一种基于图网络的多机组风功率预测方法技术

本发明专利技术公开了一种基于图网络的多机组风功率预测方法，属于风场风功率预测领域，包括以下步骤：记录风场内所有风机的相对位置，以表征空间分布，利用监督控制和数据采集系统采集风场的监测数据，得到各个机组的功率数据，并进行数据预处理；设计图卷积网络特征提取模块，对于风机的空间位置信息与各个机组的自身特征，进行特征提取，将非欧数据转化为欧式数据；再通过时序特征学习层从融合后的特征向量序列中提取时间特征；最后通过回归层对各个风机的风功率进行预测。本发明专利技术通过结合图卷积网络和二维时间系数矩阵，从原始数据中自动选择和提取空间特征与时序特征，能够提高整体的预测精度、预测效率和模型鲁棒性，使电力系统的调度更加安全平稳。调度更加安全平稳。调度更加安全平稳。

【技术实现步骤摘要】
一种基于图网络的多机组风功率预测方法


[0001]本专利技术涉及风场风功率预测领域，尤其是一种基于图网络的多机组风功率预测方法。

技术介绍

[0002]随着能源消耗的加剧和环境污染问题的日益严重，风能的开发利用引起了学者们的广泛关注。然而，由于风能的高波动性和间歇性，使得风力发电具有不确定性，这给电网系统带来巨大的潜在风险。为了保证电力系统能够安全稳定的运行，准确预测风电场输出功率(Wind Power Forecasting,WPF)是一个亟待解决的重大问题。
[0003]目前，国内外相关研究机构和学者针对风功率预测问题开展了大量的研究工作，概括起来所研究的预测方法主要分为两类：基于物理模型和数据驱动的预测方法。基于物理模型的预测方法受风电场地形和自然气象条件的影响较大，在实际应用中受到一定的局限性。基于数据驱动的预测方法已成为当前学术界和工业界研究的热点。
[0004]现有研究大多数只针对单一风机进行功率预测，没有考虑周围不同位置的风机间的相互影响，导致进行多机组预测时整体效果不佳。不同机组的地理信息能为风场多机组风功率预测提供给更加全面的信息。

