一种基于图像生成的风电功率预测方法与系统

技术领域

本发明涉及风电领域，具体涉及一种基于图像生成的风电功率预测方法与系统。

背景技术

能源作为人类社会发展的重要助力，在带来丰富的物质生活和享受的同时，给地球带来了严重的环境污染问题。传统化石能源的使用会产生二氧化碳、硫氧化物等温室气体和汞类有毒重金属颗粒。化石能源还面临着资源枯竭的威胁。因此，可再生清洁能源已成为国内外研究的重点。风能具有储量大、分布广、污染小、技术成熟等特点，受到电力系统广泛青睐。但其受风速影响，具有天然的随机性和间歇性，不稳定且难控制。尤其是极端天气下的风电爬坡事件对电网的安全稳定运行提出了挑战。风电爬坡事件是指因气候变化而导致的风电场输出功率短时间内的大幅波动，可能引起系统频率的大幅波动，甚至造成严重的停电事故。因此，提高风电爬坡功率的预测精度，对风电渗透率不断攀升的电力系统安全稳定运行具有重要意义。

风电爬坡预测可分为直接预测和间接预测两类。直接预测是指由历史爬坡数据训练得到识别机制，进而直接对爬坡功率的特征进行预测。间接预测是指在风电功率预测方法的基础上利用爬坡定义进行检测识别。在现有文献中，有采用WPPT模型，提前作出分析预测结论。利用均方根误差实现对评估准确性的定量分析。亦有文献提取爬坡功率的时间序列和事件特征值，使用支持向量机模型预测算法效果较好。还有文献提出了产生短期爬坡速度的预测工具，分别计算不同时间尺度的爬坡速度，进而产生70％-90％的置信区间的预测值。这些预测方法直观、准确度高，但都需要大量的历史数据进行模型训练。但风电爬坡事件属于小概率事件，在短期时间内，历史数据不足，而采用长期的数据进行统计又容易收到外界变化因素的影响，因此制约了该类方法的发展。

发明内容

基于上述问题，本发明提出利用生成对抗网络，来对风电爬坡数据进行扩充，一种基于图像生成的风电功率预测方法，包括步骤：

S1：根据历史风电爬坡图像组进行归一化处理，并根据爬坡特性提取归一化后的图像特征集；

S2：根据图像特征集中任一图像特征的组合与历史风电爬坡图像的结合，通过生成对抗网络生成模拟风电爬坡图像；

S3：通过生成对抗网络对历史风电爬坡图像和模拟风电爬坡图像在总损失约束下进行判别训练，并获取风电爬坡训练框架；

S4：通过风电爬坡训练框架获取风电爬坡训练图像组；

S5：将历史风电爬坡图像组和风电爬坡训练图像组带入卷积神经网络模型，利用功率预测算法获取风电功率预测数据。

进一步地，所述步骤S3中，在生成对抗网络逐次区分模拟风电爬坡图像与历史风电爬坡图像并对参数进行修正的情况下，若无法区分模拟风电爬坡图像与历史风电爬坡图像，则当前训练结果即为风电爬坡训练框架。

进一步地，所述总损失包括生成器G的内容损失，以及生成对抗网络中生成器G和判别器D的对抗损失，其中内容损失可表达为第一公式：

L

式中，x为历史风电爬坡图像，y

进一步地，所述对抗损失可表达为第二公式：

式中，x为在图像特征值y

进一步地，所述总损失可表达为第三公式：

式中，TV(G)为模拟风电爬坡图像和历史风电爬坡图像的总体变化率，α、β、γ为各项损失的占比权重，L

进一步地，所述步骤S1前还包括步骤：

S0：获取历史风电爬坡图像组并进行预处理。

进一步地，所述图像特征集中还包括根据历史风电爬坡图像组，提取其对应时间点气象数据的相关性特征。

本发明还提出了一种基于图像生成的风电功率预测系统，包括：

特征提取模块，用于归一化历史风电爬坡图像组，并根据爬坡特性提取归一化后的图像特征集；

生成对抗网络，用于根据图像特征集中任一图像特征的组合与历史风电爬坡图像的结合，生成模拟风电爬坡图像；

生成对抗网络，还用于对历史风电爬坡数据和模拟风电爬坡数据在总损失约束下进行判别训练，并通过训练获得的风电爬坡训练框架获取风电爬坡训练图像组；

卷积神经网络模型，用于根据历史风电爬坡图像组和风电爬坡训练图像组，通过功率预测算法获取风电功率预测数据。

进一步地，在生成对抗网络逐次区分模拟风电爬坡图像与历史风电爬坡图像并对参数进行修正的情况下，若无法区分模拟风电爬坡图像与历史风电爬坡图像，则当前训练结果即为风电爬坡训练框架。

