一种新建小样本风电场的短期风电功率预测方法及系统

技术领域

本发明涉及风电功率预测的技术领域，更具体地，涉及一种新建小样本风电场的短期风电功率预测方法及系统。

背景技术

近年来，风能作为一种可再生能源发展迅猛，大批新建风电场陆续并网，风电大规模并网给电力系统的安全稳定运行带来了挑战，风电功率预测可以降低风电的不确定性，为电网调度部门提供依据，因此，准确的风电功率预测对电力系统安全稳定运行具有重要积极意义。

目前，每年都会有大量新建、扩建及重建的风电场投入，风力发电具有随机性和波动性，新建风电场没有足够的时间积累历史数据样本，功率预测所需历史数据样本不足，风电功率预测时样本少也会影响风电功率最终的预测精度。由于一定范围内的风电场的风电功率具有一定的关联性，有效的利用邻近风电场的数据，能够提升少样本新建风电场风电功率预测的精度。

针对缺少训练数据的新建风电场的风电功率预测，现有技术中提出了一种基于迁移学习深度学习相结合的风电功率预测方法，首先提取新建风电场及其周边风电长的历史风电功率历史样本，使用新建风电场的少量历史样本训练BP-NN，再对周边风电场的大量历史样本预测，根据预测结果计算周边风电场每个历史样本的相关系数，然后根据相关系数将周边风电场的大量历史样本划分为强相关样本、中相关样本及弱相关样本，使用模型迁移方法构建用于新建风电场的预测模型并分别给出预测结果，最后使用B-LSTM网络将预测结果集成，输出最终的风电功率预测结果，提升了新建风电场功率预测精度。然而，由于风电波动性大的特点，一般深度学习模型在进行预测时会存在较大的波动，需要对预测的误差进行修正，才能提升风电场功率预测精度。

发明内容

为解决新建小样本风电场的风电功率预测准确度低的问题，本发明提出一种新建小样本风电场的短期风电功率预测方法及系统，对区域风电场数据信息充分利用，有效减少因风电波动性带来的误差，提升新建少样本风电场风电功率预测的精度。

为了达到上述技术效果，本发明的技术方案如下：

一种新建小样本风电场的短期风电功率预测方法，所述方法包括以下步骤：

S1.获取区域内目标新建风电场及其周边风电场的风电相关数据，并对风电相关数据进行初步处理；

S2.将每一个风电场视为一个节点，每个节点对应有自身的风电相关数据，基于风电相关数据的相关性，确定风电场之间的连接关系，建立风电场之间的区域风电场图；

S3.构建考虑时空特性的图卷积神经网络，将区域风电场图输入至图卷积神经网络，提取包含区域风电场图对应风电相关数据信息的特征矩阵；

S4.构建孪生门控循环协同误差修正预测模型，利用特征矩阵对孪生门控循环协同误差修正预测模型进行预训练；

S5.采集目标风电场的小样本历史数据，并利用小样本历史数据对孪生门控循环协同误差修正预测模型进行精调，得到最终的预测模型；

S6.采集目标新建风电场日前风电相关历史数据，将日前风电相关历史数据输入最终的预测模型中，预测目标新建风电场当日的风电功率。

优选地，步骤S1所述的风电相关数据包括风电场日前风电功率序列数据、风速序列数据、风向序列数据和温度序列数据。

优选地，对风电相关数据进行的初步处理包括：将风电场日前风电功率序列数据、风速序列数据、温度序列数据采用min-max归一化处理，获得处理后的的风电功率序列P、风速序列WS和温度序列Tem，对风向序列数据采用正余弦处理，获得风向正弦WDS和风向余弦WDC，最终得到处理后的风电相关数据表示为：

其中，Xn表示处理后的区域内第n个风电场的风电相关数据矩阵，

优选地，在步骤S2中，基于软注意力机制对区域内风电场之间以及风电场某时刻与前后两时刻的相关性进行反映，对于任一风电场，基于每一个风电场对应的自身的风电相关数据，选择一个或几个与其相关性最高的风电场，且同时计算同一风电场时刻与前后两个时刻的节点数据的相关性，从而获得该区域每个风电场当前时刻与其前、后两个时刻中对应的风电场节点连接关系，软注意力机制为每个风电场分配0-1之间的风电相关性权重数值，形成该区域内风电场图的联接矩阵，表达式为：

其中，

若联接矩阵中某两个风电场或某风电场中相邻时刻的相关系数大于第一阈值，则此两个风电场或同一风电场相邻时刻采用实线连接，否则，此两个风电场或同一风电场相邻时刻不连接，最终形成区域内风电场之间的区域风电场图。

