一种风电功率时空态势描述模型建立方法技术

本发明专利技术公开了一种风电功率时空态势描述模型建立方法，步骤如下：(1)获取天气数据以及风机的实时功率信息；(2)建立长短时记忆网络模型F

【技术实现步骤摘要】
一种风电功率时空态势描述模型建立方法


[0001]本专利技术涉及电力系统理论和人工智能的交叉技术应用领域，特别是一种风电功率时空态势描述模型建立方法。

技术介绍

[0002]由于日趋严重的环境与资源问题，国际社会纷纷采取措施试图遏制这些问题的恶化，措施之一就是扶持新能源的发展，促进能源系统向清洁低碳转型。考虑到风能利用成本低廉和技术成熟等优点，风力发电成为电力系统中增长较快的新能源发电技术，据目前统计数据显示，风电已成为继煤电、水电之后的第三大能源。构建能源互联网作为促进能源系统绿色转型、达成“碳达峰、碳中和”目标的重要手段，多微网作为能源互联网的一种表现形式，近年来受到广泛关注引起了人们的广泛关注。风电作为一种重要分布式可再生能源，分布在各个微网中。大规模风电接入对多微网系统可再生能源消纳的影响尤为突出，而导致可再生能源消纳问题的主要原因是风电的的随机波动性和不可控性，其出力受风速、风向、外界环境温度等的影响存在较大的波动性，无法预知未来风电出力的大小和变化趋势，造成电力系统运行人员无法应对剧烈的风电波动而快速准确地做出调度控制和电力交易的决策响应。因此，对风电功率进行准确的建模，能够有效缓解大规模风电接入给多微网系统运行带来的强不确定性，可以提高风电在电力市场中的竞争力，具有十分重要的意义。
[0003]为解决多微网系统的能量优化控制等问题，需要建立风电功率的精细化模型，以支撑多微网能量优化控制策略的制定。而已有的多微网系统的风电功率建模方法具有一定的局限性和缺陷，表现在如下几个方面：
[0004]1、传统的知识驱动建模将复杂的现实物理设备用简单的线性数学模型表达，需要进行大量的模糊化处理，复杂度有限的常规模型难以实现对实际物理世界的高精度近似，且难以很好地追踪环境的变化；
[0005]2、数据驱动的建模方法在工程应用时没有建立明确的系统模型，运算过程呈现“黑箱化”，导致结果缺乏可解释性和理论保证，存在着模型可解释性差、鲁棒性不强等问题，同时存在可能过拟合、欠拟合等风险；
[0006]3、目前的知识与数据的融合还处于初级阶段，同时多微网系统中存在大量不同类型的可再生能源和负荷，设备的多样化及负荷需求的不确定性都给风机的知识
‑
数据联合驱动建模带来了更大的困难。
[0007]4、忽略了风电场区域内的地理地形、气象、环境以及风电机组之间的空间相关关系等因素的影响，地形复杂，地势起伏造成风电场内各处风速与风向变化大，一般情况下，山顶和山丘上的风要比山背处和背风山谷中的风大得多。

