一种多视角融合海上风电场机群功率预测方法
文献发布时间:2024-04-18 20:02:40
技术领域
本发明涉及风电功率预测的技术领域,更具体地,涉及一种多视角融合海上风电场机群功率预测方法。
背景技术
随着海上风电的快速发展,如何准确预测风电机群的功率成为了一个重要的问题。准确的预测可以帮助电网调度部门更好地管理电力系统,保证电力系统的安全稳定运行。然而,海上风电机群的功率预测面临着许多挑战。首先,海上风电机群的动态特性、复杂的拓扑结构以及风机之间的相互关系都会影响预测的准确性。此外,由于海上风电场的地理位置和气象条件的特殊性,传统的预测方法往往无法满足预测的需求。
现有技术公开了一种基于深度学习的预测方法,包括以下步骤:建立混合神经网络的时空相关性进行短期功率预测,并将所有时空相关子集群的短期功率预测结果累加,得到待预测时段的区域风电短期功率预测结果。然而,上述方法在处理风电机群的复杂拓扑结构时,无法充分捕捉风电机群的结构特征,而且混合神经网络无法充分捕捉风电机群的动态特性,从而无法获得准确且可靠的预测结果。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种多视角融合海上风电场机群功率预测方法,不仅可充分捕捉风电机群的结构特征,而且可充分捕捉风电机群的动态特性,从而有效提高海上风电功率的预测精度。
为解决上述技术问题,本发明采用的技术方案是:
提供一种多视角融合海上风电场机群功率预测方法,包括以下步骤:
S1. 获取目标海上风电场中各风机的功率、风速、风向、降水量数据以及每台风机的地理位置,并进行预处理;
S2. 将预处理后的风电场功率、风速、风向、降水量数据构成特征矩阵,根据预处理后的风电场各风机功率构建功率关系矩阵和欧几里得距离矩阵,并根据每台风机的地理位置构建地理位置矩阵、邻居关系矩阵;
S3. 构建空间图嵌入模块和交叉融合卷积模块,将多个图矩阵依次输入至空间图嵌入模块和交叉融合卷积模块,在空间图嵌入模块进行空间相关性嵌入以及图间相关性嵌入,在交叉融合卷积模块进行注意力提取融合,所述图矩阵包括功率关系矩阵、地理位置矩阵、邻居关系矩阵和欧几里得距离矩阵;
S4. 构建考虑空间拓扑影响的图卷积神经网络,将处理过的特征矩阵同多视角拓扑矩阵一同输入至图卷积神经网络,得到融合多种拓扑信息的特征矩阵;
S5. 构建多重时序门控模块,将信息融合的特征矩阵通过多重时序门控模块,实现不同时间的感受野,最终得到时空信息聚合的预测输出;
S6. 利用训练集对模型进行训练,获得最优模型参数,将下一时刻的风电状态特征输入至训练得到的最优模型,对下一时刻的风电功率进行预测。
本发明的多视角融合海上风电场机群功率预测方法,首先对风速时间序列、风向时间序列及风电功率时间序列预处理,得到特征向量,根据各风机的数据和地理位置构造功率关系矩阵、地理位置矩阵、邻居关系矩阵和欧几里得距离矩阵,然后构建空间图嵌入模块,从而将图矩阵嵌入节点空间信息和图间节点信息,将嵌入信息矩阵输入至交叉融合卷积模块,进一步关注提取空间和图间的关键信息得到多视角拓扑矩阵,为之后的图卷积神经网络提供各风机之间有效的权重关系,随后构建切比雪夫图卷积神经网络处理特征向量和多视角拓扑矩阵,使每个风机的特征向量都能得到其他风机的有效权重,最后由多重门控时序模块筛选出时序特征。本发明的多视角融合海上风电场机群功率预测方法,不仅可充分捕捉风电机群的结构特征,而且可充分捕捉风电机群的动态特性,有效减少因忽略风机之间关系导致的误差,弥补了单一风机数据特征欠缺的不足,整体提升海上风电功率预测精度。
优选地,步骤S1中,将功率序列、风速序列、降水量序列采用min-max归一化处理,获得处理后的功率序列P、风速序列WS和降水量序列PRECIP,而风向序列则采用正余弦处理,获得风向正弦SWD和风向余弦CWD。
优选地,步骤S2包括以下步骤:
S21. 经过预处理得到
其中
S22. 根据不同角度分别构建多个信息矩阵,所述信息矩阵包括功率关系矩阵
功率关系矩阵
其中,
地理位置矩阵
其中,
邻居关系矩阵
式中,
欧几里得距离矩阵
其中,
优选地,步骤S3中所述在空间图嵌入模块进行空间相关性嵌入以及图间相关性嵌入包括以下步骤:
