本申请公开了一种风电场功率预测方法、装置及电子设备，包括：获取风电场集群包括的多个风电场的功率特征数据和风速特征数据；将多个风电场的功率特征数据和风速特征数据，输入预先建立的图注意力网络模型中，得到多个风电场的预测功率，其中，功率特征数据作为模型输入数据，依次经过注意力特征提取模块和卷积计算模块的计算后，得到功率特征，风速特征数据作为模型输入数据，依次经过注意力特征提取模块和卷积计算模块的计算后，得到风速特征，功率特征和风速特征经过特征融合模块的计算后，得到多个风电场的预测功率，注意力特征提取模块包括空间注意力特征提取模块。采用本方案，提高了风电场功率预测的精度。提高了风电场功率预测的精度。提高了风电场功率预测的精度。
【技术实现步骤摘要】
一种风电场功率预测方法、装置及电子设备
[0001]本申请涉及计算机
和风电场功率预测
，尤其涉及一种风电场功率预测方法、装置及电子设备。
技术介绍
[0002]风电场集群通常指一个包含多个风电场的地理区域，在风电场的相关技术中，经常需要对风电场功率进行预测，风电场功率预测指的是对风电场未来一段时间内按照一定的时间间隔进行预测，风电场集群功率预测指的是对风电场集群总的功率在未来一段时间内按照一定的时间间隔进行预测，例如，未来4个小时内，按照不低于15分钟的时间间隔进行预测。
[0003]准确的风电场功率预测对于调度部门制定日发电计划、调整电力系统的运行方式等具有非常重要的意义，而且也为电力现货市场的交易提供了重要信息。
[0004]现有的风电场功率预测，可以采用物理方法、基于单风电场预测的累加法和空间升尺度方法等。其中，物理方法的特点在于流程清晰，预测结果的可解释性强，缺点在于预测的精度较差。基于单风电场预测的累加方法，在预测的过程中没有充分考虑风电场之间的相关性。空间升尺度方法，在考虑风电场之间相关性的时候，粒度较粗。
[0005]当前有研究提出了采用图机器学习的方法用于风电场的功率预测，但是在预测的时候对输入的数据采用同样的权重。但是实际中风电场的功率具有很强的非线性和复杂的模式，进行超短期预测的时候，对输入数据不同部分的关注程度应该是不一样的。
[0006]因此，目前已知的各种风电场功率预测方法，均不同程度的存在预测精度较低的问题。
技术实现思路
[0007]本申请实施例提供一种风电场功率预测方法、装置及电子设备，用以解决现有技术中存在的风电场功率预测精度较低的问题。
[0008]本申请实施例提供一种风电场功率预测方法，其特征在于，包括：获取风电场集群包括的多个风电场的多个历史时刻的风电功率，作为功率特征数据，以及所述多个风电场的多个将来时刻的预测风速，作为风速特征数据；将所述多个风电场的所述功率特征数据和所述风速特征数据，输入预先建立的图注意力网络模型中，得到所述多个风电场的预测功率，其中，所述图注意力网络模型包括注意力特征提取模块、卷积计算模块和特征融合模块，所述功率特征数据作为模型输入数据，依次经过所述注意力特征提取模块和所述卷积计算模块的计算后，得到功率特征，所述风速特征数据作为模型输入数据，依次经过所述注意力特征提取模块和所述卷积计算模块的计算后，得到风速特征，所述功率特征和所述风速特征经过所述特征融合模块的计算后，得到所述多个风电场的所述预测功率，所述注意力特征提取模块包括空间注意力特征提取模块。
[0009]进一步的，所述空间注意力特征提取模块采用如下公式进行计算：；；其中，为空间注意力特征提取模块的空间输入数据，所述空间输入数据为所述功率特征数据或所述风速特征数据，为所述多个风电场的数量，为每个风电场的特征的数量，为多个时刻的数量，，，，，是用于学习的参数，是激活函数；为基于空间注意力特征提取模块的空间输入数据进行计算得到的空间注意力矩阵，中的元素表示风电场和风电场之间的空间相关性，为空间注意力特征提取模块的输出数据。
[0010]进一步的，所述注意力特征提取模块还包括时间注意力特征提取模块，所述时间注意力特征提取模块的输出，作为所述空间注意力特征提取模块的输入。
[0011]进一步的，所述时间注意力特征提取模块采用如下公式进行计算：；；；其中，为时间注意力特征提取模块的时间输入数据，所述时间输入数据为所述功率特征数据或所述风速特征数据，为所述多个风电场的数量，为每个风电场的特征的数量，为多个时刻的数量，，，，，是用于学习的参数，是激活函数；为基于时间注意力特征提取模块的时间输入数据进行计算得到的时间注意力矩阵，中的元素表示时刻和时刻之间的时间依赖关系，为时间注意力特征提取模块的输出数据；所述空间注意力特征提取模块采用如下公式进行计算：
；；其中，为空间注意力特征提取模块的空间输入数据，所述空间输入数据为所述时间注意力特征提取模块的输出数据，，，，，是用于学习的参数，是激活函数；为基于空间注意力特征提取模块的空间输入数据进行计算得到的空间注意力矩阵，中的元素表示风电场和风电场之间的空间相关性，为空间注意力特征提取模块的输出数据。
[0012]进一步的，所述卷积计算模块包括图卷积计算模块和一维卷积计算模块，所述图卷积计算模块的输出，作为所述一维卷积计算模块的输入。
[0013]进一步的，所述图卷积计算模块采用如下公式进行计算：；；
‑
