基于梯度进化的新建风电场风电功率预测方法及系统

本发明涉及风电功率预测的，更具体地，涉及一种基于梯度进化的新建风电场风电功率预测方法及系统。

背景技术：

1、在双碳背景下，发展新能源发电成为全球趋势，风能作为清洁能源之一，具有可利用性强、时序波动性大的特点，其规模也在不断扩大，伴随而来的风电大规模并网对电力系统的经济、调度影响不可忽视，而精准的风电功率预测对整个电力系统的安全稳定性具有重要意义。

2、拥有丰富历史数据的风电场可以通过数学建模、机器学习、深度学习预测模型进行预测，而针对新建风电场缺乏历史数据导致预测精度低的问题，考虑邻近风电场与目标风电场在时间、空间上的隐含关系，利用邻近风电场拥有的历史功率数据和气象数据，有效的量化邻近风电场对目标风电场的时空关系，利用时空图卷积生成对抗网络实现数据扩充，进一步提升生成数据的质量。迄今为止，已有的生成数据方法仅考虑目标风电场自身的少样本历史数据，训练样本不足，使得生成数据单一，且未充分考虑邻近风电场的影响，因此，如何利用邻近风电场与目标风电场在时间、空间上的关系实现数据扩充，成为一种亟需解决的技术问题。

3、此外，风电功率时间序列和风速时间序列具有随机性和波动性强的特点，如果直接将这些特征序列输入到预测模型，其高频分量会加大预测的难度，降低预测精度。

4、现有技术中公开了一种新建风电场少数据风电功率短期预测方法，具体是一种基于进化生成对抗网络和双向门控循环单元的新建风电场少数据风电功率短期预测方法，该方法采用进化计算优化生成对抗网络，使得生成模型能够高效学习原始少数据的边际分布，并生成具有模态多样性和相似边际分布的新数据，以弥补原始小规模数据的局限性，对于新建风电场的少数据风电功率预测精度提升具有实际性的帮助；采用纵横交叉优化算法优化bigru网络中dense层权重和偏置项，能够有效避开模型陷入局部最优并帮助其寻找到全局最优解，对提高少数据新建风电场的风电功率预测精度具有明显的效果，但在该方法实施的过程中，从模型外部入手，通过优化算法搜索训练完成后的参数最优解，并未实质性的解决模型训练过程中出现的梯度消失、梯度爆炸、局部最优等问题，对于模型最终用于风电功率预测时的预测精度有不良影响，无法保证风电功率预测精度。

技术实现思路

1、为解决当前用于新建小样本风电场风电功率预测的方法预测精度低的问题，本发明提出一种基于梯度进化的新建风电场风电功率预测方法及系统，提升了新建少样本风电场风电功率预测的精度。

2、为了达到上述技术效果，本发明的技术方案如下：

3、一种基于梯度进化的新建风电场风电功率预测方法，所述方法包括以下步骤：

4、s1.获取目标风电场及其邻近风电场的风电相关数据，并对风电相关数据进行处理；

5、s2.构建邻近风电场与目标风电场的时空图卷积生成对抗网络，将s1处理后的风电相关数据输入至时空图卷积生成对抗网络，以生成数据实现数据扩充；

6、s3.将未处理前目标风电场的风电相关数据与基于时空图卷积生成对抗网络的生成数据作为源数据集，利用多元模式分解将源数据集分解，基于分解后的数据形成输入特征矩阵；

7、s4.构建包括卷积神经网络和进化门控循环单元网络的预测模型；

8、s5.将输入特征矩阵作为预测模型的输入，利用预测模型的卷积神经网络提取特征，利用预测模型的进化门控循环单元网络挖掘特征之间的隐含时空关系；

9、s6.基于梯度进化计算框架，利用输入特征矩阵中的数据训练预测模型，得到训练好的预测模型，用于风电功率预测。

10、优选地，步骤s1所述的风电相关数据包括风电功率序列、风速序列、风向序列及温度数据，处理的过程为：将风电功率序列、风速序列、风向序列、温度数据进行异常值剔除和缺失值填补，风向序列采用正余弦处理，获得风向正弦序列wdsin和风向余弦序列wdcos。

11、优选地，构建邻近风电场与目标风电场的时空图卷积生成对抗网络时，以多图卷积神经网络作为时空图卷积生成对抗网络的生成器，其中，包括目标风电场与邻近风电场的相似性图gcn-sim、相关性图gcn-cor及距离图gcn-dst，相似性图gcn-sim、相关性图gcn-cor及距离图gcn-dst叠加起来构成综合图gcn-syn，每张图由风电场节点ν和边ε组成，表示为g＝(ν,ε)，每个节点表示一个邻近风电场，每条边表示各个邻近风电场与目标风电场之间的相关性关系，由处理后的每个风电场的风电相关数据得出；

