基于新能源并网的风电功率预测模型建立方法及其应用

本发明属于风电功率预测领域，更具体地，涉及基于新能源并网的风电功率预测模型建立方法及其应用。

背景技术：

1、风能在全球电力市场的渗透率逐年上升。然而，风能是随机的、间歇性的，因此是不可调度的。与传统的基于化石燃料的电力相比，这些特点将导致额外的运营成本和风能的巨大浪费，否则可能会破坏电力系统的稳定运行。为了尽量减少损失，电网运营商需要一个可靠的风功率预测模型。它可以指导他们在电力市场上做出有关调度、实时调度和调节的最佳决策。有鉴于此，开发一个具有高精度的风能预测模型至关重要。

2、在过去的二十年里，大部分工作都是基于机器学习方法展开的。有研究使用卷积神经网络(cnn)、门控递归单元(gru)、长短期记忆(lstm)及其变种来用于预测风力发电。在这些方法通常是在超短期的范围内有效，如单步超前预测(one step ahead prediction)。然而，电力市场的逐步扩大给电力系统的有效和可靠管理带来了越来越大的挑战，这就需要多步超前的风力发电预测，因为它可以比单步超前提供更多的信息，但是，在这种情况下，传统的机器学习方法预测多步超前的风力发电的精度较低。有文献提出一种高预测能力的模型，来解决长序列预测问题，他们使用一种编码器-解码器的结构，并引入自注意力模块，从而能够提取的表征每一个特征的注意力从而提升预测精度。但是，这些方法仅考虑了历史数据与未来数据之间的联系，但并没有考虑特征与特征之间，以及特征与风电够功率之间的内在联系，因而其预测性能仍然受到限制。此外，不同时间尺度下的风电功率预测难度不同，具体来说，时间尺度越长，其预测难度越大，相应地，预测精度也更难以保证。随着风电渗透率的逐渐提升，电网安全经济运行的风险也越来越大，这一风电功率预测方法仍然无法为风力并网电力系统的安全、经济运行提供有效支持。

技术实现思路

1、针对现有技术的缺陷和改进需求，本发明提供了基于新能源并网的风电功率预测模型建立方法及其应用，其目的在于，充分考虑风电预测的特征拓扑相关性和强不确定性，动态捕获风电功率的变化趋势，有效提高风电功率预测的精度，为风力并网电力系统的安全、经济运行提供有效支持。

2、为实现上述目的，按照本发明的一个方面，提供了一种基于新能源并网的风电功率预测模型建立方法，包括：

3、构建训练数据集；训练数据集中，每一条样本包括预测时刻之前长度为lx的气象特征序列，以及，以预测时刻为起点、长度为ly的风电功率序列；

4、构建待训练的初始预测模型，用于根据历史的气象特征预序列测未来的风电功率序列；初始预测模型为深度学习模型，其包括：两个预处理模块，编码器模块和解码器模块；预处理模块，用于在气象特征序列中的各气象特征中嵌入相应的序列位置和时间戳，得到映射特征序列，并将获取各种气象特征之间的内在联系，得到拓扑图，之后将映射特征序列和拓扑图融合；其中一个预处理模块以输入模型的气象特征序列为输入，输出作为编码器模块的输入，另一个预处模块以输入模型的气象特征序列尾部长度为lx-ly的部分为输入，输出作为解码器模块的输入；编码器模块，用于提取输入数据的特征，所提取的特征也作为解码器模块的输入；解码器模块，用于根据输入数据预测风电功率序列；

