314B (zh) | 2024-02-22 | 2024-02-22 | 一种基于时空相关性挖掘的风电功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117763314B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113962489A (zh) * | 2021-11-27 | 2022-01-21 | 北京工业大学 | 一种基于st-ccn-pm2.5的pm2.5浓度细粒度预测方法 |
| WO2022033258A1 (zh) * | 2020-08-14 | 2022-02-17 | 中国科学院分子细胞科学卓越创新中心 | 基于自动储层神经网络的多步预测未来风速的方法和系统 |
| KR20220079476A (ko) * | 2020-12-04 | 2022-06-13 | 광주과학기술원 | 전력소모예측시스템 및 방법 |
| CN116451873A (zh) * | 2023-06-12 | 2023-07-18 | 中国科学技术大学 | 基于多尺度双时空网络区域风力发电功率预测方法及系统 |
| WO2023134478A1 (zh) * | 2022-01-13 | 2023-07-20 | 广东电网有限责任公司揭阳供电局 | 超短期风电功率预测方法和装置 |
| CN116937579A (zh) * | 2023-09-19 | 2023-10-24 | 太原理工大学 | 一种考虑时空相关性的风电功率区间预测及其可解释方法 |
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 |
-
2024
- 2024-02-22 CN CN202410195166.7A patent/CN117763314B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022033258A1 (zh) * | 2020-08-14 | 2022-02-17 | 中国科学院分子细胞科学卓越创新中心 | 基于自动储层神经网络的多步预测未来风速的方法和系统 |
| KR20220079476A (ko) * | 2020-12-04 | 2022-06-13 | 광주과학기술원 | 전력소모예측시스템 및 방법 |
| CN113962489A (zh) * | 2021-11-27 | 2022-01-21 | 北京工业大学 | 一种基于st-ccn-pm2.5的pm2.5浓度细粒度预测方法 |
| WO2023134478A1 (zh) * | 2022-01-13 | 2023-07-20 | 广东电网有限责任公司揭阳供电局 | 超短期风电功率预测方法和装置 |
| CN116451873A (zh) * | 2023-06-12 | 2023-07-18 | 中国科学技术大学 | 基于多尺度双时空网络区域风力发电功率预测方法及系统 |
| CN116937579A (zh) * | 2023-09-19 | 2023-10-24 | 太原理工大学 | 一种考虑时空相关性的风电功率区间预测及其可解释方法 |
Non-Patent Citations (2)
| Title |
|---|
| Short-term regional wind power forecasting based on spatial–temporal correlation and dynamic clustering model;Ming Pei 等;Energy Reports;20220831;10786–10802 * |
| 基于Attention-BiLSTM 混合模型的月尺度降水量预测;成玉祥 等;：https://link.cnki.net/urlid/44.1037.TV.20240131.1457.002;20240201;1-14 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117763314A (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Han et al. | Multi‐step wind power forecast based on VMD‐LSTM | |
| CN107730044A (zh) | 一种可再生能源发电和负荷的混合预测方法 | |
| Liu et al. | Short-term load forecasting of multi-energy in integrated energy system based on multivariate phase space reconstruction and support vector regression mode | |
| CN113344192B (zh) | 企业级电机系统节能优化自动控制方法及系统 | |
| Wang et al. | An improved Wavenet network for multi-step-ahead wind energy forecasting | |
| Abedinia et al. | A multi-level model for hybrid short term wind forecasting based on SVM, wavelet transform and feature selection | |
| Liu et al. | Super multi-step wind speed forecasting system with training set extension and horizontal–vertical integration neural network | |
| Shabbir et al. | Short-term wind energy forecasting using deep learning-based predictive analytics | |
| Nejati et al. | A new multi-resolution closed-loop wind power forecasting method | |
| CN117763314B (zh) | 一种基于时空相关性挖掘的风电功率预测方法 | |
| CN117200190A (zh) | 一种电力物联网电力负荷预测方法 | |
| CN107563573B (zh) | 一种基于自适应学习混合模型的太阳能发电量的预测方法 | |
| CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
| Gong et al. | Improving short-term offshore wind speed forecast accuracy using a VMD-PE-FCGRU hybrid model | |
| Zhang et al. | A Novel Combined Model Based on Hybrid Data Decomposition, MSWOA and ENN for Short-Term Wind Speed Forecasting | |
| Dokur et al. | An integrated methodology for significant wave height forecasting based on multi‐strategy random weighted grey wolf optimizer with swarm intelligence | |
| CN114386666A (zh) | 一种基于时空相关性的风电场短期风速预测方法 | |
| Zhou et al. | Sustainable operation and maintenance of offshore wind farms based on the deep wind forecasting | |
| Aksan et al. | Multivariate Multi-step Forecasting for Cable Pooling Applications | |
| CN112036649B (zh) | 基于多核并行的径流概率密度预测的水电站风险评估方法 | |
| Liu | Research on machine learning-based solar energy production prediction | |
| CN116128130B (zh) | 一种基于图神经网络的短期风能数据预测方法及装置 | |
| CN116822370B (zh) | 数据驱动下风电集群超短期出力预测方法 | |
| Zhang et al. | Short term water level prediction based on C-Stacking ensemble model | |
| Gao et al. | Hybrid Solar and Wind Power Prediction Based on Optimal Decomposition and WOA Optimization BiLSTM |
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 |