一种基于端到端记忆网络的短期风电功率预测方法技术

本发明专利技术公开了一种基于端到端记忆网络的短期风电功率预测方法，包括如下步骤：采集风电场数据；将采集的风电场数据划分为历史数据、被预测多节点天气数据和功率数据，并对历史数据和被预测多节点天气数据进行归一化处理；利用多头自注意力机制模型对历史数据进行编码，将编码后的特征向量存入端到端记忆网络的记忆池；采用注意力机制对被预测多节点天气数据进行编码，并将编码结果作为端到端记忆网络的输入向量；将功率数据作为端到端记忆网络的输出向量进行端到端记忆网络的训练；使用训练好的端到端记忆网络对风机输出功率进行预测。本发明专利技术方法相比以往短期风电功率预测方法，能够关注到历史数据中隐含的信息，具有更高的预测精度和稳定性。

A short-term wind power forecasting method based on end-to-end memory network

【技术实现步骤摘要】
一种基于端到端记忆网络的短期风电功率预测方法
本专利技术涉及风电功率预测领域，具体为一种短期风电功率预测方法。
技术介绍
风电功率短期预测是指根据风速、温度、风向、辐射、降水和云量等NWP数据以及风电场自身的历史数据，对未来1到4小时内风电场所能输出的功率大小进行预测。对风电场的发电功率进行精准地短期预测，有利于国家电网及时调整电力调度分配，提高电能质量和经济效益，保障电力系统的安全稳定运行。风电功率预测方法主要包括三类：物理方法、统计方法和人工智能方法。物理方法根据已有的知识构建物理模型来描述风能-动能的转换过程，再结合风机功率曲线计算风机的输出功率，但是由于模型参数难以准确选取，所以物理方法存在预测准确度低的问题。统计方法通过挖掘风电场的历史数据之间的统计性规律，建立数据样本之间的非线性映射关系，包括自回归积分滑动平均法、持续性方法和卡尔曼滤波法等。人工智能方法结合支持向量机、人工神经网络等模型，通过对大量的历史数据进行非线性分析，将风电功率预测任务定义为时间序列建模问题。目前已有的风电功率短期预测方法中，一些基于BP神经网络的预测方法通过帝国竞争算法结合粒子群优化算法对BP神经网络的权值阈值进行初始化，取得了比一般的BP神经网络更好的效果，但是这种方法仍然没有考虑到风电功率在时间序列上的关联性；另外一些基于LSTM网络的方法首先采用主成分分析法从天气数据中筛选出对功率影响大的因素，然后利用LSTM对天气数据时间序列进行建模，这种方法虽然尝试从风电功率的时间序列中提取记忆信息，但是LSTM能够保存的记忆信息有限，随着序列长度的增大，在序列分析的过程中会丢失大量信息。
技术实现思路
专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种用于风电功率短期预测的方法，本方法基于数值天气预报数据和SCADA系统采集数据，首先利用多头自注意力机制(Transformer)获得历史数据特征编码，然后采用Attention机制获得被预测多节点天气数据的特征编码，最后通过端到端记忆网络(MemN2N)模型结合得到的特征编码对功率进行预测。技术方案：为了实现上述目的，本专利技术采用的技术方案为：一种基于端到端记忆网络的短期风电功率预测方法，其特征在于，包括如下步骤：采集风电场数据；将采集的风电场数据进行划分，将其划分为历史数据、被预测多节点天气数据和功率数据，并对历史数据和被预测多节点天气数据进行归一化处理；利用Transformer模型对历史数据进行编码，将编码后的特征向量存入MemN2N的记忆池；采用注意力机制对被预测多节点天气数据进行编码，并将编码结果作为MemN2N的输入向量；将功率数据作为MemN2N的输出向量进行MemN2N的训练；使用训练好的MemN2N网络对风机输出功率进行预测。