进一步地，所述图像特征集中还包括根据历史风电爬坡图像组，提取其对应时间点气象数据的相关性特征。

与现有技术相比，本发明至少含有以下有益效果：

(1)本发明所述的一种基于图像生成的风电功率预测方法与系统，利用生成对抗网络的生成器生成历史风电爬坡数据+任一图像特征组合的模拟风电爬坡数据，同时，只有在判别器无法区分模拟风电爬坡数据和历史风电爬坡数据时才通过训练后的风电爬坡训练框架获取风电爬坡训练图像组，从而保证风电爬坡训练图像组更加符合真实的风电爬坡数据，可靠性更高；

(2)获得的风电爬坡训练图像组不仅可以用来进行功率预测，还可以作为历史数据一起，对其它功率预测算法的可靠性进行校验；

(3)通过对风电功率爬坡特性进行分析，并结合对应时间点的气象数据确定了爬坡时间的特征值，从而使获得的特征值更加符合实际使用情况。

附图说明

图1为一种基于图像生成的风电功率预测方法与系统的方法步骤图；

图2为一种基于图像生成的风电功率预测方法与系统的系统结构图；

图3为风电爬坡事件功率变化示意图；

图4为数据输入流程图。

具体实施方式

以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

实施例一

风电爬坡是指风电场极端天气的影响下，功率发生短时间迅速变化。其严重威胁了电网的稳定运行和搭建能质量。如图3所示，爬坡事件根据功率变化方向分为上爬坡和下爬坡两类。当出现飓风、阵雨等气候时，风电场的输出功率迅速增加，为上爬坡事件。当出现风机陆退出运行等情况时，风电场的输出功率迅速下降，为下爬坡事件。本文对爬坡事件进行定性和定量分析，总结了常用的预测评价指标，为基于生成对抗网络的风电爬坡功率预测方法的研究奠定了理论基础。如图1所示，本发明提出了一种基于图像生成的风电功率预测方法，包括步骤：

S1：根据历史风电爬坡图像组进行归一化处理，并根据爬坡特性提取归一化后的图像特征集；

S2：根据图像特征集中任一图像特征的组合与历史风电爬坡图像的结合，通过生成对抗网络生成模拟风电爬坡图像；

S3：通过生成对抗网络对历史风电爬坡图像和模拟风电爬坡图像在总损失约束下进行判别训练，并获取风电爬坡训练图像组；

S4：通过风电爬坡训练框架获取风电爬坡训练图像组；

S5：将历史风电爬坡图像组和风电爬坡训练图像组带入卷积神经网络模型，利用功率预测算法获取风电功率预测数据。

为了对风电爬坡时间进行分类以及区别，在步骤开始前，首先要对历史风电爬坡图像组进行预处理，去除冗余信息。而后对历史爬坡图像组进行归一化计算，并对爬坡事件的波动过程进行特征提取，获得图像特征集，如图3所示(横坐标为时间T，纵坐标为功率P)，图3中，ΔP

同时，由于气象条件也会对风电功率的爬坡造成影响，因此本发明图像特征集中还包括T

式中，y代表需要被归一化的原始数据，y

基于上述特征值，可以实现对爬坡事件的定义。不同的特征值，对应着不同的功率爬坡图像。在生产对抗网络中，改变历史图像的特征值，可以用于生成新的模拟爬坡图像，丰富功率预测的样本数据库。

本发明中基于生成对抗网络，包含生成器G和判别器D两个部分，将历史风电爬坡数据输入给生成器，提取图像特征值。通过加入新的特征，在总损失的约束下，生成器生成与历史爬坡图像特征相似的模拟爬坡图像，同时判别器判别爬坡图像为真实的历史数据还是生成器生成的模拟数据。通过生成器和判别器的对抗训练，不断提升模拟爬坡图像的真实性。