S31. 通过堆叠将多个图矩阵组合为一个多图矩阵块
S32. 将
S33. 将
优选地,步骤S3中,所述交叉融合卷积模块包括两个卷积注意力模块和一个门控融合单元,两个卷积注意力层后各接一个全连接层,门控融合单元的激活函数为
优选地,所述在交叉融合卷积模块进行注意力提取融合包括以下步骤:
S34. 将步骤S33中得到的嵌入矩阵
S35. 通过将嵌入矩阵
其中,
S36. 将经过注意力卷积处理的空间注意矩阵
其中,
优选地,步骤S4中,将
优选地,步骤S4中,图卷积神经网络中图卷积公式计算步骤如下:
S41. 先设定所述图卷积神经网络的初步图卷积公式为:
其中,
S42. 采用切比雪夫多项式近似替换谱域卷积核,切比雪夫多项式定义为:
其中,
其中,
其中,
S43. 将
其中,
优选地,步骤S5中,多重时序门控模块采用通过大小不同的卷积核实现不同的感受野,输入
其中,
其中,
与现有技术相比,本发明的有益效果是:
本发明的多视角融合海上风电场机群功率预测方法,不仅可充分捕捉风电机群的结构特征,而且可充分捕捉风电机群的动态特性,有效减少因忽略风机之间关系导致的误差,弥补了单一风机数据特征欠缺的不足,整体提升海上风电功率预测精度。
附图说明
图1为本发明多视角融合海上风电场机群功率预测方法的流程图;
图2为空间注意实现风机在每个图矩阵与其他风机的空间关系的示意图;
图3为图注意实现每个图矩阵的风机之间的图间关系的示意图;
图4为实施例二中多视角融合海上风电场机群功率预测方法的预测效果示意图;
图5为本发明多视角融合海上风电场机群功率预测系统的示意图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。
实施例一
本实施例为多视角融合海上风电场机群功率预测方法的实施例,包括以下步骤:
S1. 获取目标海上风电场中各风机的功率、风速、风向、降水量数据以及每台风机的地理位置,并进行预处理;
S2. 将预处理后的风电场功率、风速、风向、降水量数据构成特征矩阵,根据预处理后的风电场各风机功率构建功率关系矩阵和欧几里得距离矩阵,并根据每台风机的地理位置构建地理位置矩阵、邻居关系矩阵;
S3. 构建空间图嵌入模块和交叉融合卷积模块,将多个图矩阵依次输入至空间图嵌入模块和交叉融合卷积模块,在空间图嵌入模块进行空间相关性嵌入以及图间相关性嵌入,在交叉融合卷积模块进行注意力提取融合,所述图矩阵包括功率关系矩阵、地理位置矩阵、邻居关系矩阵和欧几里得距离矩阵;
S4. 构建考虑空间拓扑影响的图卷积神经网络,将处理过的特征矩阵同多视角拓扑矩阵一同输入至图卷积神经网络,得到融合多种拓扑信息的特征矩阵;
S5. 构建多重时序门控模块,将信息融合的特征矩阵通过多重时序门控模块,实现不同时间的感受野,最终得到时空信息聚合的预测输出;
S6. 利用训练集对模型进行训练,获得最优模型参数,将下一时刻的风电状态特征输入至训练得到的最优模型,对下一时刻的风电功率进行预测。
步骤S1中,将功率序列、风速序列、降水量序列采用min-max归一化处理,获得处理后的功率序列P、风速序列WS和降水量序列PRECIP,而风向序列则采用正余弦处理,获得风向正弦SWD和风向余弦CWD。本发明功率序列、风速序列、降水量序列的预处理方式也可以采用其他如均值处理、差值处理等预处理方式进行数据处理。
步骤S2包括以下步骤:
S21. 经过预处理得到
其中
S22. 根据不同角度分别构建多个信息矩阵,所述信息矩阵包括功率关系矩阵
功率关系矩阵
其中,
地理位置矩阵
其中,
邻居关系矩阵
式中,
欧几里得距离矩阵
其中,
如图2所示,根据步骤S22得到的4种
步骤S3中所述在空间图嵌入模块进行空间相关性嵌入以及图间相关性嵌入包括以下步骤:
S31. 通过堆叠将多个图矩阵组合为一个多图矩阵块
S32. 将
S33. 将
步骤S3中,所述交叉融合卷积模块包括两个卷积注意力模块和一个门控融合单元,两个卷积注意力层后各接一个全连接层,门控融合单元的激活函数为
所述在交叉融合卷积模块进行注意力提取融合包括以下步骤:
S34. 将步骤S33中得到的嵌入矩阵
S35. 通过将嵌入矩阵
其中,
S36. 将经过注意力卷积处理的空间注意矩阵
