基于卷积图注意力深度神经网络的短期风功率预测方法与流程

本发明涉及风力发电，具体涉及一种基于卷积图注意力深度神经网络的短期风功率预测方法。

背景技术：

1、低碳环保已成为未来我国发展的主旋律，因此需要加快构建高渗透率新能源的新型电力系统。风电作为可再生能源增长主力，对电网安全性和经济性的影响越来越大。受大气运动影响，风能具有强烈的波动性和不确定性，使得大规模风电并网后，电网的安全运行和功率消纳面临更大的挑战，提高风功率预测水平是解决这一问题最为经济的手段。

2、风功率本质上是由风速、风向等具有时空特征的气象因素决定的，传统的风功率预测都是以风场当地的相关数据作为输入，只捕捉了时序特征而忽略了时空特征，导致风功率预测效果不理想。因此，确定一种合理准确的风功率预测方法具有重要意义。

技术实现思路

1、发明目的：本发明的目的是提出一种基于卷积图注意力深度神经网络的短期风功率预测方法，实现对风电功率准确的点预测和可靠的区间预测与概率预测。

2、技术方案：为了实现上述发明目的，本发明提出的方法，包括以下步骤：

3、步骤1：数据采集，包括风功率历史数据xp和气象数据xnwp＝[x1,x2,...,xn]；

4、步骤2：时序特征提取，利用卷积神经网络(cnn)提取气象数据的高维时序特征；

5、步骤3：时空特征提取，利用多层图注意力网络结合多头注意力进一步提取多场站气象数据的时空特征；

6、步骤4：模型构建，将所得的气象数据的时空特征xg和风功率历史数据xp融合为xf，使用长短期记忆(lstm)网络构建结合分位数回归(qr)的风功率预测模型；

7、步骤5：基于不同分位数下的预测值，得到风功率的点预测和概率预测结果。

8、进一步地，所述步骤1中，气象数据包括风速、风向、气温和湿度。

9、进一步地，所述步骤2中，采用的基于卷积的特征提取模块包括卷积层、池化层和全连接层，其中卷积运算的公式为：

10、z＝g(w*x+b)

11、其中，x为数据输入，*表示卷积操作，w为卷积核的权重，b为对应的偏置，g(·)为激活函数，z为卷积运算后的输出特征；

12、经过卷积、池化、flatten等操作，每个节点的气象数据xf转换为一维时序特征xfi，由n个时序特征组成图数据的节点数据xf＝[xf1,xf2,...,xfn]，作为图网络各个节点的输入，构成一个无向全连接图作为图注意力网络(gat)的输入；图结构数据表达式为：

13、g＝(v,e,a)

14、v＝{v|v∈data object}

15、e＝{＜v,w＞|v,w∈v∧p(v,w)}

16、其中，v为顶点的集合，e为边的集合，a为图的邻接矩阵，临接矩阵中的元素仅表示风场之间的连接关系，因此图注意力网络的临接矩阵的构造方式如下所示：

17、

18、其中，pcc(vi,vj)表示第i个风场与第j个风场气象数据的pearson相关系数，当pcc(vi,vj)大于等于γ时，则vi与vj有边eij∈e相连，权重为1，当pcc(vi,vj)小于γ时，则vi与vj没有边相连，表示使用注意力机制时只考虑相连点之间的影响。

19、进一步地，所述步骤3中，采用的图注意力网络的输入可表示为：

20、

21、其中，n为节点个数，为单个节点的输入；

22、图注意力网络的每个节点对应一个隐藏状态，由自身节点的输入数据和邻居节点数据的相关影响力基于自注意力机制实现，其公式如下所示：

23、

24、其中，softmax(·)为归一化函数，ni为节点i的相邻节点数，eij是邻居节点j对于目标节点i的注意力系数，具体表达式如下所示：

25、eij＝a(whi,whj)

26、其中，hi和hj分别表示相邻节点的隐藏状态，w为权重矩阵，a(·)为注意力机制，表示特征向量间的相关度；

27、接着，采用非线性函数leakyrelu(·)进行激活，此处斜率取0.2；

28、

29、其中，||表示特征连接，表示对节点i和j分别进行特征提取并拼接；

30、图注意力网络每个节点的输出为：

31、

32、其中，σ(·)为sigmod激活函数，为节点i的输出；

33、为了提高图注意力网络时空特征提取的可靠性，利用k个独立的注意力机制对图注意力网络节点输出进行改进，如下式所示：

34、

35、其中，为第k阶注意力机制的注意力系数αk归一化结果。

36、进一步地，将所得的气象数据的时空特征xg和风功率历史数据xp融合为xf，采用lstm提取融合特征xf，lstm的单元结构主要由输入门、遗忘门和输出门组成，以此实现对信息有选择的保留或遗忘；