需要说明的是，对抗训练是指生成器生成与历史数据特征相似的模拟数据，而判别器则尽力区分历史数据和模拟数据。当生成器生成的模拟数据图像的特征分布和历史数据图像特征分布基本一致，且判别器无法区分，则训练完成。将生成对抗网络的模拟爬坡数据和历史爬坡数据作为卷积神经网络的样本输入，得到风电爬坡功率预测结果。

其中，传统的生成器和判别器之间的损失函数为

其中，x为真实的爬坡数据，服从数据分布p

然而，本发明中，模型的损失除了生成器与对抗期之间的对抗损失外，还包括生成器在图像生成过程中的内容损失，由内容损失和对抗损失共同组成了总损失，其中，本发明中内容损失可由第一公式表示：

L

为了使生成器所生成的生成爬坡事件图像可促进风电功率预测任务，所生成的爬坡图像需在特征信息上与原始爬坡图像保持一致。加入内容损失来保证所生成图像与原始图像在特征上的一致性。第一公式中，x为历史风电爬坡图像，y

而对抗损失则可由第二公式表示：

对抗损失是关于生成对抗网络中生成器G和判别器D的损失函数。生成器G是根据特征值和历史爬坡数据生成模拟爬坡数据。判别器D主要用来区分历史数据和模拟数据。其输入包含真实样本和生成器的虚假样本。生成器与判别器通过对抗训练，不断提升生成器的模拟数据与真实数据的相似度，从而保证爬坡事件数据库的多样性，通过训练后风电爬坡训练框架获得的风电爬坡训练图像组也更加符合真实的风电爬坡数据，可靠性更高。其中，在生成对抗网络逐次区分模拟风电爬坡图像与历史风电爬坡图像并对参数进行修正的情况下，若无法区分模拟风电爬坡图像与历史风电爬坡图像，则当前训练结果即为风电爬坡训练框架。而第二公式中，x为在图像特征值y

将两者相结合，得到总损失，由第三公式表示：

式中，TV(G)为模拟风电爬坡图像和历史风电爬坡图像的总体变化率，α、β、γ为各项损失的占比权重，L

通过利用训练后获得的风电爬坡训练图像组，输入卷积神经网络模型，利用功率预测算法获取风电功率预测数据。至于具体功率预测算法的选用，本发明选用了LSTM长短期记忆网络，因为其具有较好的信息存储和精确地信息访问特征。同时可以避免RNN网络中常见的梯度消失问题。独特的细胞结构Cell包含输入门、遗忘门、输出门和多个储存单元三个门，都是非线性单元，用于控制历史信息，收集外部数据筛选内部数据效果更佳。

而本方法获得的风电爬坡训练图像组不仅可以用来进行功率预测，还可以作为历史数据一起，对其它功率预测算法的可靠性进行校验。

实施例二

为了更好的对本发明所述的技术内容进行理解，本实施例通过系统结构的形式来对本发明进行阐述，如图2所示，一种基于图像生成的风电功率预测系统，包括：

特征提取模块，用于归一化历史风电爬坡图像组，并根据爬坡特性提取归一化后的图像特征集；

生成对抗网络，用于根据图像特征集中任一图像特征的组合与历史风电爬坡图像的结合，生成模拟风电爬坡图像；

生成对抗网络，还用于对历史风电爬坡图像和模拟风电爬坡图像在总损失约束下进行判别训练，，并通过训练获得的风电爬坡训练框架获取风电爬坡训练图像组；

卷积神经网络模型，用于根据历史风电爬坡图像组和风电爬坡训练图像组，通过功率预测算法获取风电功率预测数据。

进一步地，在生成对抗网络逐次区分模拟风电爬坡图像与历史风电爬坡图像并对参数进行修正的情况下，若无法区分模拟风电爬坡图像与历史风电爬坡图像，则当前训练结果即为风电爬坡训练框架。

进一步地，所述图像特征集中还包括根据历史风电爬坡图像组，提取其对应时间点气象数据的相关性特征。

实施例三

为了验证所提基于生成对抗网络的风电爬坡功率预测模型的有效性，本实施例以一具体验证实验为例，通过本发明所述的方法，在中国西北某地区的风电功率数据集上进行验证。对历史爬坡数据进行预处理，去除冗余信息。

