风电功率预测方法技术

一种风电功率预测方法，以风电场传感器所接收的原始数据构成原始时间序列集，构建掩码矩阵，然后将原始时间序列集编码至隐藏空间，将隐藏单元传入基于门控循环单元的生成对抗网络，生成伪时间序列集；将伪时间序列集处理后与原始时间序列集通过所述生成对抗网络的鉴别器比对，当均方根误差小于设定阈值时，使用伪时间序列集中的数据插补到原时间序列集的空缺中，形成完整的新时间序列集；利用新时间序列集对风电功率进行预测。本发明专利技术可保障短期风电功率预测的运算效率与结果准确度。期风电功率预测的运算效率与结果准确度。期风电功率预测的运算效率与结果准确度。

【技术实现步骤摘要】
风电功率预测方法


[0001]本专利技术属于风电
，同时属于时间序列数据分析与挖掘
，亦属于大数据分析与应用
，特别涉及一种风电功率预测方法。

技术介绍

[0002]风电场通过开展风电功率预测来进行电力市场竞价和风电场运行维护，通过风电功率预测系统的预测结果，电网调度部门进行合理的发电计划安排，减少系统的旋转备用容量，提高电网运行的经济性，同时通过提前预测风电功率的波动，合理的安排运行方式和应对措施，提高电网的安全性和可靠性。但是数据在采集过程中由于传感器等硬件设备所带来的采集误差，对后期风电功率预测带来一定的误差。

