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

本发明专利技术提供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，包括：采集第一目标时间段内历史功率得到历史功率向量时序序列，采集第二目标时间段内天气预报参数向量得到天气预报参数矩阵时序序列；将历史功率向量和天气预报参数矩阵的时序序列输入预测模型，输出第三目标时间段内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和样本天气预报参数矩阵时序序列以及预测功率向量时序序列标签进行训练后得到的，所述预测模型的神经网络结构基于Bi‑GRU网络和图卷积网络构成。本发明专利技术提供的方法，实现了使功率预测可以联合考虑历史功率和天气预报参数两种因素，还提高了预测的准确率。

【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。优点是数学意义明确，操作简便，而且模型参数非常方便调节，所以适用于在线应用的场景。工程中多采用此类方法，但缺点是相对于专门设计的神经网络方法或者其它方法误差较大。第二类的预测方法主要采用了概率图模型和高斯过程的思想，将风过程看成高斯过程的组合。因为高斯过程具有在组合和叠加之后仍为高斯过程的良好性质，所以便于求解。优点是精度较高，缺点是计算量较大。第三类的预测方法是机器学习的方法，随着机器学习方法的不同有很多的变种，该方法还包含了基于深度学习的预测方法。例如LSTM，CNN，LSTNet等等。优点是在模型结构设计较好，训练数据充足的情况下，模型的精度较高。缺点是有的深度学习方法训练时间耗时较长，而且需要GPU，适合于离线训练模型，在线应用的场景。第四类预测方法是混合方法。较为典型的方法是采用了时间序列经验模态分解和变分模态分解的方法进行分解，在分解之后的子序列上采用机器学习预测模型。同样也适合于离线训练和在线应用的场景。风电场集群功率预测也通常包括三种方法。第一种是累加法，通过对每个风电场的功率分别进行预测，然后进行累加。第二种方法是统计升尺度方法，通过选取集群内的代表风电场，通过对代表风电场的功率进行预测，然后乘以一定的系数，得到集群风电场的功率。第三种方法是统计外推法。通过建立历史功率和数值天气预报的数据库，再利用当前历史功率和数值天气预报和历史数据库中的数据进行比较，得到集群预测的结果。当然，部分研究中也提出了统计降尺度方法，通过对气象局提供的数值天气预报进行空间上的降尺度，得到空间上精度更高的数值天气预报，然后结合物理预测方法对风电场集群进行功率预测。当前也存在利用图卷积神经网络进行风速或者功率预测的方法，有研究者采用了图卷积结合LSTM的网络结构对集群风电场的风速进行了超短期功率预测。图2为现有技术提供的基于图卷积的风电场集群风速预测的框架示意图，如图2所示，其展示了采用了图卷积结合LSTM的网络结构对集群风电场的风速进行了超短期功率预测的相关的网络结构，其中，该网络采用风电场集群中每个风电场的风速量测作为输入，采用LSTM+GCN的网络结构，可以实现对风电场集群中的每个风电场进行风速预测。在先前的研究中，图3为现有技术提供的基于图卷积的风电场集群超短期功率预测的框架示意图，如图3所示，其采用了图卷积结合多任务和多模态学习的方法对风电场集群的超短期功率进行预测，图3展示了其相关的网络结构。现有的方案中，第一个方法采用了图卷积对风电场的超短期风速进行预测，其可以拓展到风电场集群的超短期功率预测，但是它没有考虑如何利用数值天气预报。基于大气运动建模的数值天气预报包含了较为丰富的功率趋势变化信息，在建模的时候合理地考虑进天气预报对于精度的提升具有很重要的意义。而且，该网络在提取历史风速的时间特征的时候，采用的是单向的LSTM算法，而风功率和风速实际上具有较强的双向特征，单向LSTM算法同样不能计及。而在第二个方法中，虽然考虑了数值天气预报作为模型的输入，但是其直接将历史功率和数值天气预报中风速三次方作为图卷积中节点的特征作为输入，没有单独对时间序列的特征进行提取，因此无法提取到时间序列中一些隐含的模式。因此，如何避免现有的风电场集群功率预测的无法结合历史功率和天气预报信息用于未来风电场输出功率的预测，以及单一图卷积网络提取特征无法提取时序序列中的隐含信息，仍然是本领域技术人员亟待解决的问题。
技术实现思路
本专利技术提供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，用以解决现有的风电场集群功率预测的无法结合历史功率和天气预报信息用于未来风电场输出功率的预测，以及单一图卷积网络提取特征无法提取时序序列中的隐含信息的缺陷，通过设置模型训练过程中使用的神经网络结构包括将双向门控循环单元Bi-GRU(Bi-GatedRecurrentUnit)网络和图卷积网络作为特征提取模块，使用Bi-GRU网络挖取时序序列的隐藏信息对时序数列中的特征进行升维，使得功率预测可以同时考虑历史功率和天气预报参数两种因素，还能提高预测的准确率。本专利技术提供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，该方法包括：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。根据本专利技术提供的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，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。根据本专利技术提供的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，所述多任务学习网络用于对各风本文档来自技高网...

【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