一种分布式区域风电功率预测方法与流程
本发明涉及风电领域，具体地涉及一种分布式框架下的区域风电有功功率预测方法。
背景技术：
在电网规模不断增长的背景下，能源与环境问题同日益增长的用电需求之间的矛盾不断凸显，清洁能源发电的比例逐步提高。改善能源结构，促进新能源消纳，将是电力系统研究的重要方向。然而，以风力发电、光伏阵列为首的清洁能源发电具有高随机性与波动性，并且电能难以大规模存储，同时考虑到源网规划不协调等因素，对电力系统调峰和调度提出了新的挑战，也在很大程度上限制了可再生能源的消纳。因而对新能源出力的精准预测是维护电网运营供需平衡及安全稳定的有效方式。
现有风光发电功率预测方法主要包括基于物理建模方法和统计方法。其中，物理建模方法主要通过建立数学模型以研究气象演变过程，并根据光电、风电转换物理模型等进行预测，其不需要大量的样本数据，但模型复杂、计算量大，抗干扰能力较差。统计方法，诸如时间序列模型、回归分析模型以及卡尔曼滤波模型等，使用历史测量数据间的统计关系对功率进行预测，可以有效解决预测延迟的问题，然而其对原始数据的处理和时间序列的稳定性要求较高，难以反映非线性因素的影响；而诸如人工神经网络、支持向量机等，可以拟合复杂的非线性关系，然而现有方法多为浅层神经网络，对输入数据的深层特征挖掘不够，泛化能力有待提高。
深度学习技术受噪声干扰小，能充分挖掘数据间的关联性，为可再生能源发电功率预测提供了强大支撑。然而基础深度学习预测方法只考虑了单向的数据信息流，忽视了反向数据序列变换规律对短时预测的影响，同时对数据的时间相关性以及周期性考虑不足，当输入的时间序列较长时，易丢失序列信息，模型的预测精度不高。
由于风电有功功率预测精度仍然无法满足有功功率精细化调度的要求；现有的预测模型当输入的时间序列较长时，易丢失序列信息，模型的预测精度不高。
因此，有必要提供一种新的区域风电有功功率预测方法，以提高预警的精度、满足调度要求。
技术实现要素：
针对现有技术的上述问题，本发明拟提出一种分布式区域风电功率预测方法，以有效提高风电有功功率预测精度，提高模型的预测精度。
具体地，本发明的实施方式提供了一种分布式区域风电功率预测方法，包括以下步骤：
获取分布式风电场的样本数据集；
对所述分布式风电场的样本数据集进行预处理；
分割所述预处理后的样本数据集为训练集和测试集，并对所述训练集和所述测试集进行归一化处理；
构建分布式预测框架，基于所述分布式预测框架建立全局预测模型；
定义所述全局预测模型的训练误差函数、优化器与学习率，并将网络结构以及初始化参数分发至各个风电场；
选择若干风电场进行预测模型训练；
使用所述训练集和所述测试集分别进行模型训练与测试，并更新预测模型；
对所述风电场进行风电有功功率预测。
可选地，还包括：
定期更新全局预测模型；
向所有风电场分发更新后的全局预测模型；
重复所述选择若干风电场进行预测模型训练之后的步骤，滚动更新所述全局预测模型。
可选地，所述样本数据集包括一段时间内所述分布式风电场所处环境的气象信息以及对应的风电有功功率。
可选地，所述预处理包括替代异常数据。
可选地，建立全局预测模型包括基于attention机制与小波分解的lstm模型方法。
可选地，所述attention机制层的权重系数计算公式为：
et＝utanh(wht+b)
式中：et为第t时刻由神经网络隐藏层输出向量ht所决定的注意力概率分布值；u和w为权重系数；b偏置系数；st为attention机制在t时刻的输出。
可选地，所述预测模型包括输入层、bilstm隐藏层、attention层、全连接层以及输出层。
可选地，所述选择若干风电场进行预测模型训练包括根据各个节点的ping值进行选择，选择ping值小于500ms的风电场参与。
本发明还提出一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明所提出的分布式区域风电功率预测方法。
本发明还提出一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本发明所提出的分布式区域风电功率预测方法。
本发明利用小波分解将传统傅里叶变换的基函数替换成了有限长会衰减的小波基，可以实现给定时间序列中的时域信息与频域信息的提取，在低频具有较高的频率分辨率和较低的时间分辨率，在高频有较低的频率分辨率和较高的时间分辨率，具有强信号表征能力，解决了傅里叶变换时间信息丢失，以及非平稳信号分析困难等问题。
本发明基于总分式框架以及基于attention机制的长短期记忆神经网络(lstm)，提高短期区域风电有功功率预测精度。凭借分布式框架，实现本地化的数据存储与模型训练，全局化模型更新，提供更多信息辅助综合能源系统实时优化调度决策。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是本发明其中一实施例的分布式区域风电功率预测方法具体实施步骤示意图；
图2是本发明其中一实施例的系统架构示意图；
