基于低风速功率修正的超短期风电功率预测方法及系统

本发明涉及风力发电，具体涉及一种基于低风速功率修正的超短期风电功率预测方法及系统。

背景技术：

1、伴随着化石能源逐渐枯竭，在节能减排新形势下，风力发电越来越受到各国的重视。但大规模风电场群接入后，强波动性的风电功率注入将造成局部电压波动，从而影响到电能质量及电网的安全稳定运行。而准确的风电功率预测是解决这一问题的重要举措，风电功率预测按照时间尺度可分为超短期预测、短期预测、中期预测和长期预测。其中超短期预测时间间隔为15min，预测未来0到4小时的风电功率，其对实时调度与控制风电机组的高效运行具有重要的指导意义。而进一步提升超短期风电功率的预测精度，也有利于更好地保证风电场的稳定和经济运营。

2、传统的风电功率预测研究常采用时间序列模型，如自回归差分移动平均模型。但模型实际上仅捕获数据间的线性关系，随数据复杂度与预测步长的增加预测值容易趋于均值。近年来，随着风电相关数据的大规模增加，许多深度学习方法诸如卷积神经网络、长短期记忆网络也被应用于风电功率预测领域中。这些方法在数据集充足时效果较好，然而，在数据集较小时，由于深度学习模型参数空间更为复杂，预测过程中常伴随着有规律的拟合误差，这些误差通常出现在极值点与限幅值附近。一些研究使用误差拟合的方法进行修正。这种方法能够有效地修正模型的内在缺陷，但对于限幅值区域如低风速待风段，一般的修正结构仍然难以完全补偿。此外，神经网络模型的预测精度与所采用的损失函数和预测策略密切相关。对比于长序列预测，短序列的预测尤其是单步预测通常难以在预测训练过程中引入宏观的序列间特征，导致训练过程的波动性较大。

技术实现思路

1、发明目的：本发明的目是提供一种基于低风速功率修正的超短期风电功率预测方法及系统，旨在减少超短期风电功率的预测误差，提高预测精度。

2、技术方案：为了实现上述发明目的，本发明提出的基于低风速功率修正的超短期风电功率预测方法，包括以下步骤：

3、获取数据，获取的数据包括气象数据和风电功率数据，气象数据作为风速特征数据，气象数据与风电功率数据合并作为功率特征数据；

4、输入功率特征数据，利用嵌入层将输入的功率特征数据映射到d维空间，得到d维的风电功率序列，采用位置编码将位置信息添加到d维风电功率序列中，得到带有位置信息的d维风电功率序列，然后利用卷积神经网络对风电功率序列特征进行映射，得到对应的特征图谱，利用多头自注意力机制对特征图谱进行再聚合，最后通过双向门控单元对聚合后的序列特征进行重构，完成对风电功率序列时序特征的提取，并通过共享权值和下采样引入多元非线性的损失函数捕获序列间关联性，进行前向预测和模型训练，获得初始的功率预测值；

5、输入风速特征数据，利用卷积神经网络对风速进行预测，获得风速的预测值；

6、根据当前时段的风电功率和风速预测值对初始的功率预测值进行修正，得到最终的超短期风电功率预测值，实现对超短期风电功率的预测。

7、进一步地，所述气象数据包括风速、风向、温度、气压；所述风电功率数据包括风电场的实际风电出力数据。

8、进一步地，位置编码的计算方式为：

9、

10、其中，pos为序列索引，i为维度索引，sin(·)、cos(·)分别表示正、余弦函数，将映射至d维空间的d维风电功率序列与位置编码结果相加，得到带有位置信息的d维风电功率序列。

11、进一步地，多头注意力的计算过程如下：

12、

13、其中，为权重参数矩阵，qy,ky,vy是d维风电功率序列y∈rt变化得到的查询矩阵、键矩阵、值矩阵，t表示输入序列的长度，ay表示自注意力机制的输出，dk表示键矩阵的维度，m表示多头注意力的“头数”，oy为聚合后的风电功率特征序列。