选取风电场近年来的爬坡事件数据样本进行实验。为保证爬坡样本数据的数量，得到合理的风电预测数据集，模型输入数据集按图4的步骤分为以下几部分：将样本风电爬坡数据集输送给生成对抗网络，生成器生成新的爬坡图像。将原始图像和生成图像共同作为输入样本集(包括10％历史训练爬坡数据、70生成训练爬坡数据、10％备用数据、10％验证数据)，作为功率预测模型(也即是卷积神经网络)的输入，可以完成爬坡波形的功率预测。

需要说明的是，风电功率的爬坡预测有两种评价指标，分别为爬坡事件的预测准确性和功率波形的预测准确性。爬坡事件的准确性是指预测爬坡的结果是否与实际观察结果相一致，不会发生误报和漏报情况，预测结果表如表1所示：

表1：风电爬坡时间预测结果

表1中，TP指预测发生实际也发生；FN指预测未发生但实际发生，即漏报；TN指预测和实际均未发生；FP指预测发生但实际未发生，即误报。预测结果用N

式中，F

爬坡功率波形图的准确性是指预测波形与实际波形的一致性。由于风电的随机性、波动性以及预测模型、预测方法的局限性，风电功率预测不可避免的存在误差。将历史数据线性处理后，将值约束在[0，1]。为了评估预测模型的预测精度，选取平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)这三个指标作为评估标准，计算公式如下所示：

式中n为测试数据的样本数量；

在样本集中分别选取500个爬坡数据和500个非爬坡数据，进行实验并对其进行爬坡事件预测评估。得到结果如表2所示：

表2：爬坡事件预测评估表

分别使用LSTM、SVR、BP和Elman四种功率预测算法进行爬坡事件预测。可以看出其中LSTM方法的预测准确性最高，近似为99％，而其他方法的准确性只有90％左右。当采取生成对抗网络GAN进行数据生成后，模拟数据的加入不仅不会降低、反而会提高预测的精度。仿真实验结果验证了基于生成对抗网络的风电功率预测算法在爬坡事件的预测准确性。

为了验证生成对抗网络算法在功率波形预测的有效性，将所提方案与传统的SVR、BP和Elman功率预测方案进行对比实验。分别计算平均绝对误差MAE、平均绝对百分比误差MAPE、均方根误差RMSE进行爬坡事件预测评估。得到结果如表3所示：

表3：功率波形预测评估表

表3中可以看出，采用LSTM预测算法的误差最小、准确率较高。采用生成对抗网络算法后的预测模型，其预测精度均有显著提升。仿真实验结果验证了基于生成对抗网络的风电功率预测算法在爬坡功率波形预测的准确性。

此外，表4为风电场4个季度4个典型的风电爬坡功率预测情况。可以看出，春秋两季预测误差略高于夏季，冬季的误差最大。结果表明，生成对抗网络水可显著提高风电爬坡功率预测的准确性。预测精度基本不受季节影响。

表4：四季中功率波形预测评估表

综上所述，本发明所述的一种基于图像生成的风电功率预测方法与系统，利用生成对抗网络的生成器生成历史风电爬坡数据+任一图像特征组合的模拟风电爬坡数据，同时，只有在判别器判断模拟风电爬坡数据为历史风电爬坡数据时才将模拟风电爬坡数据加入风电爬坡训练图像组，从而保证风电爬坡训练图像组更加符合真实的风电爬坡数据，可靠性更。

获得的风电爬坡训练图像组不仅可以用来进行功率预测，还可以作为历史数据一起，对其它功率预测算法的可靠性进行校验。通过对风电功率爬坡特性进行分析，并结合对应时间点的气象数据确定了爬坡时间的特征值，从而使获得的特征值更加符合实际使用情况

需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，在本发明中如涉及“第一”、“第二”、“一”等的描述仅用于描述目的，而不能理解为指示或暗示其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至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，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“连接”、“固定”等应做广义理解，例如，“固定”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，除非另有明确的限定。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。

另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

本文中所描述的具体实施例仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。