优选地，在步骤S2中，基于硬注意力机制对区域内风电场之间以及风电场某时刻与前后两时刻的相关性进行反映，即对于任一风电场，基于每一个风电场对应的自身的风电相关数据，选择一个或几个与其相关性最高的风电场，且同时获得该区域每个风电场当前时刻与其前、后两个时刻中对应的风电场节点连接关系，硬注意力机制为每个风电场分配0或1的风电相关性数值，形成该区域内风电场图的联接矩阵，表达式为：

其中，

若连接矩阵中某两个风电场或某风电场中相邻时刻的相关系数为1，则此两个风电场或同一风电场相邻时刻采用实线连接，否则，此两个风电场或同一风电场相邻时刻不连接，最终形成区域内风电场之间的区域风电场图。

优选地，S3的具体过程为：

S31.建立一个四层图卷积神经网络，以风电场的历史时间图信号矩阵作为四层图卷积神经网络的输入，其中，历史时间图信号矩阵为区域风电场图中某一时刻之前的若干步某一风电场中包括风电功率序列P、风速序列WS和温度序列Tem构成的；表达式：

其中，H为历史图信号矩阵序列的时间步数，

S32.风电场的历史时间图信号矩阵在四层图卷积神经网络的层与层之间传播方式为：

其中，

S33.将区域风电场图输入至图卷积神经网络，经过图卷积神经网络四层运算之后，提取包含区域风电场图对应风电相关数据信息的特征矩阵D

其中，P

优选地，步骤S4构建的孪生门控循环协同误差修正预测模型为结构相同的原生门控循环单元网络和孪生门控循环单元网络，原生门控循环单元网络和孪生门控循环单元网络均为两层门控循环单元网络，原生门控循环单元网络和孪生门控循环单元网络共享参数，神经元的数量分别为4和8，激活函数为tanh，权重参数满足：

/>

其中，W

优选地，利用特征矩阵对孪生门控循环协同误差修正预测模型进行预训练的过程为：

S41.将特征矩阵划分为训练集和测试集，初始化原生门控循环单元网络的参数，具体形式为：

θ

孪生门控循环单元网网络的参数也是θ

S43.利用训练集训练原生门控循环单元网络，训练好的原生门控循环单元网络对应的模型参数为：

θ

S44.利用训练好的原生门控循环单元网络对图卷积神经网络提取到的特征矩阵中所有数据的任意时间点进行功率预测，得到所有时间点对应的风电功率预测值，并计算风电功率预测值与相应时间点对应的风电功率实际值的差值，得到相应时间点原生门控循环单元网络预测的误差值ΔP，形式为：

ΔP＝[ΔP

S45.利用误差值ΔP替换图卷积神经网络提取到的特征矩阵D

其中，ΔP

S46.利用新的输入特征矩阵D

S47.以原生门控循环单元网络的功率输出与孪生误差预测门控循环单元网络的误差预测输出之和作为孪生门控循环协同误差修正预测模型最终的预测输出；

S48.利用测试集测试孪生门控循环协同误差修正预测模型的训练效果。该方案可以提升模型的泛化性。

优选地，步骤S5所述利用小样本历史数据对孪生门控循环协同误差修正预测模型进行精调的过程为：

采集目标风电场的小样本历史数据，将小样本历史数据输入步骤S4已预训练好的孪生门控循环协同误差修正预测模型中，重新训练一次孪生门控循环协同误差修正预测模型，从而精调孪生门控循环协同误差修正预测模型的模型参数。

本申请还提出一种新建小样本风电场的短期风电功率预测系统，所述系统包括：

风电场数据获取及处理单元，用于获取区域内目标新建风电场及其周边风电场的风电相关数据，并对风电相关数据进行初步处理；

区域风电场图构建单元，用于将每一个风电场视为一个节点，每个节点对应有自身的风电相关数据，基于风电相关数据的相关性，确定风电场之间的连接关系，建立风电场之间的区域风电场图；

特征矩阵提取单元，用于构建考虑时空特性的图卷积神经网络，将区域风电场图输入至图卷积神经网络，提取包含区域风电场图对应风电相关数据信息的特征矩阵；

模型构建及预训练单元，用于构建孪生门控循环协同误差修正预测模型，利用特征矩阵对孪生门控循环协同误差修正预测模型进行预训练；

模型精调单元，用于采集目标风电场的小样本历史数据，并利用小样本历史数据对孪生门控循环协同误差修正预测模型进行精调，得到最终的预测模型；

预测单元，用于采集目标新建风电场日前风电相关历史数据，将日前风电相关历史数据输入最终的预测模型中，预测目标新建风电场当日的风电功率。

与现有技术相比，本发明技术方案的有益效果是：

本发明提出一种新建小样本风电场的短期风电功率预测方法及系统，首先获取区域内目标新建风电场及其周边风电场的风电相关数据，在经过初步处理后，获得风电场之间的区域风电场图，然后构建考虑时空特性的图卷积神经网络以提取区域风电场图内的信息，从而获取包含该区域所有风电场数据的特征，弥补新建风电场的小样本的不足，最后构建孪生门控循环协同误差修正预测模型使用获取的特征进行预训练，有效减少因风电波动性带来的误差，然后利用目标风电场数据对模型进行精调，更适用于目标风电场所在区域内的任意新建风电场，提升新建少样本风电场风电功率预测的精度。

