一种自监督风电功率预测方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种自监督风电功率预测方法、装置、设备及介质，自监督风电功率预测方法，包括步骤：将多个风电场构建为图网络，每个风电场被视为图网络中的节点；其中，图网络的邻接矩阵用多个风电场间的相关矩阵表示，图网络的特征矩阵为历史数据；将所述特征矩阵和邻接矩阵输入预设的图编码器中，所述图编码器输出各风电场的空间特征；将所述各风电场的空间特征作为输入特征，输入预设的长短期记忆网络，所述长短期记忆网络输出时间特征；将所述时间特征投影到未来的发电曲线上，进行发电功率预测。本方案提出采用自监督的方式构建风电功率预测网络模型，基于图神经网络和长短期记忆法，是一种不需要标签的自监督方法。是一种不需要标签的自监督方法。是一种不需要标签的自监督方法。

【技术实现步骤摘要】
一种自监督风电功率预测方法、装置、设备及介质


[0001]本专利技术属于人工智能领域，具体涉及一种自监督风电功率预测方法、装置、设备及介质。

技术介绍

[0002]随着化石能源的消耗及环境污染的增加，清洁能源如何代替化石能源已经逐渐成为热门话题。以“碳中和、碳达峰”为目标，风力发电场市场占有率日益增长，是非常有前途的清洁能源，其渗透率在电力系统中逐渐增加。虽然风力发电可以带来积极的环境和经济效益，但它的间歇性和波动性使得难以准确其发电功率，这对电力系统的安全运行构成了挑战。因此，有必要发展准确的风力发电预测方法来辅助电力系统的可以安全运行并进行经济调度。
[0003]短期功率预测方法可分为物理方法、统计方法和基于人工智能的方法三类。物理方法通常是基于低层大气和复杂的气象特征进行计算，如湿度、气压、风速和温度。例如：天空成像法、卫星成像法和数值天气预测法。然而这些方法在实现了出色性能的同时，需要高昂的计算成本，这严重限制了它们的适用性。统计方法从滞后时间序列曲线和气象因素中提取特征，然后量化特征与幂之间的非线性动态关系，得到预测结果。虽然有效降低了成本，但统计方法的预测性能通常会随着时间范围的增加而下降。在基于人工智能的方法中，传统的机器学习方法忽略了时空相关性，因此气象特征的变化不受当地天气条件的限制，无法准确预测发电曲线。而深度学习方法可以来捕捉位于附近的发电站之间的强相关性，例如长短期记忆法(LSTM)、卷积神经网络(CNN)均取得了较好的效果。
[0004]上述方法通常应用在有着规则空间结构的欧式空间数据，而风电的短期功率预测的输入数据以图结构进行建模将更加贴合。网络表征方法可以对不规则的、无序的多个风电场数据进行建模，将图的顶点、边或子图转换成低维嵌入，从而捕获数据的内部依赖关系，保留图的重要结构信息。现有基于图结构的方法中，大部分是以监督的方式建立模型，而监督学习在训练的过程中需要大量的标签信息。

