基于时空融合图神经网络的多风电场短期功率预测方法

技术领域

本发明属于可再生能源发电与综合消纳领域，具体涉及一种基于时空融合图神经网络的多风电场短期功率预测方法。

背景技术

在可再生能源发电技术中，清洁、低成本和技术成熟的风力发电越来越受到重视。但由于风力发电具有很强的随机性、波动性和不确定性，大量风电接入电网势必会对电网安全与稳定运行带来严峻挑战。风电功率的短期预测可以为日内或日前调度提供更准确的参考，成为了解决这些问题的关键。

传统的风电功率短期预测方法如自回归移动平均模型(autoregressive movingaverage，ARMA)难以应对风电功率的非平稳突变，深度学习模型作为一种具有深度结构的人工智能技术，不仅可以从最低层到最高层自动提取数据中的固有特征，还能通过灵活改进深度结构来提高预测精度，因此被广泛运用于预测领域。多风电场短期预测的难点在于，风电场数量和潜在影响因素过多导致预测模型庞大且复杂度很高。引入深度学习技术可以提取多风电场功率数据中的时空特征，构建更精准的短期预测模型。目前，被应用于多风电场短期功率预测的深度学习方法主要包括：卷积神经网络(convolutional neuralnetwork,CNN)，循环神经网络(recurrent neural network,RNN)及其变体等。例如，文献《Very short-term spatial and temporal wind power forecasting:A deep learningapproach》公开了一种分别使用长短期记忆网络(Long Short-Term Memory，LSTM)和CNN提取多风电场功率数据时空特征的方法进行多风电场短期功率预测。但由于多风电场的空间排列并不规律，CNN不能很好地建模不同风电场之间的空间相关性，一定程度上影响了最后预测结果的精确性。此类方法在多风电场短期功率预测上有一定效果，但它们没能结合多风电场功率数据的深层时空特征，未能进行精准的多风电场短期功率预测。

本发明方法将图卷积网络和卷积门控递归单元两种先进的深度学习方法结合起来，前者可以对应多风电场的实际拓扑结构来获取它们之间的空间特征，后者能够学习单风电场功率数据的时序相关性，二者交错排列并结合残差连接层和跳跃连接层，在避免梯度问题的同时获取了多风电场功率数据的深层耦合时空特征，实现了精确地多风电场短期功率预测。

发明内容

本发明的目的在于克服现有技术在进行多风电场短期功率预测时不能结合其功率数据深层时空特征的问题，提供了一种多风电场功率预测技术。

为了达到上述目的，本发明采用以下技术方案：

本发明包括一种用于多风电场功率预测的模型，它包括输入模块、若干依次串接的时空模块、输出模块，输入模块与若干依次串接的时空模块的首个时空模块的输入连接，若干依次串接的时空模块的最后一个时空模块的输出与输出模块的输入端连接，输出模块输出预测结果；每个时空模块包括时间递归模块TRM、以及与时间递归模块TRM的输出连接的图卷积模块GCM。