所述采集风电场数据中，还包括对采集的风电场数据的预处理，预处理的方法具体为：对每一个节点的数据进行判断，如果该节点中空数据的比例大于等于35％，对该节点进行删除处理；反之，对于该节点中得空数据进行零元素填充处理。历史数据通过拼接数值天气预报数据和SCADA系统采集数据构建，数值天气预报数据包括不同海拔的风速和风向、气温、气压、辐射、降水量以及云量，SCADA系统采集数据包括风机编号、风机传感器测量的风速、风向、温度和功率。对数据进行划分并进行归一化处理的方法具体为：对于每一个时间节点，将其前面N个节点的数值天气预报数据和SCADA系统采集数据作为历史数据，即X＝{x1，x2，...，xN}；将其后面M个节点的数值天气预报数据作为被预测多节点天气数据，即B＝{b1，b2，...，bM}；将其后面M个节点的实际功率数据作为功率数据，即模型的输出；然后将历史数据和被预测多节点天气数据归一化到[0，1]区间内，对模型输出不做归一化处理。利用Transformer模型对历史数据进行编码的方法，包括：(1)基于Transformer的多头机制，将编码器分为T个头，在每个头中随机初始化三个矩阵其中x∈X表示任意一个历史数据节点，|x|表示x中数据的个数，表示子空间编码长度；(2)对于每一个历史数据xn∈X，1≤n≤N，通过分别与WQ、WK、WV相乘获取问题向量Qn，键向量Kn，值向量Vn；(3)对于当前历史数据节点xi，使用问题向量Qi分别与所有历史数据的键向量{K1，K2，...，KN}点乘，计算出每一个历史数据xn在xi中的得分S＝{s1，s2，...，sN}；(4)对一个得分sn∈S进行操作，得到然后将所有的分别与对应的值向量Vn相乘并求和，得到xi的单头预编码向量e1；(5)对xi在所有头中都执行(2)-(4)得到xi在所有头中的预编码向量{e1，e2，...，eT}，将{e1，e2，...，eT}中的所有项拼接起来得到xi的预编码；将xi的预编码与xi进行求和得到然后将通过一个前馈神经网络得到对和进行求和得到xi的单层编码结果(6)对于所有的历史数据节点xn∈X，执行(2)-(5)，得到所有历史数据的单层编码结果；(7)对于L层编码器，将(6)中的单层编码结果作为下一层编码器的输入，执行(1)-(6)，即可得到所有历史数据的最终编码H＝{h1，h2，...，hN}；其中，T、N、dk、L是超参数，T为每个编码器中头的个数，N为历史数据节点的个数，dk为缩放尺度，一般设置为键向量K的维度，L为编码器的层数。采用注意力机制对被预测多节点天气数据进行编码的操作具体为：对于被预测多节点天气数据B＝{b1，b2，...，bM}，为每个节点bi∈B分配一个权重αi，1≤i≤M，将每个节点与其对应的权重相乘并求和，得到的结果u作为MemN2N模型的输入；其中，M是超参数，为被预测节点的个数。使用MemN2N模型进行功率预测的方法包括：(1)将特征向量H引入到MemN2N模型的长期记忆组件的记忆池中；(2)随机初始化两个嵌入矩阵和其中，x∈X表示任意一个历史数据节点，|x|表示x中数据的个数，len表示编码长度。对于记忆池中的编码向量hi∈H，1≤i≤N，将hi分别与A和C相乘，得到hi在两个不同特征空间中的映射mi和ci；对记忆池中的所有编码向量执行相同的操作，得到两个特征矩阵M1＝{m1，m2，...，mN}和M2＝{c1，c2，...，cN}；(3)将得到的输入向量u与第一个特征矩阵M1相乘，将得到的结果通过softmax操作计算出注意力向量P＝[p1，p2，...，pN]，其中pi为输入向量u对第i个特征向量hi的注意力；(4)对于特征矩阵M2中的每一个特征向量ci，将其与向量P中对应的注意力pi相乘，并对所有加权后的特征向量求和，得到上下文向量o，将上下文向量o与输入u相加的结果r1作为下一层的输入；(5)对于G层MemN2N网络，重复执行(2)-(4)，将最后一层的输出向量rG分别与M个不同的向量点乘，每一个点乘的结果即为一个预测功率；其中本文档来自技高网...