12、设相似性图gcn-sim对应的相似性邻接矩阵为asim，相关性图(gcn-cor)的相关性邻接矩阵为acor，距离图(gcn-dst)的距离邻接矩阵为adst，则融合图(gcn-syn)的综合邻接矩阵为asyn＝asim+acor+adst，所有矩阵都被归一化到(0，1)；

13、以一层时空卷积神经网络作为时空图卷积生成对抗网络的判别器，将s1处理后的风电相关数据输入至时空图卷积生成对抗网络，采用距离邻接矩阵adst作为图的邻接矩阵来判别生成数据与原始风电相关数据之间的误差，指导生成器迭代更新，生成高质量数据。

14、在本技术方案中，采用时空图卷积生成对抗网络构成一定范围内邻近风电场与目标风电场的相似邻接矩阵asim、相关邻接矩阵acor、距离邻接矩阵adst，三者分别构成相似图(gcn-sim)、相关图(gcn-cor)、距离图(gcn-dst)，再融合构成综合图(gcn-syn)，综合利用不同图所包含的时空关系生成高质量的数据，实现数据的扩充，提高了所需样本的数量和质量，有利于提升风电功率预测精度。

15、优选地，利用多元模式分解将源数据集分解，基于分解后的数据形成输入特征矩阵的过程为：

16、s31.设p(k)(t)表示源数据集中t时刻风电功率时间序列，vm(k)(t)、vz(k)(t)分别表示源数据集中t时刻经向风速时间序列和带状风速时间序列，则满足：

17、

18、其中，x(t)包含内在模式函数uk(t)的子序列数nimf；

19、s32.利用多元模式分解将源数据集分解，得到三组分别属于p(t)、vm(t)、vz(t)的子序列这些子序列的集合被用作预测模型的输入之一；

20、s33.基于分解后的数据形成输入特征矩阵xinput，表达式为：

21、

22、其中，pt-m、temt-m分别表示风电场t-m时刻风电场的功率、径向风速、带状风速、风向正弦、风向余弦和温度。

23、优选地，步骤s4所述构建包括卷积神经网络和进化门控循环单元网络的预测模型的过程为：

24、s41.搭建卷积神经网络模块以提取输入特征矩阵的输入特征，卷积神经网络模块包括三层2d卷积层和一个全连接层，三层2d卷积层的卷积核大小相同，过滤器数量分别为4、8、16，激活函数均为relu函数，填充方式均为same，采用最大池化方式池化，三层2d卷积层后接一个全连接层输出；

25、s42.搭建三层进化门控循环单元网络，三层进化门控循环单元网络的神经元数量分别为4、8、16，激活函数均为relu函数，三层门控循环单元网络后接一个全连接层，全连接层激活函数为relu函数，三层进化门控循环单元网络前向传播公式满足：

26、

27、其中，wr、wz、wh、ur、uz、uh为权重参数矩阵，br、bz、bh为偏置参数矩阵，为矩阵乘法，σ为sigmod函数，rt为重置门，zt为更新门，为当前时刻隐含层的候选状态，yt为当前隐含状态，yt-1为前一时刻的隐含状态，xt为当前时刻的输入状态。

28、s43.卷积神经网络模块的输出端连接三层进化门控循环单元网络的输入端。构成预测模型。

29、优选地，步骤s5所述利用预测模型的卷积神经网络提取特征时，由卷积神经网络模块对输入特征矩阵xinput中的输入多维特征数据进行特征提取，卷积神经内网络模块输入层维度为n×m×t，输出为：

30、

31、其中，表示卷积神经网络模块的输出，xi+n,j+m表示输入特征矩阵xinput第n行m列的值，fcov(·)表示选择激活函数，ωn,m表示卷积核n行m列的权重，bn,m是卷积核偏差，k为滑动窗口大小。

32、优选地，在步骤s6中，梯度进化计算框架包括三种训练模块，具体为：带动量的梯度下降训练模块、加速梯度下降训练模块及自适应矩估计训练模块，在带动量的梯度下降训练模块中，参数更新方式为：

33、vdw＝βvdw+(i-β)dw

34、vdb＝βvdb+(1-β)db

35、w＝w-αvdw，b＝b-αvdb

36、其中，α为学习率，β控制指数加权平均数，w为权重，b为偏差；

37、在加速梯度下降训练模块中，参数更新方式为：

38、sdw＝βsdw+(1-β)dw2

39、sdb＝β＝sdb+(1-β)db2

40、

41、在自适应矩估计训练模块中，参数更新方式为：

42、

43、

44、

45、其中，β1为带动量的梯度下降训练模块中的控制指数加权平均数参数，β2为加速梯度下降训练模块中的控制指数加权平均数参数，ε用以防止分母为0。

46、优选地，基于梯度进化计算框架训练预测模型时，训练过程中，采用梯度进化计算框架中的三种训练模块分别进行迭代训练，具体如下：

47、s61.每迭代一次产生子代后,对每个子代进行质量评估，按照预测精度设定得分机制，预测精度得分为sp，表达式为：

48、sp＝νrmse

49、其中，νrmse越低代表子代越优秀，按照νrmse选出最优进化子代，分别表示当前迭代次数下三种训练模块中表现最优的个体，j表示当前进化的代数，s、r、a分别表示三种训练模块对应的训练方式，为带动量的梯度下降训练方式、加速梯度下降训练方式及自适应矩估计训练方式；