在若干依次串接的时空模块中，前一个时空模块中的图卷积模块的输出与下一个时空模块中的时间递归模块的输入连接；

还包括跳跃连接层，每个时空模块中的时间递归模块的输入端与跳跃连接层连接；

还包括残差连接层，在前一个时空模块中的图卷积模块的输出与下一个时空模块中的时间递归模块的输入连接的位置接入残差连接层。

在使用该模型进行多风电场功率的预测时，采用以下步骤：

步骤1：采集同一大型风电基地的多个目标风电场小时级的历史功率数据集和外部气象信息数据；

步骤2：利用输入模块将步骤1中的功率数据与气象数据进行预处理；

步骤3：利用时间递归模块(TRM)处理输入模块传来的数据，提取单个风电场功率数据的时序特征；

步骤4：利用图卷积模块(GCM)学习多个风电场功率序列数据间的空间特征；

步骤5：将时间递归模块(TRM)、图卷积模块(GCM)交错相连，同时通过跳跃连接层和残差连接层的组合连接起来，由此得到多风电场功率数据耦合的时空特征；

步骤6：将经过多对时间递归模块与图卷积模块处理后的特征数据导入输出模块中，得到各风电场的功率预测结果。

本发明还包括基于时空融合图神经网络的多风电场短期功率预测方法，其特征在于，它采用所述模型进行多风电场短期功率的预测，它包括以下步骤，

步骤1：采集目标大型风电基地的若干目标风电场小时级的历史功率数据和外部气象信息数据；

步骤2：将步骤1中的功率数据与气象数据映射到高维空间；

步骤3：对由步骤2获得的数据进行处理，利用卷积门控循环单元提取单个风电场功率数据的时序特征；

步骤4：利用图卷积神经网络提取多个风电场功率数据间的空间特征；

步骤5：交替进行以上两个步骤，同时使用残差连接层和跳跃连接层将得到的时序特征和空间特征连接起来，以获得多风电场功率数据耦合的时空特征；

步骤6：将获得的时空特征降维得到多风电场最终的功率预测结果。

在步骤1中，将N座目标风电场T

在步骤3中，利用卷积门控循环单元提取单个风电场功率数据的时序特征，具体包括以下子步骤：

步骤3.1：用ConvGRU模型结构中的更新门对上一时刻传来的数据进行处理，以此决定将多少过去时刻的信息传递到未来，其计算式如下：

z

式中h

步骤3.2：用ConvGRU模型结构中的重置门对上一时刻传来的数据进行处理，其计算式如下：

r

式中W

步骤3.3：对上一时刻传来的数据和r

式中W

步骤3.4：对以上计算结果进行整合得到当前时刻的最终隐含层状态信息h

步骤3.5：将一个ConvGRU网络得到的最终隐含层状态信息通过双曲正切函数激活，另一个ConvGRU网络得到的最终隐含层状态信息通过sigmoid函数激活，将二者进行卷积后输入后续的图卷积模块GCM中。

图卷积模块GCM由基于MIC的图卷积神经网络组成，利用图卷积神经网络提取多个风电场功率数据之间的空间特征；步骤4包括以下子步骤：

步骤4.1：采用MIC最大互信息系数计算表示不同风电场之间相邻关系的邻接矩阵；

步骤4.1.1)用无向图G＝(V,E)对多风电场进行建模，其中图的节点数N即为该地区的风电场数，V代表节点集，E代表边集，v∈V表示一个节点，e＝(v,u)∈E表示从节点u到节点v的一条边，节点v的邻域定义为N(v)＝{u∈V|(v,u)∈E}，图的邻接矩阵A∈R

步骤4.1.2)计算每对风电场功率序列数据之间的最大互信息系数作为图邻接矩阵的元素值，功率序列X和Y之间的MIC计算式如下：

式中p(.)是概率分布函数；Cov(X,Y)是X和Y的协方差，D(.)和E(.)分别是方差和期望，|X||Y|＜B表示在X、Y坐标上划分的网格总数小于B,B一般为总样本量的0.6次幂，计算得到的邻接矩阵各元素值都均为区间[0,1]之间；

步骤4.2：采用图卷积网络来学习多个风电场功率数据之间的相关性，称之为多风电场功率数据的空间特征，将从上一模块获得的信息H

式中A为步骤4.1计算的图邻接矩阵，I是单位矩阵，β为超参数，它控制着保留每个节点原始状态的比值，H

步骤4.3：对步骤4.2得到的各层图卷积的隐含层信息通过多层感知器后进行求和，得到图卷积网络的最终输出结果H

式中W

在步骤5中，将时间递归模块的输出与图卷积模块的输入连接，然后将图卷积模块的输出与另一个时间递归模块的输入连接起来，由此学习到多风电场功率数据耦合的时空相关性；同时在每两个不同模块首尾增加残差连接层，在每一个时间递归模块的输入部位增加跳跃连接层，在避免深度学习过程中梯度消失的同时促进多个风电场功率数据时空特征的耦合。

在步骤6中，将经过n对时间递归模块与图卷积模块处理后提取的特征数据和经过残差层、跳跃层处理的数据降维，其中n是一个由实际多风电场数据集的特征决定的超参数；降维部分称为输出模块，其本质是两个1×1标准卷积层，它们的作用是将输入通道数转换为所需的输出尺寸，从而得到最终的预测结果