技术实现思路

[0005]本专利技术需要解决的技术问题是提供一种基于图网络的多机组风功率预测方法，能够有效的提高多机组风功率预测的准确率，从而及时对电力调度做出规划，提高风电场与电力系统协调运行的稳定性。
[0006]为解决上述技术问题，本专利技术所采用的技术方案是：
[0007]一种基于图网络的多机组风功率预测方法，包括以下步骤：
[0008]S1、记录风场内所有风机的位置信息，利用监督控制和数据采集(SCADA)系统采集风场的监测数据，得到各个机组的功率数据，作为节点特征，并进行数据预处理；
[0009]S2、针对位置信息和功率数据，设计图网络特征提取模块，用来融合风机的位置信息与各个机组的节点特征；
[0010]S3、将S2获得的特征序列与二维时间系数矩阵相乘，进一步提取时间维度的特征，输出多视角时空融合特征；
[0011]S4、构建全连接回归层，将S3获得的多视角时空融合特征输入到全连接回归层中，得到风场内所有风机的风功率预测结果。
[0012]本专利技术技术方案的进一步改进在于：S1具体包括以下步骤：
[0013]S11、获取机组的位置信息为X
i
，Y
i
，表示第i台风机的位置坐标；风功率的数据大小为n
×
H，n表示机组总数，H表示读取数据的长度；
[0014]S12、根据机组的空间位置，计算两两之间的欧式距离，组成邻接矩阵，以表示相互间的位置关系。公式如下：
[0015]其中，s
ij
表示i与j两点间的距离，x
i
，y
i
表示i点的横坐标与纵坐标，x
j
，y
j
表示j点的横坐标与纵坐标；
[0016]S13、功率数据进行滑窗处理以充分提取时序特征信息，窗口大小为W，进一步经过最大最小值归一化处理后，最终得到的数据大小为：n
×
H/W，n为机组数量，计算公式如下：
[0017][0018]其中y
ij
是标准化处理后的时间序列中第i个机组的第j个值，x
ij
是原始时间序列中第i个机组的第j个功率值，min(x
i
)和max(x
i
)分别是第i个机组时间序列中功率的最小值和最大值。
[0019]本专利技术技术方案的进一步改进在于：S2具体包括以下步骤：
[0020]S21、针对位置信息和功率数据设计图卷积网络特征学习模块，卷积层采用ReLu作为激活函数，并在模块内添加批标准化层以提高模型的训练效果，从而获得信号的融合特征；
[0021]S22、通过图卷积网络进行学习，计算公式如下：
[0022][0023][0024][0025]其中W是要学习的参数，D为度矩阵，A为邻接矩阵，I
N
为单位矩阵。
[0026]本专利技术技术方案的进一步改进在于：S3具体包括以下步骤：
[0027]S31、如图4所示，根据机组的历史功率数据计算时间系数矩阵，使用最小二乘法求解多元回归问题，为不同机组历史数据的不同时间点赋予对应的系数，将所有机组的时间系数矩阵拼接，得到二维时间系数矩阵。通过将图卷积网络提取到的空间特征与二维时间系数矩阵对应位置的值相乘来提取时序信息，以达到时空特征融合的目的。
[0028]本专利技术技术方案的进一步改进在于：S4具体包括以下步骤：
[0029]S41、定义风功率预测为一个回归预测问题；
[0030]S42、将S31获取的最终时空特征转化为二维矩阵并输入到具有平均绝对误差损失函数的回归层中，对机组的风功率进行评估；其中平均绝对误差的计算公式如下：
[0031][0032]其中，y
i
表示真实值，表示预测值，MAE为求平均值后得到预测值和真实值之间的平均绝对误差。
[0033]由于采用了上述技术方案，本专利技术取得的技术进步是：
[0034]1、本专利技术考虑机组间的空间分布，通过欧氏距离来计算邻接矩阵，将空间分布与节点信息作为模型输入。
[0035]2、本专利技术通过利用图卷积网络自动提取空间特征，并保留特征序列的时序性。
[0036]3、本专利技术通过利用二维时间系数矩阵学习时序特征，达到时空特征融合的目的，该方法简单高效。
[0037]4、本专利技术提高了多机组风功率的预测精度，从而及时对电力调度做出规划，提高风电场与电力系统协调运行的稳定性。
附图说明
[0038]图1是本专利技术的预测方法流程图；
[0039]图2是本专利技术中的时空特征学习融合模块示意图；
[0040]图3是本专利技术中的图卷积网络空间特征提取示意图；
[0041]图4是本专利技术时间系数矩阵构建示意图。
具体实施方式
[0042]下面结合附图和实施例对本专利技术做进一步详细说明：
[0043]如图1所示，一种基于图网络的多机组风功率预测方法，包括以下步骤：
[0044]S1、记录风场内所有风机的位置信息，利用监督控制和数据采集(SCADA)系统采集风场的监测数据，得到各个机组的功率数据，作为节点特征，并进行数据预处理。具体包括以下步骤：
[0045]S11、获取机组的位置信息为X
i
，Y
i
，表示第i台风机的位置坐标；风功率的数据大小为n
×
H，n表示机组总数，H表示读取数据的长度。
[0046]S12、根据机组的空间位置，计算两两之间的欧式距离，组成邻接矩阵，以表示相互间的位置关系。公式如下：
[0047]其中，s
ij
表示i与j两点间的距离，x
i
，y
i
表示i本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图网络的多机组风功率预测方法，其特征在于：包括以下步骤：S1、记录风场内所有风机的位置信息，利用监督控制和数据采集系统采集风场的监测数据，得到各个机组的功率数据，作为节点特征，并进行数据预处理；S2、针对位置信息和功率数据，设计图卷积网络特征提取模块，用来提取风机的位置信息与各个机组的节点特征；S3、将步骤S2获得的特征序列与二维时间系数矩阵相乘，进一步提取时间维度的特征，输出多视角时空融合特征；S4、构建全连接回归层，将步骤S3获得的多视角时空融合特征输入到全连接回归层中，得到风场内所有风机的风功率预测结果。2.根据权利要求1所述的一种基于图网络的多机组风功率预测方法，其特征在于：S1具体包括以下步骤：S11、获取机组的位置信息为X
i
，Y
i
，表示第i台风机的位置坐标；风功率的数据大小为n
×
H，n表示机组总数，H表示读取数据的长度；S12、根据机组的空间位置，计算两两之间的欧式距离，组成邻接矩阵，以表示相互间的位置关系，公式如下：其中，s
ij
表示i与j两点间的距离，x
i
，y
i
表示i点的横坐标与纵坐标，x
j
，y
j
表示j点的横坐标与纵坐标；S13、功率数据进行滑窗处理以充分提取时序特征信息，窗口大小为W，进一步经过最大最小值归一化处理后，最终得到的数据大小为：n
×
H/W，n为机组数量，最大最小值归一化计算公式如下：其中y
ij
是标准化处理后的时间序列中第i个机组的第j个值，x
...

【专利技术属性】
技术研发人员：江国乾，徐向东，谢平，武鑫，李小俚，何群，
申请(专利权)人：燕山大学，
类型：发明
国别省市：