50、s62.进化融合:在分别得到是三种训练模块中表现最优的个体后，根据s61中的预测精度得分，分别计算个体所对应的权重系数，表达式分别为：

51、

52、

53、

54、其中，k1表示带动量的梯度下降训练方式的权重，表示带动量的梯度下降训练方式的预测精度分数，k2表示加速梯度下降训练方式的权重，表示加速梯度下降训练方式的预测精度分数，k3表示自适应矩估计训练方式的权重，表示自适应矩估计训练方式的预测精度分数；

55、s63.将得到的权重系数加权求和，得到综合梯度，再根据参数w和b的更新公式进行参数更新，表达式为：

56、

57、

58、

59、

60、式中，和分别表示参数w和b的综合梯度，vdw、vdb分别表示带动量的梯度下降训练方式下当前参数w和b的梯度，sdw、sdb分别表示加速梯度下降训练方式下当前参数w和b的梯度，分别表示自适应矩估计训练方式下当前参数w和b的梯度；

61、s64.根据预测精度分数计算对应训练方法的权重系数，为三种训练模块对应的训练方式训练表现佳的训练方式下的子代赋予更大的权重，同时保留其它训练方式优秀的子代信息对其进行修正，融合当前迭代次数下三种最优子代参梯度信息，进化产生综合梯度和和再根据参数w和b的更新公式利用综合梯度进行参数更新得到当前迭代次数下更新后的参数，并作为下一次迭代的初始解，在下次迭代中重复进行上述操作，完成预测模型的训练。

62、在上述技术方案中，采用进化门控循环单元网络融合三种不同模型训练方法更新参数，通过进化计算框架优势互补，交换融合当前迭代次数最优子代的梯度信息，进化产生综合梯度和指导参数更新，每一次训练通过进化计算框架融合不同训练方法的优势，能够解决由神经网络搭建的gru网络单一训练方式中可能存在梯度消失、梯度爆炸、局部最优问题，对门控循环单元网络预测精度提升具有一定的实际意义。

63、优选地，在预测模型训练的过程中，定义适应度函数为均方根误差rmse，以反映预测值和真实值之间的误差；训练好的预测模型在用于新建风电场风电功率预测时，以新建风电场在预测前的一段时间内的风电相关数据作为预测模型的输入，输出风电功率预测结果。

64、本技术还提出一种基于梯度进化的新建风电场风电功率预测系统，所述系统包括：

65、风电数据获取及预处理模块，用于获取目标风电场及其邻近风电场的风电相关数据，并对风电相关数据进行处理；

66、数据扩充模块，构建邻近风电场与目标风电场的时空图卷积生成对抗网络，将处理后的风电相关数据输入至时空图卷积生成对抗网络，以生成数据实现数据扩充；

67、数据集分解模块，用于将未处理前目标风电场的风电相关数据与基于时空图卷积生成对抗网络的生成数据作为源数据集，利用多元模式分解将源数据集分解，基于分解后的数据形成输入特征矩阵；

68、预测模型构建模块，构建包括卷积神经网络和进化门控循环单元网络的预测模型；

69、特征提取与挖掘模块，用于将输入特征矩阵作为预测模型的输入，利用预测模型的卷积神经网络提取特征，利用预测模型的进化门控循环单元网络挖掘特征之间的隐含时空关系；

70、预测模型训练模块，基于梯度进化计算框架，利用输入特征矩阵中的数据训练预测模型，得到训练好的预测模型，用于风电功率预测。

71、与现有技术相比，本发明技术方案的有益效果是：

72、本发明提出一种基于梯度进化的新建风电场风电功率预测方法及系统，从目标风电场及其邻近风电场中获取风电相关数据，并对风电相关数据进行处理然后构建邻近风电场与目标风电场的时空图卷积生成对抗网络，有效地利用一定范围内邻近风电场与目标风电场在时间、空间上关系，构建相似图、相关图、距离图，充分的挖掘时空特性生成数据实现数据扩充，可以提高生成样本的质量，采用进化门控循环单元网络，基于梯度进化计算框架实现不同训练方式的优势互补，交换融合梯度信息，解决由神经网络搭建的门控循环单元网络单一训练方式中可能存在梯度消失、梯度爆炸、局部最优问题，提升风电功率预测精度。