技术实现思路

[0003]为了克服上述现有技术的缺点，本专利技术的目的在于提供一种风电功率预测方法，采用了基于生成对抗网络自动编码的多元时间序列插补方法，通过对风电场发电量监测数据缺失值和社区运维系统数据缺失值的插补，尽可能规避了由于多方面原因所带来的异常值现象，提高预测准确性。
[0004]为了实现上述目的，本专利技术采用的技术方案是：
[0005]一种风电功率预测方法，包括如下步骤：
[0006]步骤1，以风电场传感器所接收的原始数据构成原始时间序列集，所述原始数据包括气象部门监测的温度、压强数据以及风电场监测的风速、风向数据；所述原始时间序列集含缺失值；先以所述原始时间序列集构建掩码矩阵M，然后将原始时间序列集编码至隐藏空间，将隐藏单元传入基于门控循环单元的生成对抗网络，生成伪时间序列集，其中生成对抗网络的生成器即对编码的原始时间序列集进行解码的解码器；
[0007]步骤2，将所述伪时间序列集处理后与所述原始时间序列集通过所述生成对抗网络的鉴别器比对，当均方根误差小于设定阈值时，使用伪时间序列集中的数据插补到原时间序列集的空缺中，形成完整的新时间序列集；
[0008]步骤3，利用所述新时间序列集，对风电功率进行预测。
[0009]与现有技术相比，本专利技术针对风电数据采集过程中出现的缺失值现象，采用插补的方法，将采集到原始数据中的缺失值进行插补，最终获得输入的特征数据进行预测模型的训练和测试，达到风电场所需的预测模型。采用本专利技术，可极大程度上解决风电原始数据采集的误差现象，提高预测模型预测的准确性，为电网调度部门和风电场提高更精准的预测数据。
附图说明
[0010]图1是本专利技术整体流程示意图。
[0011]图2是本专利技术工作逻辑图
[0012]图3是本专利技术实施例1中在不同方法的插补数据集上训练不同分类模型预测得分。
[0013]图4是本专利技术实施例2中在不同方法的插补数据集上训练不同分类模型所得的均方根误差。
具体实施方式
[0014]下面结合附图和实施例详细说明本专利技术的实施方式。
[0015]如图1所示，本专利技术为一种风电功率预测方法，包括如下步骤：
[0016]步骤1，以风电场传感器所接收的原始数据构成原始时间序列集，原始数据主要包括气象部门监测的温度、压强数据以及风电场监测的风速、风向数据；显然，由于传感器所带来的采集误差，该原始时间序列集容易含有缺失值。
[0017]步骤2，检测该原始时间序列集中是否含有缺失值，如没有，则可直接就行预测，但这种概率较低。如有，则需要进行插补，具体地，先以该原始时间序列集构建掩码矩阵M，然后将该原始时间序列集编码至隐藏空间，将隐藏单元传入基于门控循环单元的生成对抗网络(与解码同步进行)，解码生成伪时间序列集，其中生成对抗网络的生成器即对编码的原始时间序列集进行解码的解码器。
[0018]在本专利技术中，构建掩码矩阵M的方法可如下所示：
[0019]在原始时间序列集中，若参数j在t
i
时刻的值存在，则记为若参数j在t
i
时刻的值不存在，即为缺失值，则记为最终构建掩码矩阵其中，表示在t
i
时刻j的值是否存在；最终表示形式可示例为：
[0020]本专利技术的原始时间序列集的编码基于自编码器实现，编码目标为使数据进入隐藏空间，隐藏空间中存在高斯分布限制的一维矩阵。
[0021]具体地，在原始时间序列集编码时，需要重构损失函数计算损失值，并检测编码后解码前的数据和原始时间序列集之间的误差，其中自编码器损失值定义为：L
Enc
＝||X
⊙
M
‑
G(z)
⊙
M||2，解码器损失值定义为：L
Dec
＝||X
⊙
M
‑
G(z)
⊙
M||2+λL
Disc
，其中X表示真实数据，即含缺失值的原始时间序列集，G(z)表示生成数据，即生成的伪时间序列集，
⊙
表示矩阵乘法，λ表示控制L
Enc
与L
Disc
之间比例大小的超参数，L
Disc
为鉴别器损失值，L
Disc
＝D(X)
‑
D(G(z))，D(X)指真实数据的分布，D(G(z))指生成数据的分布，原始时间序列集与伪时间序列集之间的Wasserstein距离可记作D。
[0022]本专利技术生成对抗网络可通过如下过程训练：
[0023]设定生成器的迭代次数为n
critic
；训练样本数量为m；θ
Enc
为自编码器的梯度下降值；θ
Dec
为解码器梯度下降值；θ
Disc
为鉴别器梯度下降值；c为梯度限制，若鉴别器更新值大于c，则对其赋值为c，若鉴别器更新值小于
‑
c，则对其赋值为
‑
c，若鉴别器更新值若在
‑
c到c之间，则对其赋值为计算值；
[0024]当θ
Disc
未收敛时，从1开始循环更新，直至达到迭代次数n
critic
；
[0025]则：
[0026][0027][0028]L
Dec
+
←
L
Enc
+λL
Disc
[0029][0030][0031][0032]上式中：+
←
为更新符号；是指梯度下降值，代表其后面的公式是梯度下降计算公式；M
(i)
表示第i批数据的掩码矩阵，X
(i)
表示第i批数据的含缺失值的原始时间序列集，G(z)
(i)
表示第i批数据的生成数据，Clip()和f
w
()为限制函数；指解码器梯度下降值；指编码器梯度下降值；指鉴别器梯度下降值。
[0033]步骤3，将伪时间序列集处理后与原始时间序列集通过生成对抗网络的鉴别器比对，当均方根误差小于设定阈值时，使用伪时间序列集中的数据插补到原时间序列集的空缺中，形成完整的新时间序列集；否则重复将新的伪时间序列集传入到编码器中，重复步骤2，直至其均方根误差本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电功率预测方法，其特征在于，包括如下步骤：步骤1，以风电场传感器所接收的原始数据构成原始时间序列集，所述原始数据包括气象部门监测的温度、压强数据以及风电场监测的风速、风向数据；所述原始时间序列集含缺失值；先以所述原始时间序列集构建掩码矩阵M，然后将原始时间序列集编码至隐藏空间，将隐藏单元传入基于门控循环单元的生成对抗网络，生成伪时间序列集，其中生成对抗网络的生成器即对编码的原始时间序列集进行解码的解码器；步骤2，将所述伪时间序列集处理后与所述原始时间序列集通过所述生成对抗网络的鉴别器比对，当均方根误差小于设定阈值时，使用伪时间序列集中的数据插补到原时间序列集的空缺中，形成完整的新时间序列集；步骤3，利用所述新时间序列集，对风电功率进行预测。2.根据权利要求1所述风电功率预测方法，其特征在于，所述步骤1，构建掩码矩阵的方法如下：原始时间序列集中，若参数j在t
i
时刻的值存在，则记为若参数j在t
i
时刻的值不存在，即为缺失值，则记为最终构建掩码矩阵3.根据权利要求1所述风电功率预测方法，其特征在于，所述原始时间序列集的编码基于自编码器实现，编码目标为使数据进入隐藏空间，所述隐藏空间中存在高斯分布限制的一维矩阵。4.根据权利要求1所述风电功率预测方法，其特征在于，所述原始时间序列集编码时，重构损失函数计算损失值，自编码器损失值L
Enc
＝||X
⊙
M
‑
G(z)
⊙
M||2，解码器损失值L
Dec
＝||X
⊙
M
‑
G(z)
⊙
M||2+λL
Disc
，其中X表示真实数据，即含缺失值的原始时间序列集，G(z)表示生成数据，即生成的伪时间序列集，
⊙
表示矩阵乘法，λ表示控制L
Enc
与L
Disc
之间比例大小的超参数，L
Disc
为鉴别器损失值，L
Dis
＝D(X)
‑
D(G(z))，D(X)指真实数据的分布，D(G(z))指生成数据的分布。5.根据权利要求4所述风电功率预测方法，其特征在于，所述生成对抗网络通过如下过程训练：设定生成器的迭代次数为n
critic
；训练样本数量为m；θ
Enc
为自编码器的梯度下降值；θ
Dec
为解码器梯度下降...

【专利技术属性】
技术研发人员：王永生，徐昊，关世杰，武煜昊，邢红梅，
申请(专利权)人：内蒙古工业大学，
类型：发明
国别省市：