【技术实现步骤摘要】
基于时空图卷积神经网络的风电场集群短期功率预测方法
本专利技术涉及风电场集群功率预测
,尤其涉及一种基于时空图卷积神经网络的风电场集群短期功率预测方法。
技术介绍
可再生能源,尤其是风能已经成为缓解能源危机的关键。近年来,风电场的装机容量日益增加,而且风电场的接入多以集群的形式进行接入。但是由于风电场的波动性和随机性,风电不仅带来了清洁的能源,也给电网的安全稳定运行带来了一定程度的威胁。因此,对于风速和功率的准确预测是保证风电场并网运行的重要保障。而风电场集群的超短期功率预测,要求对未来4小时的风电功率以不低于15min的间隔进行预测,是调整发电计划、安排调度计划和进行日内交易的基础,更是具有非常重要的意义。风电场集群超短期功率预测的难点在于对风电场集群内部的复杂时空关联模式进行特征提取,并据此对未来时刻的功率进行预测。而本专利技术旨在设计了一种基于多模态多任务学习的时空图卷积神经网络,对风电场集群复杂的时空关联模式进行提取,能够较为准确地给出风电场集群内部各个风电场的多步预测功率。通常情况下单风电场的功率预测可分为物理方法和统计学习方法。图1为现有技术提供的风电场预测模型分类图,物理方法主要利用大气运动方程和风电机组的风速功率转化原理进行功率预测,而统计学习方法包含如图1所示的内容。如图1所示,第一类预测方法是经典的多变量时间序列预测方法,具有较好的统计学理论依据和基础,本质上是将常规的ARIMA模型在多变量时间序列上进行了拓展,并采用了LASSO的方法进行变量的特征提取。优点是数学意 ...
【技术保护点】
1.一种基于时空图卷积神经网络的风电场集群短期功率预测方法,其特征在于,包括:/n采集直至当前时刻第一目标时间段内风电场集群中各风电场的历史功率得到历史功率向量时序序列,采集从当前时刻开始第二目标时间段内所述各风电场的天气预报参数向量得到天气预报参数矩阵时序序列;/n将所述历史功率向量时序序列和所述天气预报参数矩阵时序序列输入预测模型,输出从当前时刻开始未来第三目标时间段内所述风电场集群的预测功率向量时序序列;/n其中,所述预测模型是基于样本历史功率向量时序序列、样本天气预报参数矩阵时序序列和对应的未来第三目标时间段内预测功率向量时序序列标签进行训练后得到的,所述预测模型训练时使用的神经网络结构基于双向门控循环单元GRU网络和图卷积网络构成。/n
【技术特征摘要】
1.一种基于时空图卷积神经网络的风电场集群短期功率预测方法,其特征在于,包括:
采集直至当前时刻第一目标时间段内风电场集群中各风电场的历史功率得到历史功率向量时序序列,采集从当前时刻开始第二目标时间段内所述各风电场的天气预报参数向量得到天气预报参数矩阵时序序列;
将所述历史功率向量时序序列和所述天气预报参数矩阵时序序列输入预测模型,输出从当前时刻开始未来第三目标时间段内所述风电场集群的预测功率向量时序序列;
其中,所述预测模型是基于样本历史功率向量时序序列、样本天气预报参数矩阵时序序列和对应的未来第三目标时间段内预测功率向量时序序列标签进行训练后得到的,所述预测模型训练时使用的神经网络结构基于双向门控循环单元GRU网络和图卷积网络构成。
2.根据权利要求1所述的基于时空图卷积神经网络的风电场集群短期功率预测方法,其特征在于,还包括:
所述预测模型训练时使用的神经网络结构还包括位于图卷积网络之后的特征融合网络和多任务学习网络;
其中,所述特征融合网络用于采用多模态学习特征拼接法将所述图卷积网络输出的处理后历史功率特征和处理后的天气预报进行特征融合得到各风电场的功率拼接天气特征,所述多任务学习网络用于对各风电场设计不同任务层结构以及损失函数。
3.根据权利要求2所述的基于时空图卷积神经网络的风电场集群短期功率预测方法,其特征在于,所述多任务学习网络用于对各风电场设计不同任务层结构以及损失函数,具体包括:
将所述各风电场的功率拼接天气特征分别输入对应于各风电场的任务层网络,其中,所述任务层网络为根据各风电场功率需求设计的全连接层网络;
通过如下公式基于各任务层网络的预测损失确定所述预测模型的损失函数L:
其中,n表示所述风电场集群中风电场的总个数,是第i个风电场的预测功率,H为所述预测功率向量时序序列中的时步个数,是所述风电场集群中第i个风电场的功率拼接天气特征,dout为所述功率拼接天气特征的维度,Woi是所述风电场集群中第i个风电场的全连接层网络的待调参数。
4.根据权利要求1-3所述的基于时空图卷积神经网络的风电场集群短期功率预测方法,其特征在于,所述预测模型训练时使用的神经网络结构基于双向门控循环单元GRU网络和图卷积网络构成,具体包括:
所述预测模型训练时使用的神经网络结构中的特征提取模块包括双向门控循环单元GRU网络和图卷积网络;
所述预测模型训练时,将样本历史功率向量时序序列和样本天气预报参数矩阵时序序列输入所述双向门控循环单元GRU网络输出升维后功率特征和升维后天气预报特征,所述升维后功率特征和升维后天气预报特征输入图卷...
【专利技术属性】
技术研发人员:梅生伟,张雪敏,凡航,郭琦,王新建,
申请(专利权)人:清华大学,内蒙古电力集团有限责任公司电力调度控制分公司,中国电力科学研究院有限公司,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。