CN117764213A - 一种图卷积网络Informer平行模型的风电功率及其概率预测方法 - Google Patents

Abstract

本发明提出一种图卷积网络Informer平行模型的风电功率及其概率预测方法，该图卷积网络Informer平行模型方法在将风电场原始数据用于训练Informer网络模型、UNet网络模型和FastGCN后，通过UNet网络预测风电机组参数，将风电场各项数据和UNet网络输出的风电机组参数归一化处理并合并排列为图片，输入FastGCN得到预测风电功率，将历史风电功率进行一次积分运算和连续三次微分运算，将历史风电功率数据、积分运算得到的数据和每次微分运算得到的数据输入Informer网络模型，得到预测的风电功率的概率，所提图卷积网络Informer平行模型的风电功率及其概率预测方法能解决风电出力预测准确度较低的问题，实现对预测功率的概率预测的功能，提高风电出力预测的准确度。

Description

一种图卷积网络Informer平行模型的风电功率及其概率预测 方法

技术领域

本发明属于新能源、图像识别、机器学习、卷积神经网络、人工智能和电力系统领域，涉及图卷积神经网络方法，适用于风电场风电功率及其概率预测。

背景技术

现有用于风电功率预测的物理方法，存在对系统误差敏感、计算过程复杂和计算准确度低的问题，不能满足风电功率预测需求的问题。

另外，现有用于风电功率预测的神经网络方法，存在结构单一、应对不同环境条件的能力较差、不具有通用性、预测准确度低和不能对风电功率的概率进行预测的问题。

因此，提出一种图卷积网络Informer平行模型的风电功率及其概率预测方法，来解决风电功率预测对系统误差敏感、计算过程复杂、准确度低、模型不具有通用性和不能对风电功率的概率进行预测的问题。

发明内容

一种图卷积网络Informer平行模型的风电功率及其概率预测方法，各项数据通过Unet网络进行处理，将数据合并排列为图片后输入FastGCN得到风电功率的预测值。将历史风电出力数据进行微分和积分处理，输入Informer网络模型得到预测的风电功率的概率。综合运用多种模型，具有精准预测风电功率及其概率的效果。有利于电网根据预测结果，及时调用备用发电机组发电上网，平抑风电波动性对电网的冲击，保证电网平稳运行，在使用过程中的步骤为：

步骤(1)：对风电场温度、风速、风向、湿度、气压、空气密度、降水量、空气质量和历史风电功率数据进行连续7天采样，每次采样间隔15分钟，共采集7×24×4组数据；

步骤(2)：将获取的数据中的温度、风速、风向、湿度、气压、空气密度、降水量、空气质量和历史风电功率数据通过Sigmoid函数进行归一化处理，归一化后的数据S_n为：

其中，x_n为温度、风速、风向、湿度、气压、空气密度、降水量、空气质量和历史风电功率数据，e表示自然常数；

步骤(3)：将归一化处理后的风速、风向和历史风电功率输入到UNet网络中，通过池化、反卷积、跳跃连接和特征融合操作得到预测1天中每15分钟1组的发电机组状态参数y_n，发电机组状态参数y_n包含发电机转速、风轮转速、齿轮箱油温、主轴的叶轮侧轴承温度和发电机绕组温度，共24×4组数据；

步骤(4)：将步骤(3)得到的数据通过Sigmoid函数进行归一化处理，归一化后的数据M_n为：

其中，y_n为步骤(3)预测得到的发电机组状态参数；

步骤(5)：将步骤(2)与步骤(4)获得的数据合并为集合K，k_n表示集合K中的第n个元素，对K中的元素进行归一化处理得到集合K′，处理后集合K′中的元素k′_n为：

k′_n＝k_n×255 (3)

