一种融合多源信息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融合多源信息的短期风电功率预测方法，包括以下步骤：(1)样本生成步骤，依据数值天气预报数据和风电功率序列数据，构造训练样本；(2)特征提取和特征融合步骤，对样本生成步骤构造的训练样本进行特征提取和融合；(3)功率预测步骤，将特征提取和特征融合步骤得到的特征编码通过多层感知机获取其对应时刻的预测功率输出，即最终预测结果。本发明专利技术相比传统的风电功率预测方法，通过融合天气预报数据，历史风电功率数据，进而捕获历史功率数据中隐含的周期性特征、挖掘数值天气预报数据的时序特征，建模不同风机的差异性特征，具有更高的预测精度。

【技术实现步骤摘要】
一种融合多源信息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
目前尚未发现通过变分模态分解、卷积神经网络、门控循环单元和风机嵌入融合多源信息实现的短期风电功率预测方法，但存在通过简单拼接的方式融合风电功率序列和数值天气预报数据的风电功率预测方法，也存在仅依赖风电功率序列或仅依赖数值天气预报数据的风电功率预测方法，本方法与这些方法完全不同。风电功率的预测可以划分为间接预测和直接预测，间接预测首先基于历史测量数据预测风速，然后根据所得风速进一步对输出功率进行预测。但是由于预测模型的不准确性，容易导致风速预测带来的误差进一步累积，造成功率预测的不准确性。更高精度的风电功率预测对缓解电力系统的调峰、调频压力，实现更高效的风电消纳有着重要作用。随着传感器技术的发展，多元化数据为风电功率预测提供了更多的信息，推动了直接预测方式的发展。基于多元化数据的直接预测方式主要利用数值天气预报、地形地貌等信息构建功率预测模型，通过挖掘数据之间的相关性信息，直接根据多元化数据预测未来风电功率。基于多元化数据的风电功率预测方式通过对样本数据的统计分析，构建输入输出之间的映射关系实现预测。从数据来源考虑，可以分为利用数值天气预报数据的功率预测、利用历史功率序列数据的功率预测和两者信息融合的功率预测。其中，一些利用数值天气预报数据的预测方法的有效性得到了验证，包括通过对数值天气预报构建人工神经网络的预测框架、引入湍流强度来表征风速的波动性特征，进一步利用时间卷积网络提高预测精度。但该类方法仅依靠数值天气预报数据而忽视了历史功率固有的周期性信息。对历史功率序列进行分析也成为近年来的研究热点，其中包括基于风速和功率时间序列数据，结合经验模态分解和核岭回归方法建立的预测模型和通过结合MEEMD方法、排列熵和模糊树方法实现的预测模型等。但因为历史功率数据包含的信息有限，该类方法的预测准度通常会随着预测时长的增加而降低。同时考虑了数值天气预报数据和历史功率数据的方法包括，通过对历史功率数据和数值天气预报数据拼接，将降维后的特征输入到人工神经网络进行功率预测的方法和利用Pearson相关系数从数值天气预报数据中筛选出与功率相关性较大的序列，利用LSTM对组合后的数据进行功率预测的方法。但该类方法仅考虑历史功率与数值天气预报数据的简单拼接，无法捕获功率信息中隐含的周期性特征。
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结合变分模态分解、卷积神经网络、门控循环单元和风机嵌入的融合风电功率序列和数值天气预报数据实现的短期风电功率预测方法，该方法能够通过挖掘历史功率数据中隐含的周期性特征、结合数值天气预报数据的时序特征和不同风机的状态差异特征提升功率预测的精度。