14、进一步地，双向门控单元的输出由正向与反向的门控循环单元隐藏节点输出拼接获得，其中门控循环单元的计算过程为：

15、

16、其中，ht-1为上一隐藏节点输出，ht为当前隐藏节点输出，ot为聚合后风电功率特征序列第t时刻的特征数据，为选择的记忆数据，rt、zt为重置门、更新门权重，wz、wr、w分别为权重参数矩阵；

17、将双向门控单元的输出输入至全连接层，并得到相应的超短期风电功率预测值用于训练。

18、进一步地，损失函数的计算方式如下：

19、

20、其中，

21、

22、

23、

24、

25、

26、

27、n为风电功率的预测步长，α为下采样的间隔长度；di为t-n+i时刻下风电功率真实值和预测值之间的差值；为风电功率t-n+i时刻的预测值，yt-n+i为风电功率t-n+i时刻的真实值；分别为风电功率真实值与预测值在t-n+αi+α时刻与t-n+αi上的差值，s1、s2分别对应采样前与采样后功率的余弦相似度之和；β是一个比例参数，用于控制相似度对于损失函数的影响；loss为最终得到的损失函数数值。

28、进一步地，对功率预测值进行修正的计算过程为：

29、

30、其中yn-i为第n-i时刻风电功率真实值，α为所得的功率系数，为第n时刻的风速预测值，λ为所得的风速系数，k1、k2为权重系数，ε是一调整量防止分母为0，为第n个时刻风电功率预测值，为修正后最终获得的风电功率预测值。

31、本发明还提供一种基于低风速功率修正的超短期风电功率预测系统，包括：

32、数据获取模块，用于获取数据，获取的数据包括气象数据和风电功率数据，气象数据作为风速特征数据，气象数据与风电功率数据合并作为功率特征数据；

33、功率预测模块，用于输入功率特征数据，利用嵌入层将输入的功率特征数据映射到d维空间，得到d维的风电功率序列，采用位置编码将位置信息添加到d维风电功率序列中，得到带有位置信息的d维风电功率序列，然后利用卷积神经网络对风电功率序列特征进行映射，得到对应的特征图谱，利用多头自注意力机制对特征图谱进行再聚合，最后通过双向门控单元对聚合后的序列特征进行重构，完成对风电功率序列时序特征的提取，并通过共享权值和下采样引入多元非线性的损失函数捕获序列间关联性，进行前向预测和模型训练，获得初始的功率预测值；

34、风速预测模块，用于输入风速特征数据，利用卷积神经网络对风速进行预测，获得风速的预测值；

35、功率修正模块，用于根据当前时段的风电功率和风速预测值对初始的功率预测值进行修正，得到最终的超短期风电功率预测值，实现对超短期风电功率的预测。

36、本发明还提供一种计算机设备，包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如上所述的基于低风速功率修正的超短期风电功率预测方法的步骤。

37、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于低风速功率修正的超短期风电功率预测方法的步骤。

38、有益效果：本发明针对低风速段风电功率的拟合误差难以修正、训练过程无法引入序列间特征进而导致超短期风电功率预测性能下降等问题，提出了一种基于低风速功率修正的超短期风电功率预测方法，融合卷积神经网络、自注意力机制、双向门控单元用于提取功率特征，能够有效捕获风电功率的多尺度时间信息，提高风电功率的预测精度；并引入低风速功率修正方法能够减少低风速下的拟合误差，提升了模型低风速状态下的预测表现；并采用了新型的损失函数，通过多元非线性函数捕获序列间相关性，可以在短序列预测及单步预测中提取到时间序列的序列间特征，使模型的训练更稳定，进一步减少超短期风电功率的预测误差。本发明的预测结果可以辅助电网调度及风电场运营制定更为安全可靠的发电计划和运行策略，进而保障大规模风电并网时电力系统的安全稳定运行。