其中，k_n表示集合K中的第n个元素，k′_n表示集合K′中的第n个元素；

对k′_n向下取整，使集合K′中所有元素均为0-255的整数；

步骤(6)：只保留集合K′中前6348个元素，将这些元素排列为46×46大小的矩阵A₁、A₂、A₃，排列后矩阵A₁为：

其中，k′₁为集合K′中的第1个元素，k′₄₆为集合K′中的第46个元素，k′₂₀₇₁为集合K′中的第2071个元素，k′₂₁₁₆为集合K′中的第2116个元素；

排列后矩阵A₂为：

其中，k′₂₁₁₇为集合K′中的第2117个元素，k′₁₁₆₂为集合K′中的第2162个元素，k′₄₁₈₇为集合K′中的第4187个元素，k′₄₂₃₂为集合K′中的第4232个元素；

排列后矩阵A₃为：

其中，k′₄₂₃₃为集合K′中的第4233个元素，k′₄₂₇₈为集合K′中的第4278个元素，k′₆₃₀₃为集合K′中的第6303个元素，k′₆₂₄₈为集合K′中的第6348个元素；

步骤(7)：将矩阵A₁、A₂和A₃相同位置的值分别作为图片在该像素点位置的红色、绿色和蓝色的值，生成大小为46×46的红绿蓝三色RGB图片；

步骤(8)：将步骤(7)所得的红绿蓝三色RGB图片输入FastGCN，卷积层中卷积核进行卷积操作，提取图像中的特征信息，将得到的数据输入激活层，通过激活函数进行非线性变换，池化层对特征图进行降采样，重复5次卷积层、激活层和池化层的操作，提取充足的特征信息，将特征信息输入全连接层中分类，得到预测的风电功率；

步骤(9)：将历史风电功率数据进行积分运算，历史风电功率数据经积分运算得到的数据W为：

其中，t为时间，t₀为t的最大值，Q(t)为历史风电功率数据；

步骤(10)：将历史风电功率数据进行微分运算，历史风电功率数据经微分运算得到的数据Q′(t)为：

其中，Q(t)为历史风电功率数据；

步骤(11)：将步骤(10)得到的数据Q′(t)进行微分运算，Q′(t)经微分运算得到的数据Q″(t)为：

其中，Q′(t)为历史风电功率数据Q(t)经过1次微分运算后得到的数据；

步骤(12)：将步骤(11)得到的数据Q″(t)进行微分运算，Q″(t)经微分运算得到的数据Q″′(t)为：

其中，Q″(t)为Q′(t)经过2次微分运算后得到的数据；

步骤(13)：将历史风电功率数据Q(t)及其积分得到的数据W和每次微分得到的数据Q′(t)、Q″(t)和Q″′(t)以长序列的形式输入Informer网络模型，长序列经过预处理转化为特征向量后，输入Informer网络模型的编码器，通过Transformer模型的编码方式进行位置编码，将序列的时间嵌入特征向量，第2i个向量的编码结果PE(pos,2i)为：

其中，sin()为正弦函数，d_model为输入的特征维度，pos为编码值在整个序列中的位置，2i为编码值的序号；

第2i+1个向量编码的结果PE(pos,2i+1)为：

其中，cos()为余弦函数，2i+1为编码值的序号，2i为编码值序号减1得到的值；

拼接特征向量得到输入序列的特征矩阵Y，特征矩阵Y的大小为l×d，其中l为序列长度，d为单个样本的维度；

查询向量Q为：

Q＝YW^Q (13)

其中，Y为输入序列的特征矩阵，W^Q为Informer网络模型经训练得到的矩阵；

键向量K为：

K＝YW^K (14)

其中，W^K为Informer网络模型经训练得到的矩阵；

值向量V为：

V＝YW^V (15)

其中，W^V为Informer网络模型经训练得到的矩阵；

Softmax()激活函数为：

其中，z为输入Softmax()激活函数的向量，q表示向量z的第q行，z_q为向量z在第q行的数据，∑_wz_q表示对向量z的所有元素求和；

将查询向量Q、键向量K和值向量V输入ProbSparse多头自注意力模块得到特征表示的结果A(Q,K,V)为：

其中，Softmax()为激活函数，K^T表示K向量的转置，d为单个样本的维度；

ELU()激活函数为：

其中，c为输入ELU()激活函数的数据；

将长序列输入编码器提取长序列的长期相关性特征，提取操作将第t时刻输入的长序列数据变换为矩阵将矩阵/>输入ProbSparse多头自注意力蒸馏模块进行蒸馏操作，从第j层到第j+1层蒸馏的结果/>为：