【技术保护点】
1.一种基于端到端记忆网络的短期风电功率预测方法，其特征在于，包括如下步骤：/n采集风电场数据；/n将采集的风电场数据进行划分，将其划分为历史数据、被预测多节点天气数据和功率数据，并对历史数据和被预测多节点天气数据进行归一化处理；/n利用多头自注意力机制模型对历史数据进行编码，将编码后的特征向量存入端到端记忆网络的记忆池；采用注意力机制对被预测多节点天气数据进行编码，并将编码结果作为端到端记忆网络的输入向量；将功率数据作为端到端记忆网络的输出向量进行端到端记忆网络的训练；/n使用训练好的端到端记忆网络对风机输出功率进行预测。/n

【技术特征摘要】
1.一种基于端到端记忆网络的短期风电功率预测方法，其特征在于，包括如下步骤：
采集风电场数据；
将采集的风电场数据进行划分，将其划分为历史数据、被预测多节点天气数据和功率数据，并对历史数据和被预测多节点天气数据进行归一化处理；
利用多头自注意力机制模型对历史数据进行编码，将编码后的特征向量存入端到端记忆网络的记忆池；采用注意力机制对被预测多节点天气数据进行编码，并将编码结果作为端到端记忆网络的输入向量；将功率数据作为端到端记忆网络的输出向量进行端到端记忆网络的训练；
使用训练好的端到端记忆网络对风机输出功率进行预测。


2.根据权利要求1所述的基于端到端记忆网络的短期风电功率预测方法，其特征在于，所述采集风电场数据中，还包括对采集的风电场数据的预处理，预处理的方法具体为：对每一个节点的数据进行判断，如果该节点中空数据的比例大于等于35％，对该节点进行删除处理；反之，对于该节点中的空数据进行零元素填充处理。


3.根据权利要求1所述的基于端到端记忆网络的短期风电功率预测方法，其特征在于，历史数据通过拼接数值天气预报数据和SCADA系统采集数据构建，数值天气预报数据包括不同海拔的风速和风向、气温、气压、辐射、降水量以及云量，SCADA系统采集数据包括风机编号、风机传感器测量的风速、风向、温度和功率。


4.根据权利要求1所述的基于端到端记忆网络的短期风电功率预测方法，其特征在于，对数据进行划分并进行归一化处理的方法具体为：对于每一个时间节点，将其前面N个节点的数值天气预报数据和SCADA系统采集数据作为历史数据，即X＝{x1，x2，...，xN}；将其后面M个节点的数值天气预报数据作为被预测多节点天气数据，即B＝{b1，b2，...，bM}；将其后面M个节点的实际功率数据作为功率数据，即模型的输出；然后将历史数据和被预测多节点天气数据归一化到[0，1]区间内，对模型输出不做归一化处理。


5.根据权利要求1所述的基于端到端记忆网络的短期风电功率预测方法，其特征在于，利用多头自注意力机制模型对历史数据进行编码的方法，包括：
(1)基于多头自注意力机制的多头机制，将编码器分为T个头，在每个头中随机初始化三个矩阵其中x∈X表示任意一个历史数据节点，|x|表示x中数据的个数，表示子空间编码长度；
(2)对于每一个历史数据xn∈X，1≤n≤N，通过分别与WQ、WK、WV相乘获取问题向量Qn，键向量Kn，值向量Vn；
(3)对于当前历史数据节点xi，使用问题向量Qi分别与所有历史数据的键向量{K1，K2，...，KN}点乘，计算出每一个历史数据xn在xi中的得分S＝{s1，s2，...，sN}；
(4)对一个得分sn∈S进行操作，得到
<...

【专利技术属性】
技术研发人员：祝永晋，查满霞，严佳欣，谢林枫，马吉科，龙玲莉，李同哲，司加胜，周德宇，
申请(专利权)人：江苏方天电力技术有限公司，东南大学，
类型：发明
国别省市：江苏;32