；；其中，是风电场和风电场之间的地理位置距离，是个风电场的地理位置距离的方差，是距离阈值，D是个风电场的节点度矩阵，为所述多个风电场的邻接矩阵，为所述多个风电场的Laplacian矩阵；为所述功率特征数据或所述风速特征数据，为所述多个风电场的数量，为每个风电场的特征的数量，为多个时刻的数量；参数是多项式系数的向量，为矩阵的最大特征值，表示Hadamard积，为所述图卷积计算模块的输出；
chebyshev多项式的迭代公式为
‑
,其中。
[0014]进一步的，所述注意力特征提取模块的模型输入数据与所述卷积计算模块的输出之间采用残差连接，所采用的公式如下：；其中，为所述模型输入数据，为所述卷积计算模块的输出，为所述特征融合模块的输入。
[0015]进一步的，所述风速特征数据包括所述多个风电场的多个将来时刻的多个高度的预测风速。
[0016]本申请实施例还提供一种风电场功率预测装置，包括：数据获取模块，用于获取风电场集群包括的多个风电场的多个历史时刻的风电功率，作为功率特征数据，以及所述多个风电场的多个将来时刻的预测风速，作为风速特征数据；功率预测模块，用于将所述多个风电场的所述功率特征数据和所述风速特征数据，输入预先建立的图注意力网络模型中，得到所述多个风电场的预测功率，其中，所述图注意力网络模型包括注意力特征提取模块、卷积计算模块和特征融合模块，所述功率特征数据作为模型输入数据，依次经过所述注意力特征提取模块和所述卷积计算模块的计算后，得到功率特征，所述风速特征数据作为模型输入数据，依次经过所述注意力特征提取模块和所述卷积计算模块的计算后，得到风速特征，所述功率特征和所述风速特征经过所述特征融合模块的计算后，得到所述多个风电场的所述预测功率，所述注意力特征提取模块包括空间注意力特征提取模块。
[0017]本申请实施例还提供一种电子设备，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使：实现上述任一风电场功率预测方法。
[0018]本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一风电场功率预测方法。
[0019]本申请实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一风电场功率预测方法。
[0020]本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种风电场功率预测方法，其特征在于，包括：获取风电场集群包括的多个风电场的多个历史时刻的风电功率，作为功率特征数据，以及所述多个风电场的多个将来时刻的预测风速，作为风速特征数据；将所述多个风电场的所述功率特征数据和所述风速特征数据，输入预先建立的图注意力网络模型中，得到所述多个风电场的预测功率，其中，所述图注意力网络模型包括注意力特征提取模块、卷积计算模块和特征融合模块，所述功率特征数据作为模型输入数据，依次经过所述注意力特征提取模块和所述卷积计算模块的计算后，得到功率特征，所述风速特征数据作为模型输入数据，依次经过所述注意力特征提取模块和所述卷积计算模块的计算后，得到风速特征，所述功率特征和所述风速特征经过所述特征融合模块的计算后，得到所述多个风电场的所述预测功率，所述注意力特征提取模块包括空间注意力特征提取模块。2.如权利要求1所述的方法，其特征在于，所述空间注意力特征提取模块采用如下公式进行计算：；；其中，为空间注意力特征提取模块的空间输入数据，所述空间输入数据为所述功率特征数据或所述风速特征数据，为所述多个风电场的数量，为每个风电场的特征的数量，为多个时刻的数量，，，，，是用于学习的参数，是激活函数；为基于空间注意力特征提取模块的空间输入数据进行计算得到的空间注意力矩阵，中的元素表示风电场和风电场之间的空间相关性，为空间注意力特征提取模块的输出数据。3.如权利要求1所述的方法，其特征在于，所述注意力特征提取模块还包括时间注意力特征提取模块，所述时间注意力特征提取模块的输出，作为所述空间注意力特征提取模块的输入。4.如权利要求3所述的方法，其特征在于，所述时间注意力特征提取模块采用如下公式进行计算：；；
；其中，为时间注意力特征提取模块的时间输入数据，所述时间输入数据为所述功率特征数据或所述风速特征数据，为所述多个风电场的数量，为每个风电场的特征的数量，为多个时刻的数量，，，，，是用于学习的参数，是激活函数；为基于时间注意力特征提取模块的时间输入数据进行计算得到的时间注意力矩阵，中的元素表示时刻和时刻之间的时间依赖关系，为时间注意力特征提取模块的输出数据；所述空间注意力特征提取模块采用如下公式进行计算：；；其中，为空间注意力特征提取模块的空间输入数据，所述空间输入数据为所述时间注意力特征提取模块的输出数据，，，，，是用于学习的参数，是激活函数；为基于空间注意力特征提取模块的空间输入数据进行计算得到的空间注意力矩阵，中的元素表示风电场和风电场之间的空间相关性，为空间注意力特征提取模块的输出数据。5.如权利要求1
‑
4任一所述的方法，其特征在于，所述卷积计算模块包括图卷积计算模...
【专利技术属性】
技术研发人员：凡航，
申请(专利权)人：华控清交信息科技北京有限公司，
类型：发明
国别省市：
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。