基于卷积图注意力深度神经网络的短期风功率预测方法

技术领域

本发明涉及风力发电技术领域，具体涉及一种基于卷积图注意力深度神经网络的短期风功率预测方法。

背景技术

低碳环保已成为未来我国发展的主旋律，因此需要加快构建高渗透率新能源的新型电力系统。风电作为可再生能源增长主力，对电网安全性和经济性的影响越来越大。受大气运动影响，风能具有强烈的波动性和不确定性，使得大规模风电并网后，电网的安全运行和功率消纳面临更大的挑战，提高风功率预测水平是解决这一问题最为经济的手段。

风功率本质上是由风速、风向等具有时空特征的气象因素决定的，传统的风功率预测都是以风场当地的相关数据作为输入，只捕捉了时序特征而忽略了时空特征，导致风功率预测效果不理想。因此，确定一种合理准确的风功率预测方法具有重要意义。

发明内容

发明目的：本发明的目的是提出一种基于卷积图注意力深度神经网络的短期风功率预测方法，实现对风电功率准确的点预测和可靠的区间预测与概率预测。

技术方案：为了实现上述发明目的，本发明提出的方法，包括以下步骤：

步骤1：数据采集，包括风功率历史数据X

步骤2：时序特征提取，利用卷积神经网络(CNN)提取气象数据的高维时序特征；

步骤3：时空特征提取，利用多层图注意力网络结合多头注意力进一步提取多场站气象数据的时空特征；

步骤4：模型构建，将所得的气象数据的时空特征X

步骤5：基于不同分位数下的预测值，得到风功率的点预测和概率预测结果。

进一步地，所述步骤1中，气象数据包括风速、风向、气温和湿度。

进一步地，所述步骤2中，采用的基于卷积的特征提取模块包括卷积层、池化层和全连接层，其中卷积运算的公式为：

Z＝g(W*X+b)

其中，X为数据输入，*表示卷积操作，W为卷积核的权重，b为对应的偏置，g(·)为激活函数，Z为卷积运算后的输出特征；

经过卷积、池化、flatten等操作，每个节点的气象数据X

G＝(V,E,A)

V＝{v|v∈data object}

E＝{＜v,w＞|v,w∈V∧p(v,w)}

其中，V为顶点的集合，E为边的集合，A为图的邻接矩阵，临接矩阵中的元素仅表示风场之间的连接关系，因此图注意力网络的临接矩阵的构造方式如下所示：

其中，PCC(v

进一步地，所述步骤3中，采用的图注意力网络的输入可表示为：

其中，N为节点个数，

图注意力网络的每个节点对应一个隐藏状态，由自身节点的输入数据和邻居节点数据的相关影响力基于自注意力机制实现，其公式如下所示：

其中，softmax(·)为归一化函数，N

e

其中，h

接着，采用非线性函数LeakyReLU(·)进行激活，此处斜率取0.2；

其中，||表示特征连接，

图注意力网络每个节点的输出为：

其中，σ(·)为sigmod激活函数，

为了提高图注意力网络时空特征提取的可靠性，利用K个独立的注意力机制对图注意力网络节点输出进行改进，如下式所示：

其中，

进一步地，将所得的气象数据的时空特征X

然后将结果输入到多层全连接层进行处理，并以分位数损失作为损失函数优化模型参数，最后输出不同分位数下的风功率预测值。分位数损失函数公式表示为：

其中，m为每批次训练集的样本个数，q为分位点个数，y

其中，μ为函数的输入，I(·)为示性函数；

概率预测模块的过程表达式为：

其中，

进一步地，基于获得的不同分位数条件的预测值，以分位数为0.5的预测值

其中，g

本发明与现有技术相比，具有如下显著优点：

1、本发明基于深度学习提出了一种基于多风场时空数据的短期风功率点预测和概率性预测方法，获得了更为准确、可靠的预测结果；

2、本发明可用于实际的风功率预测，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是本发明基于卷积图注意力深度神经网络的短期风功率预测方法的预测流程图；

图2是卷积图注意力深度神经网络(CGA-LSTM)的结构示意图；

图3是一维卷积神经网络(CNN)的结构示意图；

图4是图注意力网络(GAN)的结构示意图。

图5是长短期记忆(LSTM)网络的单元结构示意图。

图6是不同模型点预测结果。

图7是CGA-LSTM预测的不同时刻的PDF曲线。

图8是不同模型的区间预测结果。

具体实施方式

下面结合附图和实施例对本发明作具体说明。

如图1所示，本发明设计了一种基于卷积图注意力深度神经网络的短期风功率预测方法，包括以下步骤：

(1)数据采集，包括风功率历史数据X

气象数据主要包括风速、风向、气温和湿度等。

(2)时序特征提取，利用卷积神经网络(CNN)提取气象数据的高维时序特征；卷积图注意力深度神经网络(CGA-LSTM)的结构示意图如图2所示。

该步骤(2)采用独立的基于卷积的特征提取模块对每个节点的气象数据进行初步的高维动态时序特征提取，一维卷积神经网络如图3所示，主要包括卷积层、池化层和全连接层，其中卷积运算的公式为：

Z＝g(W*X+b)