相比现有技术，本发明的有益效果：

1)本发明融合了图卷积网络、卷积门控递归单元和深度残差网络的优点，能够获取多个风电场的风电数据中的时空信息，同时输出多个风电场和多个时间步长的短期功率预测结果，有利于大规模风电数据实现并网运行，对电网的安全与稳定运行产生积极影响；

2)本发明使用基于最大互信息系数的图卷积模块(GCM)学习不同风电场之间的空间特征，在空间特征提取的精准度方面优于现有的提取空间特征的方法；

3)本发明使用基于先进的卷积门控递归单元的时间递归模块(TRM)学习每个风电场功率序列的时间依赖性，有效提高了功率预测的准确性；

4)实际算例结果表明，本发明方法结构合理，不仅在实际风力发电数据集上表现良好,与其余预测模型相比也有更好的预测精度。此外，与精度较高的其余多风电场预测模型相比，本发明方法的预测效率更高。

附图说明

图1为基于时空融合图神经网络的多风电场短期功率预测方法的结构示意图；

图2为时间递归模块的结构示意图；

图3为门控递归单元网络的结构示意图；

图4为卷积门控递归单元网络的结构示意图；

图5为本发明实施例中18座风电场的MIC邻接矩阵热力图；

图6为本发明实施例中18座风电场的无向图；

图7为图卷积模块中图卷积网络的结构示意图；

图8为残差连接层的结构示意图；

图9为本发明实施例中3号风电场预测曲线与实际曲线对比图(MW)；

图10为本发明实施例中随机选取的30天内，18个风电场在0～24小时内平均风电功率值热力图(MW)；

图11为本发明实施例中随机选取的30天内，18个风电场在0～24小时内平均绝对百分比误差X

图12为本发明实施例的18座风电场不同预测方法预测结果的X

图13为本发明实施例的18座风电场不同预测方法预测结果的均方根误差X

图14为本发明实施例的18座风电场不同预测方法预测结果的平均运行时间(s)；

图15为本发明实施例的18座风电场不同组件预测结果的X

具体实施方案

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。

本发明提供了一种基于时空融合图神经网络的多风电场短期功率预测框架，它包括输入模块、若干依次串接的时间递归模块TRM与图卷积模块GCM、额外连接两种模块的跳跃连接层与残差连接层，以及最后的输出模块。

其中，输入模块将历史功率数据和气候数据组成的张量S输入到第一个时间递归模块TRM

如图1所示，本发明包括一种基于时空融合图神经网络的多风电场短期功率预测方法包括以下步骤：

步骤1：采集同一大型风电基地的多座目标风电场小时级的历史功率数据和外部气象信息数据，将N座目标风电场T

步骤2：使用输入模块将输入数据S映射到高维空间中，输入模块是一个1×1标准卷积层。其中高维空间的具体维度数是一个超参数，由实际多风电场数据集的特征决定；

步骤3：利用时间递归模块TRM中的卷积门控循环单元神经网络(ConvGRU)提取单个风电场功率数据的时序特征，如图2所示，时间递归模块由两个ConvGRU网络组成；

根据图3和图4对ConvGRU神经网络流程进行解释：

步骤3.1：用ConvGRU模型结构中的更新门对上一时刻传来的数据进行处理，以此决定将多少过去时刻的信息传递到未来，其计算式如下：

z

式中h

步骤3.2：用ConvGRU模型结构中的重置门对上一时刻传来的数据进行处理，其计算式如下：

r

式中W

步骤3.3：对上一时刻传来的数据和r

式中W

步骤3.4：对以上计算结果进行整合得到当前时刻的最终隐含层状态信息h

步骤3.5：将一个ConvGRU网络得到的最终隐含层状态信息通过双曲正切函数激活，另一个ConvGRU网络得到的最终隐含层状态信息通过sigmoid函数激活，将二者进行卷积后输入后续的图卷积模块GCM中。

步骤4：利用图卷积模块GCM中的基于MIC的图卷积神经网络提取多个风电场功率序列数据间的空间特征；

步骤4.1：采用MIC最大互信息系数计算表示不同风电场之间相邻关系的邻接矩阵；

步骤4.1.1)用无向图G＝(V,E)对多风电场进行建模，其中图的节点数N即为该地区的风电场数量。V代表节点集，E代表边集。那么，v∈V表示一个节点，e＝(v,u)∈E表示从节点u到节点v的一条边。节点v的邻域定义为N(v)＝{u∈V|(v,u)∈E}。图的邻接矩阵A∈R