图3是本发明其中一实施例的lstm超短期风功率预测全局模型结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本发明的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。
如图1所示，本实施例所提出的分布式区域风电功率预测方法，包括以下步骤：
s1、采集样本数据；对所需要进行分布式框架预测的风电场区域进行数据采集，主要采集一段时间内上述电场所处环境的气象信息以及对应的风电有功功率，并按时间顺序将上述观测量构成样本数据集；所述气象信息包括气温、气压、风速、风向、相对湿度以及采集上述量的日期与时间；
s2、对步骤1获得的样本数据集进行预处理；
本实施方式的预处理采用如下方法：判断数据是否异常，对于数据集中的数据，如果存在数据明显偏离近期测量数据范围，则很可能是异常值。此时可采取平均法进行处理，即使用近期数据的平均值进行替代。若出现连续异常值(例如异常值持续时长超过15分钟)，则使用历史同期该时段数据进行替换。
对于除去气温外小于0的观测量，使用0替代。
对于时间信息，取其小时数以及星期数进行独热编码处理，处理方式如下：
使用n位状态寄存器来对n个状态进行编码，每个状态使用独立的寄存器位来表示，并且在任意时候，其中只有一位为1。例如
自然状态码为：000,001,010,011,100,101
独热编码为：000001,000010,000100,001000,010000,100000
s3、对s2中的风电场的样本数据集进行分割，按照一定比例不打乱地分割为训练集与测试集；其中分割比例可以为8:2或7:3；分别对s3中训练集和测试集进行归一化；
归一化针对数据集中的有量纲数据对其度量单位的依赖性问题，定义某种规则进行变换，使之落入某一较小的区间范围，以消除不同量纲对于建模过程的影响。常用的零均值归一化过程使得不同量纲的数据转化为无量纲数，并可解决实际值可能突破历史最大最小值的问题，该变换f可表示如下：
f:xi→x′i,x′i∈[-1,1]
其变换方式为：
其中，xi为原始数值,xi'为归一化后数据，μa为变量a的均值，σa为变量a的标准差。
s4、构建分布式框架，中心服务器根据预测要求，建立全局预测模型；
图2为本发明的系统架构示意图。如图2所示，中心服务器与风电场可以通过有线或无线的方式进行通信连接。其中，中心服务器节点可为单个网络服务器、多个网络服务器组成的服务器组或基于云计算的由大量计算机或网络服务器构成的云；风电场则包含气象数据与风电有功功率数据采集、记录、存储设备、本地计算资源以及网络通信设备。
所述全局预测模型建立方法：
如图3所示为本发明的lstm超短期风功率预测全局模型结构。具体地，基于attention机制与小波分解的lstm模型建立方法如下：
(1)小波分解
设任意函数g(t)，ψ(t)是平方可积函数，即g(t)∈l2(r)，ψ(t)∈l2(r)，且ψ(t)满足允许条件：
则连续小波变换函数wg(p,q)可定义为：
小波变换的重构公式为：
常使用离散小波变换处理离散信号。p和q的离散化公式分别取作
(2)lstm原理结构
长短期记忆网络结构包含输入层，长短期记忆网络层lstm#1，长短期记忆网络层lstm#2，全连接层dense#1，全连接层dense#2。所有lstm层中使用sigmoid函数作为激活函数。所述的lstm层具体表示为：
it＝σ(wiixt+bii+whih(t-1)+bhi)
ft＝σ(wifxt+bif+whfh(t-1)+bhf)
gt＝tanh(wigxt+big+whgh(t-1)+bhg)
ot＝σ(wioxt+bio+whoh(t-1)+bho)
ct＝ft*c(t-1)+it*gt
ht＝ot*tanh(ct)
其中，xt为t时刻lstm层的输入，it表示t时刻lstm神经元的输入门，ft表示t时刻lstm神经元的遗忘门，gt表示t时刻lstm神经元的细胞门，ot表示t时刻lstm神经元的输出门；ct表示t时刻lstm神经元的细胞状态，ht表示t时刻lstm神经元的隐藏状态；wii表示xt进入输入门的权重，whi表示上一时刻隐藏状态的输出到这一时刻输入门的权重；wif表示xt进入遗忘门的权重，whf表示上一时刻隐藏状态的输出到这一时刻输入门的权重；wig表示xt进入细胞门的权重，whg表示上一时刻隐藏状态的输出到这一时刻细胞门的权重；wio表示xt进入输出门的权重，who表示上一时刻隐藏状态的输出到这一时刻输出门的权重；bii表示输入门处的偏置项，bhi表示由上一时刻隐藏状态到输入门的偏置项；bif表示输入门到遗忘门的偏置项，bhf表示由上一时刻隐藏状态到遗忘门的偏置项；big表示由输入门到细胞门的偏置项，bhg表示由上一时刻隐藏状态到细胞门的偏置项；bio表示由输入门到输出门的偏置项，bho表示由上一时刻隐藏状态到输出门的偏置项。*表示hadamard乘法；σ与tanh分别代表sigmoid与双切正切激活函数。为方便起见，构建的神经网络中全部权重与偏置的集合记作w。