技术实现思路

[0008]专利技术目的：本专利技术的目的是提供一种具有准确性、快速性、智能性和自学习性的风电功率时空态势描述模型建立方法。
[0009]技术方案：本专利技术所述的一种风电功率时空态势描述模型建立方法，包括以下步骤：
[0010](1)使用物联传感设备获取区域内温度、风速、风向等天气数据，以及风机的实时功率信息，从而使用历史监测数据对后续的模型进行训练。
[0011](2)建立长短时记忆网络模型F
θ
；所述步骤(2)具体为：
[0012]长短时记忆网络模型由长短时记忆网络LSTM层和三个全连接的层l1、l2和l3组成；LSTM层中有40个节点，这些节点中的激活函数是双曲正切函数tanh；全连接层l1、l2和l3分别包含40、20和1个节点，它们的激活函数是线性整流函数ReLU。
[0013](3)分析风机与负荷供需平衡的时间变迁机理；所述步骤(3)具体为：
[0014](3.1)选取对风机出力具有较强影响的温度、风速、风向天气因素集合C(t,s,d)，其中t表示温度，s表示风速，d表示风向；
[0015](3.2)将天气数据温度、风速、风向作为长短时记忆网络输入的特征向量，将风机的功率数据作为网络输出的目标值，由此获得各微网风机受时间、天气和随机波动影响的风电功率预测模型P
t
：
[0016]P
t
＝F
θ
(P
b
,T,C(t,s,d))+N(μ,σ2)
ꢀꢀ
(1)
[0017]其中，P
b
为前一时段风电功率，T为时间，F
θ
为长短时记忆网络模型，N(μ,σ2)为模型残差拟合的随机波动。
[0018](4)建立图卷积神经网络模型G
θ
；所述步骤(4)具体为：
[0019](4.1)基于皮尔逊相关系数法分析天气因素对单个微网功率变化的影响程度。考虑到多微网系统多个微网连接的拓扑结构，则微网间的能量传输网络可表示为图G：
[0020]G＝(V,E)
ꢀꢀ
(2)
[0021]其中V为微网的集合，E为能量传输线路的集合；
[0022](4.2)选择具有3层图卷积网络的图卷积神经网络模型G
θ
对上述多微网能量传输网络的微网信息进行特征提取，每层图卷积后均接ReLU激活函数；
[0023](4.3)根据能量传输网络的微网与邻近微网的连接关系建立微网的邻接矩阵A，以及表示每个微网的邻接微网数量的度矩阵D，定义归一化的拉普拉斯矩阵为：
[0024][0025]其中，I为单位矩阵，D为对角矩阵，D
ii
＝∑
j
A
ij
；
[0026]可知L为对称矩阵；
[0027](4.4)对L奇异值分解：
[0028]L＝UΛU
T
ꢀꢀ
(4)
[0029]其中，Λ＝diag([λ1,λ2,
…
,λ
n
])为特征值对角阵，U＝[U1,U2,
…
,U
n
]为特征向量正交矩阵；对于图G中单个微网x，定义图傅里叶变换为逆变换为图信号频域滤波响应为进行傅里叶逆变换即：
[0030]z＝Ug
θ
(Λ)U
T
x
ꢀꢀ
(5)
[0031]式(5)即为图卷积的基本形式，其中g
θ
(Λ)对应为可学习的滤波函数；
[0032](4.5)用λ
max
表示L最大特征值，令采用切比雪夫多项式T
k
来近似g
θ
(Λ)：
[0033][0034]为对应拉普拉斯矩阵缩放，结合恒等式(UΛU
T
)
k
＝UΛ
k
U
T
，则式(5)可近似为：
[0035][0036](4.6)本专利技术中取K＝1，即只考虑微网的1阶连接信息，令归一化的L最大特征值λ
max
＝2，则式(7)可展开并简化为：
[0037][0038](4.7)防止模型过拟合，采用θ＝θ0＝
‑
θ1进一步约束参数数量可得：
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电功率时空态势描述模型建立方法，其特征在于，包括以下步骤：(1)获取天气数据以及风机的实时功率信息；(2)建立长短时记忆网络模型F
θ
；(3)分析风机与负荷供需平衡的时间变迁机理；(4)建立图卷积神经网络模型G
θ
；(5)分析风机与负荷供需平衡的空间变迁机理；(6)建立多层感知机模型J
θ
；(7)构建风电功率预测模型；(8)建立风电功率超短期实时动态响应模型；(9)建立风电功率时空态势描述模型。2.根据权利要求1所述的一种风电功率时空态势描述模型建立方法，其特征在于，所述步骤(2)具体为：长短时记忆网络模型由长短时记忆网络LSTM层和三个全连接的层l1、l2和l3组成；LSTM层中有40个节点，这些节点中的激活函数是双曲正切函数tanh；全连接层l1、l2和l3分别包含40、20和1个节点，它们的激活函数是线性整流函数ReLU。3.根据权利要求1所述的一种风电功率时空态势描述模型建立方法，其特征在于，所述步骤(3)具体为：(3.1)选取对风机出力具有较强影响的温度、风速、风向天气因素集合C(t,s,d)，其中t表示温度，s表示风速，d表示风向；(3.2)将天气数据温度、风速、风向作为长短时记忆网络输入的特征向量，将风机的功率数据作为网络输出的目标值，由此获得各微网风机受时间、天气和随机波动影响的风电功率预测模型P
t
：P
t
＝F
θ
(P
b
,T,C(t,s,d))+N(μ,σ2)
ꢀꢀ
(1)其中，P
b
为前一时段风电功率，T为时间，F
θ
为长短时记忆网络模型，N(μ,σ2)为模型残差拟合的随机波动。4.根据权利要求1所述的一种风电功率时空态势描述模型建立方法，其特征在于，所述步骤(4)具体为：(4.1)考虑到多微网系统多个微网连接的拓扑结构，则微网间的能量传输网络可表示为图G：G＝(V,E) (2)其中V为微网的集合，E为能量传输线路的集合；(4.2)选择具有3层图卷积网络的图卷积神经网络模型G
θ
对上述多微网能量传输网络的微网信息进行特征提取，每层图卷积后均接ReLU激活函数；(4.3)根据能量传输网络的微网与邻近微网的连接关系建立微网的邻接矩阵A，以及表示每个微网的邻接微网数量的度矩阵D，定义归一化的拉普拉斯矩阵为：其中，I为单位矩阵，D为对角矩阵，D
ii
＝∑
j
A
ij
；可知L为对称矩阵；
(4.4)对L奇异值分解：L＝UΛU
T (4)其中，Λ＝diag([λ1,λ2,
…
,λ
n
])为特征值对角阵，U＝[U1,U2,
…
,U
n
]为特征向量正交矩阵；对于图G中单个微网x，定义图傅里叶变换为逆变换为图信号频域滤波响应为进行傅里叶逆变换即：z＝Ug
θ
(Λ)U
T
x (5)式(5)即为图卷积的基本形式，其中g
θ
(Λ)对应为可学习的滤波函数；(4.5)用λ
max
表示L最大特征值，令采用切比雪夫多项式T
k
来近似g
θ
(Λ)：(Λ)：为对应拉普拉斯矩阵缩放，结合恒等式(UΛU
T
)
k
＝UΛ
k
U
T
，则式(5)可近似为：(4.6)本发明中取K＝1，即只考虑微网的1阶连接信息，令归一化的L最大特征值λ
max
＝2，则式(7)可展开并简化为：(4.7)防止模型过拟合，采用θ＝θ0＝
‑
θ1进一步约束参数数量可得：实际使用该算子易发生消失梯度，采用近似算子效果更佳，其中(4.8)针对一个含有N个特征长度为C的节点的图G＝(V,E),X＝[x1,x2,
…
,x
n
]∈R
N
×
C
表示图节点信号矩阵，则对于图G的卷积操作可定义为：其中，Φ∈R
C
×
F
为卷积核参数矩阵，Z为输出节点信号，特征长度为F；(4.9)基于式(10)，设第j层图卷积和ReLU的操作为则针对本发明的3层图卷积网络的图卷积神经网络模型G
θ
为：其中，为第一层图卷积和ReLU的操作,为第二层图卷积和Re...

【专利技术属性】
技术研发人员：华昊辰，陈星莺，刘畅，余昆，甘磊，梅飞，
申请(专利权)人：河海大学，
类型：发明
国别省市：