37、然后将结果输入到多层全连接层进行处理，并以分位数损失作为损失函数优化模型参数，最后输出不同分位数下的风功率预测值。分位数损失函数公式表示为：

38、

39、其中，m为每批次训练集的样本个数，q为分位点个数，yi为实际输出值，xi为样本输入，f(w(τj),b(τj),xi)为第i个样本输出的分位数τi下的预测值，w(τj)和b(τj)是与分位数τj有关的模型参数，f(·)是反映x和y关系的非线性函数，ρ(·)是检验函数，其表达式为：

40、

41、其中，μ为函数的输入，i(·)为示性函数；

42、概率预测模块的过程表达式为：

43、

44、其中，为分位数τ下风功率预测值，和分别为网络权重和偏差，xf为融合特征，f(·)是反映x和y关系的非线性函数。

45、进一步地，基于获得的不同分位数条件的预测值，以分位数为0.5的预测值为风功率的点预测结果；以为区间预测结果，其中τdown和τup分别为给定置信度下，置信区间的分位数上下限；使用核密度估计(kde)拟合某时刻所有分位数预测值，得到该时刻风功率预测值的概率密度函数(pdf)，核密度估计表达式为：

46、

47、其中，gh(z)为估计的pdf，n为样本个数，k(·)为核函数，h为核函数带宽，核函数选择epanechnikov核函数，并使用带有交叉验证的网络搜索选择合适的带宽。

48、本发明与现有技术相比，具有如下显著优点：

49、1、本发明基于深度学习提出了一种基于多风场时空数据的短期风功率点预测和概率性预测方法，获得了更为准确、可靠的预测结果；

50、2、本发明可用于实际的风功率预测，进而保障大规模风电并网时电力系统的安全稳定运行。

技术特征：

1.基于卷积图注意力深度神经网络的短期风功率预测方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的基于卷积图注意力深度神经网络的短期风功率预测方法，其特征在于，所述步骤1中的数据采集包括风功率历史数据、风速、风向、气温和湿度。

3.根据权利要求2所述的基于卷积图注意力深度神经网络的短期风功率预测方法，其特征在于，所述步骤2中对每个节点的气象数据采用基于卷积的特征提取模块进行特征提取，所述特征提取模块包括卷积层、池化层和全连接层，其中卷积运算的公式为：

4.根据权利要求3所述的基于卷积图注意力深度神经网络的短期风功率预测方法，其特征在于，所述步骤3中图注意力网络的输入表示为：

5.根据权利要求4所述的基于卷积图注意力深度神经网络的短期风功率预测方法，其特征在于，所述步骤4中采用lstm提取融合特征xf，lstm的单元结构主要由输入门、遗忘门和输出门组成，以此实现对信息有选择的保留或遗忘；

6.根据权利要求5所述的基于卷积图注意力深度神经网络的短期风功率预测方法，其特征在于，所述步骤5中基于获得的不同分位数条件的预测值，以分位数为0.5的预测值为风功率的点预测结果；以为区间预测结果，其中τdown和τup分别为给定置信度下，置信区间的分位数上下限；使用核密度估计kde拟合某时刻所有分位数预测值，得到该时刻风功率预测值的概率密度函数pdf，核密度估计表达式为：

技术总结
本发明提出了基于卷积图注意力深度神经网络的短期风功率预测方法，该方法包括：(1)数据采集，包括风功率历史数据和气象数据；(2)时序特征提取，利用卷积神经网络CNN提取气象数据的高维时序特征；(3)时空特征提取，利用多层图注意力网络结合多头注意力进一步提取多场站气象数据的时空特征；(4)模型构建，基于所得气象数据的时空特征和风功率历史数据，使用长短期记忆LSTM网络构建结合分位数回归QR的风功率预测模型；(5)基于不同分位数下的预测值，得到风功率的点预测和概率预测结果。本发明能够获得准确的风功率点预测结果和可靠的概率性预测结果，保障大规模风电并网时电力系统的安全稳定运行。

技术研发人员：冀肖彤,柳丹,肖繁,叶畅,熊平,康逸群,张明念,江克证,曹侃,胡畔,王伟,邓万婷,陈孝明,刘巨,谭道军,蔡萱,何宇航
受保护的技术使用者：国网湖北省电力有限公司电力科学研究院
技术研发日：
技术公布日：2024/1/16