步骤4.1.2)计算每对风电场功率序列数据之间的最大互信息系数作为图邻接矩阵的元素值，功率序列X和Y之间的MIC计算式如下：

式中p(.)是概率分布函数；Cov(X,Y)是X和Y的协方差，D(.)和E(.)分别是方差和期望。|X||Y|＜B表示在X、Y坐标上划分的网格总数小于B,B一般为总样本量的0.6次幂，计算得到的邻接矩阵各元素值都均为区间[0,1]之间。图5和图6即为本发明实施例中18座风电场的邻接关系图，在图5中，方格颜色越深，对应风电场的MIC邻接矩阵值就越大，它们之间的空间相关性就越强；在图6中，风电场对节点线段距离越近，其空间相关性越强；

步骤4.2：采用图卷积模块中的图卷积网络来学习多个风电场功率数据之间的相关性，称之为多风电场功率数据的空间特征。将从上一模块获得的信息H

式中A为步骤4.1计算的图邻接矩阵，I是单位矩阵，β为超参数，它控制着保留每个节点原始状态的比值，H

步骤4.3：对步骤4.2得到的各层图卷积的隐含层信息通过多层感知器后的信息进行求和，得到图卷积模块的最终输出结果H

式中W

步骤5：将时间递归模块与图卷积模块交错排列并连接起来，同时在每两个不同模块首尾增加残差连接层，在每一个时间递归模块的输入部位增加跳跃连接层，可以在避免深度学习过程中梯度消失的同时促进多个风电场功率数据时空特征的耦合。

残差连接层原理如图8所示。在深度学习网络中，将输入设为x，输出设为y，当增加一个残差连接时，直接将输入作为初始结果传输到输出。此时，学习目标变为F(x)＝y-x,F(x)为x到y的残差，这种方法可以简化了深度模型的训练难度。

跳跃连接层的作用则是将深度学习网络中的浅层和深层连接起来，形成数据信号流的路径，从而有效地解决梯度消失和爆炸问题。本说明方法中的跳跃连接层本质上是1×Li标准卷积，其中Li是输入到第i个跳跃连接层的序列长度。它对跳转到输出模块的信息进行规范化，以保持相同的序列长度。

步骤6：将经过n对时间递归模块与图卷积模块处理后提取的特征数据和经过残差层、跳跃层处理的数据降维，其中n是一个由实际多风电场数据集的特征决定的超参数。降维部分称为输出模块，其本质是两个1×1标准卷积层，它们的作用是将输入通道数转换为所需的输出尺寸，从而得到最终的预测结果

在本实施例中，使用了来自同一大型风电基地的18个目标风电场14个月小时级的风力发电功率数据集来进行多风电场的日前功率预测，即预测结果为18风电场未来24小时的风电功率值。输入的数据还包括风电场所处三个子区域的每日最低和最高气温、天气类型和平均风速。本实施例使用平均绝对百分比误差(MAPE)和均方根误差(RMSE)对预测精度进行评价，它们的计算公式如下：

式中

图9为本发明实施例中3号风电场预测曲线与实际曲线对比图，可以看出本发明方法同时具有较小的整体误差和较小的单点预测误差。图10和图11分别为本发明实施例中随机选取的30天内，18个风电场在0～24小时内平均风电功率值热力图和平均X

图12和图13分别为本发明实施例的18座风电场不同预测方法预测结果的X

图14是两种多风电场风电功率预测方法与本发明方法的平均运行时间对比图，与单风电场功率预测方法相比，本发明方法可以一次性输出多个风电场的功率预测结果，效率较高；与一次性输出多个风电场功率预测结果的TPA-LSTM方法和MTGNN方法相比，本发明方法的预测时间分别减少了34.32％和55.94％，预测效率最高。

图15所示为本发明方法以及在本发明方法的基础上分别将图卷积模块换为线性层、最大互信息系数法换为皮尔逊相关系数法、去掉跳跃层、去掉残差层、去掉跳跃层和残差层、去掉图卷积模块以及去掉深层结构后模型的X