技术方案：为实现上述目的，本专利技术采用的技术方案为：一种融合多源信息的短期风电功率预测方法，包括以下步骤：样本生成步骤、依据数值天气预报数据和风电功率序列数据，构造训练样本；特征提取和特征融合步骤、对样本生成步骤构造的训练样本进行特征提取和融合，包括：对训练样本中的风电功率序列数据采用变分模态分解方法，将风电功率序列数据分解为K个本征模态函数，并通过卷积神经网络进行特征提取得到风电功率序列数据的特征表示；对训练样本中的数值天气预报数据采用门控循环单元进行时间序列上的动态建模，生成与时序的数值天气预报数据相应的特征编码；对风机编码构造独热向量并通过嵌入矩阵获得风机嵌入；结合得到的风电功率序列数据的特征表示、数值天气预报数据特征编码以及风机嵌入，进行时间序列上的动态建模，得到信息融合的特征编码；功率预测步骤、将特征提取和特征融合步骤得到的特征编码通过多层感知机获取其对应时刻的预测功率输出，即最终预测结果。进一步地，所述样本生成步骤，具体为：对异常数据进行剔除，对于缺失比例较大的数据进行删除处理；对于数据中的少量缺失情况则使用平均值填充；对数据进行归一化，对数据的每个特征归一化消除量纲差异；对于每个待预测时间节点t构成的时间序列数据，构造训练样本(wt：t+a，pt-b：t-1，pt：t+a)，具体包括：真实功率pt：t+a、历史风电功率序列数据pt-b：t-1以及数值天气预报数据wt：t+a。其中，b为历史序列长度，a为预测步长。进一步地，所述提取得到风电功率序列数据的特征表示，具体为：(1)对于每一时刻t，得到预处理获得的历史风电功率序列数据pt-b：t-1采用变分模态分解方法分解，其中b为历史序列长度。(2)初始化第1代第k个子模态对应的傅里叶变换参数第1代第k个模态中心频率第1代拉格朗日乘子迭代次数n＝1；(3)对于变分问题，如下式将n+1赋值给n，利用更新公式得到第n代第k个子模态对应的傅里叶变换参数第n代第k个模态中心频率第n代拉格朗日乘子其中为子模态集合{uk}傅里叶变化后的结果{ωk}为中心频率集合；ω为中心频率；K为信号分量数目；δ(t)为狄拉克函数；α为二次惩罚项；λ(t)为拉格朗日乘子；n为迭代收敛次数。(4)判断是否成立，若成立，则停止循环，否则，返回(3)继续循环，其中，∈表示收敛精度，即一个无限小的值。(5)分解获得的K个本征模态函数，构成本征模态函数矩阵U＝[u1，u2，...，uN]T，其中，N表示本征模态函数维度，K表示本征模态函数个数；将本征模态函数矩阵U通过一维卷积神经网络映射为一个特征向量进而得到风电功率序列数据的特征表示o：o＝[o1，o2，...oI]其中，s表示滤波器大小，m表示卷积步数，表示第i个滤波器，I表示滤波器个数，relu表示激活函数；进一步利用池化操作对卷积后的输出进行降维，其中avg{·}表示平均池化，max{·}表示最大池化，通过池化后拼接得到最终的功率特征表示o。所述对训练样本中的数值天气预报数据，利用GRU进行编码，获得与时序的数值天气预报数据相应的特征编码，具体为：对于每一时刻t，对时序的数值天气预报数据wt：t+a，生成相应的特征编码GRU运算如下：其中，wt为t时刻的数值天气预报数据，为为t-1时刻状态信息，Wr、WZ分别表示重置门和更新门的权重，br、bz分别表示重置门和更新门的偏置项，⊙表示hadamard积，σ为sigmoid激活函数。进一步地，所述对风机编码构造独热向量并通过嵌入矩阵获得风机嵌入，具体为：对风机编码构造独热向量使用截断正态分布初始化风机嵌入矩阵计算获得风机嵌入tf＝T·of，其中|T|为风机数量，d为风机嵌入维度，f为风机编号。进一步地，所述信息融合的特征编码，具体为：对数值天气预报数据相应的特征编码hw以风机嵌入tf，采用GRU进行编码，以风电功率序列数据的特征表示o作为GRU的初始化状态，对于每一时刻t，生成相应的特征编码其中，h0＝o，GRU为门控循本文档来自技高网...