其中,
经过注意力卷积模块处理的过程如图2所示,嵌入矩阵
步骤S4中,将
步骤S4中,图卷积神经网络中图卷积公式计算步骤如下:
S41. 先设定所述图卷积神经网络的初步图卷积公式为:
其中,
S42. 采用切比雪夫多项式近似替换谱域卷积核,切比雪夫多项式定义为:
其中,
其中,
其中,
S43. S43. 将
其中,
步骤S5中,多重时序门控模块采用通过大小不同的卷积核实现不同的感受野,输入
其中,
其中,
经过以上步骤,本发明不仅可充分捕捉风电机群的结构特征,而且可充分捕捉风电机群的动态特性,有效减少因忽略风机之间关系导致的误差,弥补了单一风机数据特征欠缺的不足,整体提升海上风电功率预测精度。
实施例二
本实施例为实施例一的应用实施例,本实施例中,步骤S1中,获取某海上风电场2022/1/1/00:00~2022/7/29/23:00的134台风机的功率、风速、风向和降水量数据等风电相关数据,然后通过空间图嵌入和交叉融合卷积获得该区域内的多视角拓扑矩阵,设置图卷积网络中切比雪夫多项式
实施例三
本实施例为多视角融合海上风电场机群功率预测系统,所述预测系统包括:
数据采集单元,用于获取目标海上风电场中各风机的功率、风速、风向、降水量数据以及每台风机的地理位置;具体地,用于采集原始风电场数据,从原始风电场数据中提取风速时间序列、风向时间序列及风电功率时间序列,获取原始风电场中各风机的地理位置;
数据预处理单元,将数据采集单元采集的数据进行预处理,得到特征矩阵和图矩阵,所述图矩阵包括功率关系矩阵、地理位置矩阵、邻居关系矩阵和欧几里得距离矩阵;具体地,将从原始风电场数据中提取的时间序列进行预处理,得到特征向量,以风电功率时间序列作为预测目标值,将特征向量及风电功率时间序列均分别划分为训练集和验证集;
风电场风机群图构建及处理单元,用于构建空间图嵌入模块和交叉融合卷积模块,空间图嵌入模块用于进行空间相关性嵌入以及图间相关性嵌入,交叉融合卷积模块用于注意力提取融合,融合成多视角拓扑信息的特征矩阵;其中,每个风机的数据信息视为一个节点,根据风机数据相关性、地理信息、数据分布情况形成风机之间的多张关系网,包含风机群的耦合关系;
空间模型构建及处理单元,用于构建利用图信息特征的切比雪夫图卷积神经网络,将多视角图矩阵和预处理数据输入至图卷积神经网络中,使得单个风机的数据特征充分融汇多个视角下的其他风机的有效信息;
时间模型构建及处理单元,用于构建利用时间特征的多重时序门控神经网络,提取风机的时间连续性特征;
预测输出单元,用于将多视角图矩阵和测试集特征向量输入至训练好的神经网络,获得各风机的风电功率预测输出。
本实施例的多视角融合海上风电场机群功率预测系统,数据预处理单元对风速时间序列、风向时间序列及风电功率时间序列预处理,得到特征向量,根据各风机的数据和地理位置构造功率关系矩阵、地理位置矩阵、邻居关系矩阵和欧几里得距离矩阵,风电场风机群图构建及处理单元,将图矩阵嵌入节点空间信息和图间节点信息,将嵌入信息矩阵输入至交叉融合卷积模块,进一步关注提取空间和图间的关键信息得到多视角拓扑矩阵,为之后的图卷积神经网络提供各风机之间有效的权重关系,随后空间模型构建及处理单元构建切比雪夫图卷积神经网络处理特征向量和多视角拓扑矩阵,使每个风机的特征向量都能得到其他风机的有效权重,随后时间模型构建及处理单元构建多重门控时序模块筛选出时序特征,最后预测输出单元将各风机的风电功率预测输出。本发明的多视角融合海上风电场机群功率预测方法,不仅可充分捕捉风电机群的结构特征,而且可充分捕捉风电机群的动态特性,有效减少因忽略风机之间关系导致的误差,弥补了单一风机数据特征欠缺的不足,整体提升海上风电功率预测精度。
在上述具体实施方式的具体内容中,各技术特征可以进行任意不矛盾的组合,为使描述简洁,未对上述各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
显然,本发明的上述实施例仅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。
- 考虑气象相似性和功率波动的海上风电场功率预测方法
- 考虑气象相似性和功率波动的海上风电场功率预测方法