其中，X为数据输入，*表示卷积操作，W为卷积核的权重，b为对应的偏置，g(·)为激活函数，Z为卷积运算后的输出特征；

经过卷积、池化、flatten等操作，每个节点的气象数据X

G＝(V,E,A)

V＝{v|v∈data object}

E＝{＜v,w＞|v,w∈V∧p(v,w)}

其中，V为顶点的集合，E为边的集合，A为图的邻接矩阵，临接矩阵中的元素仅表示风场之间的连接关系，因此图注意力网络的临接矩阵的构造方式如下所示：

其中，PCC(v

(3)时空特征提取，利用多层图注意力网络结合多头注意力进一步提取多场站气象数据的时空特征；

该步骤(3)中图注意力网络如图4所示，其输入可表示为：

其中，N为节点个数，

图注意力网络的每个节点对应一个隐藏状态，由自身节点的输入数据和邻居节点数据的相关影响力基于自注意力机制实现，其公式如下所示：

其中，softmax(·)为归一化函数，N

e

其中，h

接着，采用非线性函数LeakyReLU(·)进行激活，此处斜率取0.2。

其中，||表示特征连接，

图注意力网络每个节点的输出为：

其中，σ(·)为sigmod激活函数，

为了提高图注意力网络时空特征提取的可靠性，利用K个独立的注意力机制对图注意力网络节点输出进行改进，如下式所示：

其中，

(4)模型构建，将所得的气象数据的时空特征X

该步骤(4)采用LSTM提取融合特征X

然后将结果输入到多层全连接层进行处理，并以分位数损失作为损失函数优化模型参数，最后输出不同分位数下的风功率预测值。分位数损失函数公式表示为：

其中，m为每批次训练集的样本个数，q为分位点个数，y

其中，μ为函数的输入，I(·)为示性函数；

概率预测模块的过程表达式为：

其中，

(5)基于不同分位数下的预测值，得到风功率的点预测和概率预测结果。

该步骤(5)中基于获得的不同分位数条件的预测值，以分位数为0.5的预测值

其中，g

下面结合具体的示例，详细介绍本发明的预测方法用于短期风功率预测的实施过程。

所用数据集来自美国岩河风电场(RockRiverWindFarm)，具体为2012年1月1日至2012年12月31日的风功率历史数据和气象数据，气象数据包括风速、风向、气温和湿度，采样间隔为1小时。利用皮尔逊相关系数(PCC)选择临近的20个风场的气象数据。

为了评估本文所提方法的可行性，选择均方根误差E

其中，n为测试样本格式，i为样本编号，y

其中，α为显著性水平，

其中，i为样本编号，F(·)为累计密度函数，x

为了验证本发明所提模型在短期风功率预测中的优越性，算例测试时分别从点预测和概率性预测效果两个方面对CGA-LSTM与GCN-LSTM、CNN-LSTM、LSTM进行对比分析。CGA-LSTM模型的超参数设置如表1所示。GCN-LSTM能够处理图网络数据，其结构设置和CGA-LSTM相同，但需输入初始邻接矩阵。CNN-LSTM、LSTM不能处理图网络数据，因此它们的输入仅为目标风电场的气象数据，结构是级联的。

表1CGA-LSTM超参数设置

(1)点预测效果对比

选择各模型分位数为0.5时的预测值作为风功率点预测结果，比较结果如图6所示，其评价指标如表2所示，可以看出CGA-LSTM的RMSE和NMAPE最低。与其他模型相比，RMSE分别下降了0.0741MW、0.3035MW和0.3865M，NMAPE分别下降0.3133％、1.1391％和1.548％。表2还表明，利用图网络提取时空特征的模型的预测精度均高于使用单风场数据的模型。据此可知，卷积图注意力模块对处理气象数据的时空特征是有效的，CGA-LSTM模型的预测值能够更贴近实际风功率值，具有更佳的风功率点预测性能。

表2不同模型的点预测结果比较

(2)概率预测效果对比

本发明提出的CGA-LSTM模型使用QR得到不同分位数的预测值，可以通过KDE估计每个观测点的概率密度曲线，如图7所示为4个随机选择观察点的PDF曲线。据图7显示，大部分风功率实际值接近PDF的峰值，接近预测中值。这表明所提出的概率预测模型是有效的。

各模型的风功率区间预测结果如图8所示，其评价指标如表3所示。由图8可知，CGA-LSTM的实际值几乎全部落在其预测区间内，这说明CGA-LSTM在区间预测方面的表现是十分可靠的。此外，从图中还能看出所提模型的与对比模型相比预测区间较窄，说明本文所提模型CGA-LSTM具有较高的区间预测敏锐度。

表3可以看出，所有模型的ACE值均不小于0，这说明各个模型的预测区间都满足95％的置信度。与其他模型相比，CGA-LSTM的IS值和CPRS值均为最低，CGA-LSTM的IS绝对值分别下降了0.0674、0.1649和0.2027，CPRS值分别下降0.0886、0.1295和0.1631。这意味着CGA-LSTM具有更窄的预测区间、更高的敏锐度和更高的区间预测综合性能和概率预测性能。据此可知，本发明提出的CGA-LSTM模型利用时空特征进行风功率概率性预测是有效的。

表3不同模型的概率预测结果比较

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。