附图说明

图1表示本发明实施例1中提出的一种新建小样本风电场的短期风电功率预测方法的流程示意图；

图2表示本发明实施例2中提出的考虑时空特性的区域风电场图；

图3表示本发明实施例2中提出的孪生门控循环协同误差修正模型的结构图；

图4表示本发明实施例4中利用本发明提出的新建小样本风电场的短期风电功率预测方法得到的风电功率的预测效果图；

图5表示本发明实施例5中提出的新建小样本风电场的短期风电功率预测系统的结构图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好地说明本实施例，附图某些部位会有省略、放大或缩小，并不代表实际尺寸；

对于本领域技术人员来说，附图中某些公知内容说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

附图中描述位置关系的仅用于示例性说明，不能理解为对本专利的限制；

实施例1

本实施例提出了一种新建小样本风电场的短期风电功率预测方法，该方法的流程图如图1所示，参见图1，所述方法包括以下步骤：

S1.获取区域内目标新建风电场及其周边风电场的风电相关数据，并对风电相关数据进行初步处理；在本实施例中，风电相关数据包括风电场日前风电功率序列数据、风速序列数据、风向序列数据和温度序列数据。

对风电相关数据进行的初步处理包括：将风电场日前风电功率序列数据、风速序列数据、温度序列数据采用min-max归一化处理，获得处理后的的风电功率序列P、风速序列WS和温度序列Tem，对风向序列数据采用正余弦处理，获得风向正弦WDS和风向余弦WDC，最终得到处理后的风电相关数据表示为：

其中，X

S2.将每一个风电场视为一个节点，每个节点对应有自身的风电相关数据，基于风电相关数据的相关性，确定风电场之间的连接关系，建立风电场之间的区域风电场图；

S3.构建考虑时空特性的图卷积神经网络，将区域风电场图输入至图卷积神经网络，提取包含区域风电场图对应风电相关数据信息的特征矩阵；

S4.构建孪生门控循环协同误差修正预测模型，利用特征矩阵对孪生门控循环协同误差修正预测模型进行预训练；

S5.采集目标风电场的小样本历史数据，并利用小样本历史数据对孪生门控循环协同误差修正预测模型进行精调，得到最终的预测模型；

S6.采集目标新建风电场日前风电相关历史数据，将日前风电相关历史数据输入最终的预测模型中，预测目标新建风电场当日的风电功率。

实施例2

在本实施例中，基于软注意力机制对区域内风电场之间以及风电场某时刻与前后两时刻的相关性进行反映，对于任一风电场，基于每一个风电场对应的自身的风电相关数据，选择一个或几个与其相关性最高的风电场，且同时计算同一风电场时刻与前后两个时刻的节点数据的相关性，从而获得该区域每个风电场当前时刻与其前、后两个时刻中对应的风电场节点连接关系，软注意力机制为每个风电场分配0-1之间的风电相关性权重数值，形成该区域内风电场图的联接矩阵，表达式为：

其中，

若联接矩阵中某两个风电场或某风电场中相邻时刻的相关系数大于第一阈值，则此两个风电场或同一风电场相邻时刻采用实线连接，否则，此两个风电场或同一风电场相邻时刻不连接，最终形成区域内风电场之间的区域风电场图如图2所示，从空间上，图2以不同节点代表区域内不同风电场，从时间上，图2以t1～t3为相邻时刻的代表。

然后，构建考虑时空特性的图卷积神经网络，将区域风电场图输入至图卷积神经网络，提取包含区域风电场图对应风电相关数据信息的特征矩阵，这个过程具体为：

S31.建立一个四层图卷积神经网络，以风电场的历史时间图信号矩阵作为四层图卷积神经网络的输入，其中，历史时间图信号矩阵为区域风电场图中某一时刻之前的若干步某一风电场中包括风电功率序列P、风速序列WS和温度序列Tem构成的；表达式：

其中，H为历史图信号矩阵序列的时间步数，

S32.风电场的历史时间图信号矩阵在四层图卷积神经网络的层与层之间传播方式为：

其中，

S33.将区域风电场图输入至图卷积神经网络，经过图卷积神经网络四层运算之后，提取包含区域风电场图对应风电相关数据信息的特征矩阵D

其中，P

在本实施例中，构建的孪生门控循环协同误差修正预测模型为结构相同的原生门控循环单元网络和孪生门控循环单元网络，具体可参见图3，原生门控循环单元网络和孪生门控循环单元网络均为两层门控循环单元网络GRU，原生门控循环单元网络和孪生门控循环单元网络共享参数，神经元的数量分别为4和8，激活函数为tanh，权重参数满足：