5、利用训练数据集对初始预测模型进行训练，训练结束后，得到风电功率预测模型；

6、其中，气象特征包括风电功率；lx和ly均为预设长度，且lx>ly。

7、进一步地，预处理模块包括：

8、输入数据映射模块，用于在气象特征序列中的各气象特征中嵌入相应的序列位置和时间戳，得到映射特征序列；

9、动态图推理模块，用于获取各种气象特征之间的内在联系，得到拓扑图；

10、以及融合模块，用于将映射特征序列和拓扑图融合，得到融合了序列位置信息、时间信息以及拓扑信息的气象特征序列。

11、进一步地，动态图推理模块包括：

12、邻接矩阵生成子模块，用于按照生成f×f的邻接矩阵arow；

13、稀疏化子模块，用于使用top-k掩码的方法的方法将邻接矩阵arow各行取值最大的部分元素置为1，而将其余元素置为0，得到动态有向图；

14、多头图注意力层，用于将动态有向图与气象特征序列相关联，得到初始拓扑图；

15、以及第一维度校正模块，用于调整初始拓扑图的维度使其与映射特征序列的维度保持一致，得到用于表征各种气象特征之间的内在联系的拓扑图；

16、其中，m1＝w1υ1+b1，m2＝w2υ2+b2，w1和w2为可学习权重，b1和b2为可学习偏置；γ1和γ2为随机生成的长度为f的向量；f表示气象特征种类数；fpr()为参数化整流线性单元激活函数。

17、进一步地，第一维度校正模块包括依次连接的一层规范化层和两层带有激活层的卷积层。

18、进一步地，编码器模块包括编码器和第二维度校正模块；

19、编码器，用于提取输入数据的特征，得到特征图；

20、第二维度校正模块，用于调整特征图的维度使其与映射特征序列的维度保持一致；

21、解码器模块包括解码器和第三维度校正模块；

22、解码器，用于对编码器输出的特征图进行解释，得到以预测时刻为起点、长度为ly的风电功率序列；

23、第三维度校正模块，用于调整风电功率序列的维度使其与映射特征序列的维度保持一致，得到风电功率序列预测结果。

24、进一步地，第二维度校正模块和第三维度校正模块均为紧密连接卷积。

25、进一步地，构建训练数据集，包括：

26、从历史数据中收集各时刻的风电功率及与风电功率相关的气象特征，得到原始数据集；

27、计算利用原始数据集计算各气象特征与风电功率之间的相关性系数，并从中筛选出相关性系数最高的气象特征，作为目标特征；

28、从原始数据集中剔除各时刻的非目标特征后，通过滚动滑窗的方式利用原始数据集构建训练样本，每一训练条样本包括预测时刻之前长度为lx的目标特征序列，以及，以预测时刻为起点、长度为ly的风电功率序列；

29、将各原始训练样本中的各特征进行特征维度的标准化，由标准化之后的训练样本构成训练数据集。

30、按照本发明的又一个方面，提供了一种基于新能源并网的风电功率预测方法，包括：

31、收集预测时刻之前长度为lx的气象特征序列；

32、将气象特征序列输入至由本发明提供的基于新能源并网的风电功率预测模型建立方法建立得到的风电功率预测模型；

33、从风电功率预测模型的输出获取风电功率预测结果。

34、按照本发明的又一个方面，提供了一种计算机可读存储介质，包括存储的计算机程序；计算机程序被处理器执行时，控制计算机可读存储介质所在设备执行本发明提供的基于新能源并网的风电功率预测模型建立方法，或者，本发明提供的基于新能源并网的风电功率预测方法。

35、总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

36、(1)本发明在编码器-解码器结构的基础上，对风电功率预测模型进行了改进，在其中引入了输入数据映射模块和动态图处理模块对输入编码器和解码器的数据进行预处理，使其中融合了序列位置信息、时间信息以及拓扑信息，由于气象特征序列中，每个气象特征都蕴含的时间信息和位置信息，这些信息与风电功率的预测密切相关，并且特征之间的内在联系也与风电功率的预测密切相关，因此，模型可以充分挖掘气象特征之间，以及气象特征与风电功率之间的内在联系，并利用这些信息指导风电功率预测，有效提高预测精度。

37、(2)本发明中，最终由编码器-解码器结构完成风电功率预测，基于编码器-解码器的高预测性能，本发明能实现多时间尺度下的精确预测。

38、(3)本发明所引入的动态图推理模块，一个不需要先验拓扑信息，可以自动更新边界和权重的动态有向图，在训练过程中更新该图结构以获取最佳的动态图拓扑。通过动态图推理模块自动更新最佳图拓扑能够提取输入特征的之间的内在表征，增强了预测的精度和鲁棒性，可以动态的捕捉随机性强的风电功率输出，对于具有高随机性的时间序列预测研究具有指导意义。本发明中，动态图推理模块所构建的拓扑图，在保持表征能力的基础上，还具有稀疏的特性，因此图结构相对于全连接图具有更少的计算复杂度，因此，计算量更小。