其中，为ProbSparse多头自注意力蒸馏模块对/>的预处理操作，MaxPool()为池化操作函数，ELU()为激活函数，/>表示对/>在时间维度上进行核宽度为3的一维卷积滤波操作；

将ProbSparse多头自注意力模块输出的结果与ProbSparse多头自注意力蒸馏模块输出的结果连接为特征图传入解码器，解码器通过多头注意力机制与编码特征进行交互，最后一次性直接预测输出目标部分至完全连接层，完全连接层预测出概率为95％的风电功率的功率曲线；

步骤(14)：采用步骤(1)到步骤(13)的步骤构建另外一个参数和模型都相同的平行模型，采用这个平行模型预测出概率为98％的风电功率的功率曲线；

步骤(15)：采用步骤(1)到步骤(13)的步骤构建另外一个参数和模型都相同的平行模型，采用这个平行模型预测出概率为90％的风电功率的功率曲线。

本发明相对于现有技术具有如下的优点及效果：

(1)现有用于风电功率预测的物理方法对系统误差敏感、计算过程复杂、计算准确率低，而本发明能通过UNet网络模型和FastGCN进行风电功率预测解决这些缺点，达到减弱系统误差对预测结果的影响、简化预测过程、提高预测准确度的效果。

(2)现有风电功率预测的神经网络存在结构单一、应对不同环境条件的能力较差、预测准确度低、不具有通用性的问题，而本发明能通过综合利用多种神经网络，达到能够适应各种风电场环境，提高风电功率预测准确度的效果。

(3)现有风电功率预测的神经网络不具有风电功率的概率预测的功能，而本发明能通过Informer网络模型对风电功率预测的概率进行预测，实现输出不同概率的风电功率预测数据的功能。

附图说明

图1是本发明方法的整体框架图。

图2是本发明方法的UNet网络模型流程图。

图3是本发明方法的FastGCN模型流程图。

图4是本发明方法的Informer网络模型流程图。

具体实施方式

本发明提出的一种图卷积网络Informer平行模型的风电功率及其概率预测方法，结合附图详细说明如下：

图1是本发明方法的整体框架图。首先，将原始数据中的风速、风向和历史风电功率数据输入UNet网络中得到风电机组的状态参数，归一化处理后与经过归一化处理的原始数据合并，排列为图片。然后，将图片输入FastGCN得到预测风电功率，然后，将原始数据中的历史风电功率数据进行一次积分运算，将原始数据中的历史风电功率数据进行连续三次微分运算，将历史风电功率数据、每次微分运算得到的数据和积分运算的数据以长序列形式输入Informer网络模型。最后，Informer网络模型输出预测的风电功率的概率。

图2是本发明方法的UNet网络模型流程图。首先，将输入数据进行归一化处理，将数据转换为红绿蓝三色RGB图片后进行连续4次池化操作，得到4张特征图片，然后对第4次池化操作得到的特征图片进行反卷积，将得到的特征图片与第3次池化操作得到的特征图片跳跃连接，特征融合，将得到的图片进行反卷积，将得到的特征图片与第2次池化操作得到的特征图片跳跃连接，特征融合，将得到的图片进行反卷积，将得到的特征图片与第1次池化操作得到的特征图片跳跃连接，特征融合，将得到的图片进行反卷积，与初始图片跳跃连接，特征融合。最后，将得到的图片转化成数据输出。

图3是本发明方法的FastGCN模型流程图。首先，将输入图片输入卷积层处理。然后，将得到的数据通过ReLu函数激活，然后将结果输入池化层，重复5次上述操作。最后，输出预测数据。