一种可用的全局预测神经网络模型超参数设定如下：
lstm#1：128神经元
lstm#2：128神经元
dense#1：64神经元
dense#2(输出层)：32神经元
(3)attention机制
将attention机制引入本方法中，可以有效解决由于输入长时间序列所导致的模型难以学到合理的向量表示的情况；同时针对风电功率特性，突出由于数据特性差异所造成的对不同时间点位置的注意力分布的不同，捕捉数据间的时间相关性并选择相应的驱动数据来进行预测。
attention机制层的权重系数计算公式可表示为：
et＝utanh(ωht+b)
式中：et为第t时刻由神经网络隐藏层输出向量ht所决定的注意力概率分布值；u和w为权重系数；b偏置系数；st为attention机制在t时刻的输出。
综上，模型包括输入层、bilstm隐藏层、attention层、全连接层以及输出层。bilstm层实现双向特征学习，充分利用序列的时间关联特性；attention层突出关键信息的影响，增强模型判断的准确性；全连接层进行局部特征整合。模型具有良好的特征提取和建模能力。
1)输入层
经标准化处理后的风功率数据与气象数据，经过小波分解与重构后，分别作为神经网络模型的目标与输入，考虑到风功率序列具有明显的周期性，选取输入序列时间步长为24。
2)lstm隐藏层
lstm隐藏层可以充分学习数据之间的信息：按照时间步的先后关系，前向计算由t＝1至t＝t的时间顺序，计算并保存每个时刻向前隐含层的输出，后向计算由时间t＝t至t＝1的时间顺序，计算并保存每个时刻向后隐含层的输出；随后，在每个时刻结合前后向的相应单元状态得到各个时间步的最终输出值。
3)attention层
对隐藏层单元进行选择性的学习，风功率由于数据特性差异会造成对不同时间点位置的注意力分布的不同，捕捉数据间的时间相关性进行预测。
4)输出层
使用全连接层对结果进行降维，选取非饱和激活函数relu函数作为dense层的激活函数，对输出数据进行非线性映射，使得网络可以自行引入稀疏性，提高了训练速度，得到最终的输出结果。
s5、定义步s4中建立的全局预测模型的训练误差函数、优化器与学习率，并将网络结构以及初始化参数分发至各个风电集群；
所述训练误差函数选择均方误差(mse)：
其中，yi和
所述优化器与学习率选择方式如下：
为配合分布式框架，神经网络训练的优化器使用随机梯度下降(sgd)，学习率可设定为0.01、0.001或0.1。单次输入训练批次大小可选择128或64，特别地该批次大小可根据风电场配备的计算设备的运行内存或显存大小进行调整，最小为1。
s6、中心服务器根据与各个风电场的通信状态，选择若干风电场进行预测模型训练；
所述选择参与训练的风电场的方式如下：
例如中心服务器根据各个节点的ping值进行选择，选择ping值小于500ms的风电场参与。
s7、对s6中被选择的各个站点，使用步骤4中准备好的本地训练集和测试集分别进行模型训练与测试，并更新本地预测模型；
s8、各个风电场进行风电有功功率预测。
进一步地，还包括：
s9、中心服务器定期根据人员指令更替全局预测模型结构；
s10、中心服务器向所有风电场分发更新后的全局模型；
s11、重复s6至s10，进行全局模型的滚动更新。
进一步地，本发明还涉及一种电子设备，包括：至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明所提出的分布式区域风电功率预测方法。
其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。
处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
本发明还提出一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现权本发明所提出的分布式区域风电功率预测方法。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明利用小波分解将传统傅里叶变换的基函数替换成了有限长会衰减的小波基，可以实现给定时间序列中的时域信息与频域信息的提取，在低频具有较高的频率分辨率和较低的时间分辨率，在高频有较低的频率分辨率和较高的时间分辨率，具有强信号表征能力，解决了傅里叶变换时间信息丢失，以及非平稳信号分析困难等问题。
本发明基于总分式框架以及基于attention机制的长短期记忆神经网络(lstm)，提高短期区域风电有功功率预测精度。凭借分布式框架，实现本地化的数据存储与模型训练，全局化模型更新，提供更多信息辅助综合能源系统实时优化调度决策。
本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。
- 还没有人留言评论。精彩留言会获得点赞！