【技术保护点】
1.一种融合多源信息的短期风电功率预测方法，其特征在于，包括以下步骤：/n样本生成步骤，依据数值天气预报数据和风电功率序列数据，构造训练样本；/n特征提取和特征融合步骤，对样本生成步骤构造的训练样本进行特征提取和融合，包括：/n对训练样本中的风电功率序列数据采用变分模态分解方法，将风电功率序列数据分解为K个本征模态函数，并通过卷积神经网络进行特征提取得到风电功率序列数据的特征表示；/n对训练样本中的数值天气预报数据采用门控循环单元进行时间序列上的动态建模，生成与时序的数值天气预报数据相应的特征编码；对风机编码构造独热向量并通过嵌入矩阵获得风机嵌入；/n结合得到的风电功率序列数据的特征表示、数值天气预报数据特征编码以及风机嵌入，进行时间序列上的动态建模，得到信息融合的特征编码；/n功率预测步骤，将特征提取和特征融合步骤得到的特征编码通过多层感知机获取其对应时刻的预测功率输出，即最终预测结果。/n

【技术特征摘要】
1.一种融合多源信息的短期风电功率预测方法，其特征在于，包括以下步骤：
样本生成步骤，依据数值天气预报数据和风电功率序列数据，构造训练样本；
特征提取和特征融合步骤，对样本生成步骤构造的训练样本进行特征提取和融合，包括：
对训练样本中的风电功率序列数据采用变分模态分解方法，将风电功率序列数据分解为K个本征模态函数，并通过卷积神经网络进行特征提取得到风电功率序列数据的特征表示；
对训练样本中的数值天气预报数据采用门控循环单元进行时间序列上的动态建模，生成与时序的数值天气预报数据相应的特征编码；对风机编码构造独热向量并通过嵌入矩阵获得风机嵌入；
结合得到的风电功率序列数据的特征表示、数值天气预报数据特征编码以及风机嵌入，进行时间序列上的动态建模，得到信息融合的特征编码；
功率预测步骤，将特征提取和特征融合步骤得到的特征编码通过多层感知机获取其对应时刻的预测功率输出，即最终预测结果。


2.根据权利要求1所述的融合多源信息的短期风电功率预测方法，其特征在于：样本生成步骤具体为：
对异常数据进行剔除；
对于缺失比例超过设定值的数据进行删除处理；对于缺失比例未超过设定值的数据，对其缺失数据使用平均值填充；
对数据进行归一化处理；
对于每个待预测时间节点t构成的时间序列数据，构造训练样本(wt：t+a，pt-b：t-1，pt：t+a)，其中，pt：t+a为真实功率，pt-b：t-1为历史风电功率序列数据，wt：t+a为数值天气预报数据，b为历史序列长度，a为预测步长。


3.根据权利要求1所述的融合多源信息的短期风电功率预测方法，其特征在于：提取得到风电功率序列数据的特征表示的步骤包括：
步骤3.1对于每一时刻t，得到预处理获得的历史风电功率序列数据pt-b：t-1，采用变分模态分解方法分解，其中b为历史序列长度；
步骤3.2随机初始化第1代第k个子模态对应的傅里叶变换参数第1代第k个模态中心频率第1代拉格朗日乘子迭代次数n＝1；
步骤3.3对于变分问题，如下式



将n+1赋值给n，利用更新公式









得到第n代第k个子模态对应的傅里叶变换参数第n代第k个模态中心频率第n代拉格朗日乘子其中为子模态集合{uk}傅里叶变化后的结果；{ωk}为中心频率集合；ω为中心频率；K为信号分量数目；δ(t)为狄拉克函数；α为二次惩罚项；λ(t)为拉格朗日乘子；n为迭代收敛次数；
步骤3.4判断是否...

【专利技术属性】
技术研发人员：马吉科，陈辉，王江辉，曹卫青，祝永晋，龙玲莉，石星煜，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