图4是本发明方法的Informer网络模型流程图。首先，将长序列输入数据进行预处理。然后，将处理过后的数据输入编码器，通过ProbSparse多头自注意力模块和ProbSparse多头自注意力蒸馏模块对数据进行特征表示，连接特征图后将长序列输入数据和特征图输入解码器的多头注意力模块，将解码器输出的数据输入全连接层分类。最后，全连接层输出预测值。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (1)

1.一种图卷积网络Informer平行模型的风电功率及其概率预测方法，其特征在于，采用UNet网络对风速、风向和历史风电功率数据进行处理，将UNet网络输出的发电机转速、风轮转速、齿轮箱油温、主轴的叶轮侧轴承温度和发电机绕组温度预测值合并排列为图片后输入FastGCN得到风电功率的预测值；将历史风电出力数据进行微分和积分处理，输入Informer网络模型得到预测的风电功率的概率；综合运用Informer网络模型、UNet网络模型和FastGCN，具有精准预测风电功率及其概率的效果；在使用过程中的步骤为：

步骤(1)：对风电场温度、风速、风向、湿度、气压、空气密度、降水量、空气质量和历史风电功率数据进行连续7天采样，每次采样间隔15分钟，共采集7×24×4组数据；

步骤(2)：将获取的数据中的温度、风速、风向、湿度、气压、空气密度、降水量、空气质量和历史风电功率数据通过Sigmoid函数进行归一化处理，归一化后的数据S_n为：

其中，x_n为温度、风速、风向、湿度、气压、空气密度、降水量、空气质量和历史风电功率数据，e表示自然常数；

步骤(3)：将归一化处理后的风速、风向和历史风电功率输入到UNet网络中，通过池化、反卷积、跳跃连接和特征融合操作得到预测1天中每15分钟1组的发电机组状态参数y_n，发电机组状态参数y_n包含发电机转速、风轮转速、齿轮箱油温、主轴的叶轮侧轴承温度和发电机绕组温度，共24×4组数据；

步骤(4)：将步骤(3)得到的数据通过Sigmoid函数进行归一化处理，归一化后的数据M_n为：

其中，y_n为步骤(3)预测得到的发电机组状态参数；

步骤(5)：将步骤(2)与步骤(4)获得的数据合并为集合K，k_n表示集合K中的第n个元素，对K中的元素进行归一化处理得到集合K′，处理后集合K′中的元素k′_n为：

k′_n＝k_n×255 (3)

其中，k_n表示集合K中的第n个元素，k′_n表示集合K′中的第n个元素；

对k′_n向下取整，使集合K′中所有元素均为0-255的整数；

步骤(6)：只保留集合K′中前6348个元素，将这些元素排列为46×46大小的矩阵A₁、A₂、A₃，排列后矩阵A₁为：

其中，k′₁为集合K′中的第1个元素，k′₄₆为集合K′中的第46个元素，k′₂₀₇₁为集合K′中的第2071个元素，k′₂₁₁₆为集合K′中的第2116个元素；

排列后矩阵A₂为：

其中，k′₂₁₁₇为集合K′中的第2117个元素，k′₂₁₆₂为集合K′中的第2162个元素，k′₄₁₈₇为集合K′中的第4187个元素，k′₄₂₃₂为集合K′中的第4232个元素；

排列后矩阵A₃为：

其中，k′₄₂₃₃为集合K′中的第4233个元素，k′₄₂₇₈为集合K′中的第4278个元素，k′₆₃₀₃为集合K′中的第6303个元素，k′₆₂₄₈为集合K′中的第6348个元素；

步骤(7)：将矩阵A₁、A₂和A₃相同位置的值分别作为图片在该像素点位置的红色、绿色和蓝色的值，生成大小为46×46的红绿蓝三色RGB图片；

步骤(8)：将步骤(7)所得的红绿蓝三色RGB图片输入FastGCN，卷积层中卷积核进行卷积操作，提取图像中的特征信息，将得到的数据输入激活层，通过激活函数进行非线性变换，池化层对特征图进行降采样，重复5次卷积层、激活层和池化层的操作，提取充足的特征信息，将特征信息输入全连接层中分类，得到预测的风电功率；