其中，W

利用特征矩阵对孪生门控循环协同误差修正预测模型进行预训练的过程为：

S41.将特征矩阵划分为训练集和测试集，初始化原生门控循环单元网络的参数，具体形式为：

θ

孪生门控循环单元网网络的参数也是θ

S43.利用训练集训练原生门控循环单元网络，训练好的原生门控循环单元网络对应的模型参数为：

θ

S44.利用训练好的原生门控循环单元网络对图卷积神经网络提取到的特征矩阵中所有数据的任意时间点进行功率预测，得到所有时间点对应的风电功率预测值，并计算风电功率预测值与相应时间点对应的风电功率实际值的差值，得到相应时间点原生门控循环单元网络预测的误差值ΔP，形式为：

ΔP＝[ΔP

S45.利用误差值ΔP替换图卷积神经网络提取到的特征矩阵D

其中，ΔP

S46.利用新的输入特征矩阵D

S47.以原生门控循环单元网络的功率输出与孪生误差预测门控循环单元网络的误差预测输出之和作为孪生门控循环协同误差修正预测模型最终的预测输出；

S48.利用测试集测试孪生门控循环协同误差修正预测模型的训练效果。该方案可以提升模型的泛化性。

在预训练之后，利用小样本历史数据对孪生门控循环协同误差修正预测模型进行精调，过程为：

采集目标风电场的小样本历史数据，将小样本历史数据输入步骤S4已预训练好的孪生门控循环协同误差修正预测模型中，重新训练一次孪生门控循环协同误差修正预测模型，从而精调孪生门控循环协同误差修正预测模型的模型参数。

实施例3

与实施例2基本相同，不同的是，在步骤S2中，基于硬注意力机制对区域内风电场之间以及风电场某时刻与前后两时刻的相关性进行反映，即对于任一风电场，基于每一个风电场对应的自身的风电相关数据，选择一个或几个与其相关性最高的风电场，且同时获得该区域每个风电场当前时刻与其前、后两个时刻中对应的风电场节点连接关系，硬注意力机制为每个风电场分配0或1的风电相关性数值，形成该区域内风电场图的联接矩阵，表达式为：

其中，

若连接矩阵中某两个风电场或某风电场中相邻时刻的相关系数为1，则此两个风电场或同一风电场相邻时刻采用实线连接，否则，此两个风电场或同一风电场相邻时刻不连接，最终形成区域内风电场之间的区域风电场图。

实施例4

本实施例为验证本发明所提出的新建小样本风电场的短期风电功率预测方法的有效性，首先在步骤S1中，获取内蒙古地区2018/12/16/0:00～2019/12/16/23:00的四个风电场的70m水平高度的功率、风速、风向和温度数据等风电相关数据，然后获取到该区域内的风电场图，设置孪生门控循环协同误差修正预测模型中输入层与输出层的神经元数量均为4，然后利用本发明所提出的新建小样本风电场的短期风电功率预测方法得出如图4所示的风电功率的预测效果图，在图4中，虚线趋势线表示风电功率真实值，实线趋势线表示风电功率预测值，由图4中展示的两种值对应的曲线可以看出，风电功率真实值和风电功率预测值误差很小，利用本发明提出的方法，能有效提升短期风电功率预测的精度。

实施例5

如图5所示，本申请提出一种新建小样本风电场的短期风电功率预测系统，参见图5，该系统包括：

风电场数据获取及处理单元，用于获取区域内目标新建风电场及其周边风电场的风电相关数据，并对风电相关数据进行初步处理；

区域风电场图构建单元，用于将每一个风电场视为一个节点，每个节点对应有自身的风电相关数据，基于风电相关数据的相关性，确定风电场之间的连接关系，建立风电场之间的区域风电场图；

特征矩阵提取单元，用于构建考虑时空特性的图卷积神经网络，将区域风电场图输入至图卷积神经网络，提取包含区域风电场图对应风电相关数据信息的特征矩阵；

模型构建及预训练单元，用于构建孪生门控循环协同误差修正预测模型，利用特征矩阵对孪生门控循环协同误差修正预测模型进行预训练；

模型精调单元，用于采集目标风电场的小样本历史数据，并利用小样本历史数据对孪生门控循环协同误差修正预测模型进行精调，得到最终的预测模型；

预测单元，用于采集目标新建风电场日前风电相关历史数据，将日前风电相关历史数据输入最终的预测模型中，预测目标新建风电场当日的风电功率。

显然，本发明的上述实施例仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。