步骤(9)：将历史风电功率数据进行积分运算，历史风电功率数据经积分运算得到的数据W为：

其中，t为时间，t₀为t的最大值，Q(t)为历史风电功率数据；

步骤(10)：将历史风电功率数据进行微分运算，历史风电功率数据经微分运算得到的数据Q′(t)为：

其中，Q(t)为历史风电功率数据；

步骤(11)：将步骤(10)得到的数据Q′(t)进行微分运算，Q′(t)经微分运算得到的数据Q″(t)为：

其中，Q′(t)为历史风电功率数据Q(t)经过1次微分运算后得到的数据；

步骤(12)：将步骤(11)得到的数据Q″(t)进行微分运算，Q″(t)经微分运算得到的数据Q″′(t)为：

其中，Q″(t)为Q′(t)经过2次微分运算后得到的数据；

步骤(13)：将历史风电功率数据Q(t)及其积分得到的数据W和每次微分得到的数据Q′(t)、Q″(t)和Q″′(t)以长序列的形式输入Informer网络模型，长序列经过预处理转化为特征向量后，输入Informer网络模型的编码器，通过Transformer模型的编码方式进行位置编码，将序列的时间嵌入特征向量，第2i个向量的编码结果PE(pos，2i)为：

其中，sin()为正弦函数，d_model为输入的特征维度，pos为编码值在整个序列中的位置，2i为编码值的序号；

第2i+1个向量编码的结果PE(pos，2i+1)为：

其中，cos()为余弦函数，2i+1为编码值的序号，2i为编码值序号减l得到的值；

拼接特征向量得到输入序列的特征矩阵Y，特征矩阵Y的大小为l×d，其中l为序列长度，d为单个样本的维度；

查询向量Q为：

Q＝YW^Q (13)

其中，Y为输入序列的特征矩阵，W^Q为Informer网络模型经训练得到的矩阵；

键向量K为：

K＝YW^K (14)

其中，W^K为Informer网络模型经训练得到的矩阵；

值向量V为：

V＝YW^V (15)

其中，W^V为Informer网络模型经训练得到的矩阵；

Softmax()激活函数为：

其中，z为输入Softmax()激活函数的向量，q表示向量z的第q行，z_q为向量z在第q行的数据，∑_qz_q表示对向量z的所有元素求和；

将查询向量Q、键向量K和值向量V输入ProbSparse多头自注意力模块得到特征表示的结果A(Q，K，V)为：

其中，Softmax()为激活函数，K^T表示K向量的转置，d为单个样本的维度；

ELU()激活函数为：

其中，c为输入ELU()激活函数的数据；

将长序列输入编码器提取长序列的长期相关性特征，提取操作将第t时刻输入的长序列数据变换为矩阵将矩阵/>输入ProbSparse多头自注意力蒸馏模块进行蒸馏操作，从第j层到第j+1层蒸馏的结果/>为：

其中，为ProbSparse多头自注意力蒸馏模块对/>的预处理操作，MaxPool()为池化操作函数，ELU()为激活函数，/>表示对/>在时间维度上进行核宽度为3的一维卷积滤波操作；

将ProbSparse多头自注意力模块输出的结果与ProbSparse多头自注意力蒸馏模块输出的结果连接为特征图传入解码器，解码器通过多头注意力机制与编码特征进行交互，最后一次性直接预测输出目标部分至完全连接层，完全连接层预测出概率为95％的风电功率的功率曲线；

步骤(14)：采用步骤(1)到步骤(13)的步骤构建另外一个参数和模型都相同的平行模型，采用这个平行模型预测出概率为98％的风电功率的功率曲线；

步骤(15)：采用步骤(1)到步骤(13)的步骤构建另外一个参数和模型都相同的平行模型，采用这个平行模型预测出概率为90％的风电功率的功率曲线。