技术实现思路

[0005]本专利技术的目的在于提供一种自监督风电功率预测方法，一种自监督风电功率预测方法、装置、设备及介质，针对现有技术传统功率预测方法大量依赖标签信息，从而导致成本大幅增加的问题，以多个风电场的发电量为历史数据，预测未来的电场发电量。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]本专利技术的第一方面，提供了一种自监督风电功率预测方法，包括如下步骤：
[0008]将多个风电场构建为图网络，每个风电场被视为图网络中的节点；其中，图网络的邻接矩阵用多个风电场间的相关矩阵表示，图网络的特征矩阵为历史数据；
[0009]将所述特征矩阵和邻接矩阵输入预设的图编码器中，所述图编码器输出各风电场的空间特征；
[0010]将所述各风电场的空间特征作为输入特征，输入预设的长短期记忆网络，所述长短期记忆网络输出时间特征；
[0011]将所述时间特征投影到未来的发电曲线上，进行发电功率预测。
[0012]进一步的，所述将所述时间特征投影到未来的发电曲线上，进行发电功率预测的步骤之后，还包括步骤：
[0013]将所述邻接矩阵作为正例样本向量进行随机行变换，得到负例样本向量；
[0014]将所述时间特征作为局部表征向量，并通过读出函数映射成总体表征向量；
[0015]通过损失函数将正例样本向量与总体表征向量之间的互信息最大化，同时将负例样本向量与总体表征向量之间的互信息最小化。
[0016]进一步的，所述图网络的特征矩阵为历史数据的步骤中，所述历史数据的属性特征为历史发电量曲线或气象特征。
[0017]进一步的，所述特征矩阵X下式所示：
[0018][0019]其中，是在时间t的发电曲线合集，是在时间t目标电站的预测功率，N为风电场的数量。
[0020]进一步的，所述邻接矩阵用多个风电场间的相关矩阵表示。
[0021]进一步的，所述图编码器为一层结构的卷积神经网络。
[0022]进一步的，所述损失函数如下所示：
[0023][0024]其中，n为正样本节点数、m为负样本节点数，判别器D是双线性二元分类器，H为节点表征向量，S为网络表征向量，为负样本的邻接矩阵。
[0025]本专利技术的第二方面，提供了一种自监督风电功率预测装置，包括：
[0026]图网络构建模块，用于将多个风电场构建为图网络，每个风电场被视为图网络中的节点；其中，图网络的邻接矩阵用多个风电场间的相关矩阵表示，图网络的特征矩阵为历史数据；
[0027]第一特征获取模块，用于将所述特征矩阵和邻接矩阵输入预设的图编码器中，所述图编码器输出各风电场的空间特征；
[0028]第二特征获取模块，用于将所述各风电场的空间特征作为输入特征，输入预设的长短期记忆网络，所述长短期记忆网络输出时间特征；
[0029]预测模块，用于将所述时间特征投影到未来的发电曲线上，进行发电功率预测。
[0030]本专利技术的第三方面，提供了一种电子设备，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现上述的自监督风电功率预测方法。
[0031]本专利技术的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现上述的自监督风电功率预测方法。
[0032]本专利技术的有益效果如下：
[0033]针对传统功率预测方法大量依赖标签信息，从而导致成本大幅增加的问题，本方案提出采用自监督的方式构建风电功率预测网络模型，基于图神经网络和长短期记忆法，是一种不需要标签的自监督方法，包括构建特征矩阵与邻接矩阵作为输入数据、构建负例样本，采用GCN与LSTM结合的方式同时捕捉各个风电场之间的时空相关性，并通过互信息最大化的方式构建目标函数，利用对比学习构建目标函数对型进行训练与优化。
附图说明
[0034]构成本申请的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0035]图1为本专利技术实施例自监督风电功率预测方法的原理图；
[0036]图2为本专利技术实施例自监督风电功率预测方法的流程示意图；
[0037]图3为本专利技术一种自监督风电功率预测方法装置的结构框图；
[0038]图4为本专利技术一种电子设备的结构框图。
具体实施方式
[0039]下面将参考附图并结合实施例来详细说明本方案。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0040]以下详细说明均是示例性的说明，旨在对本方案提供进一步的详细说明。除非另有指明，本方案所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本方案所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本方案的示例性实施方式。
[0041]实施例1
[0042]如图1和2所示，一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自监督风电功率预测方法，其特征在于，包括如下步骤：将多个风电场构建为图网络，每个风电场被视为图网络中的节点；其中，图网络的邻接矩阵用多个风电场间的相关矩阵表示，图网络的特征矩阵为历史数据；将所述特征矩阵和邻接矩阵输入预设的图编码器中，所述图编码器输出各风电场的空间特征；将所述各风电场的空间特征作为输入特征，输入预设的长短期记忆网络，所述长短期记忆网络输出时间特征；将所述时间特征投影到未来的发电曲线上，进行发电功率预测。2.根据权利要求1所述的自监督风电功率预测方法，其特征在于，所述将所述时间特征投影到未来的发电曲线上，进行发电功率预测的步骤之后，还包括步骤：将所述邻接矩阵作为正例样本向量进行随机行变换，得到负例样本向量；将所述时间特征作为局部表征向量，并通过读出函数映射成总体表征向量；通过损失函数将正例样本向量与总体表征向量之间的互信息最大化，同时将负例样本向量与总体表征向量之间的互信息最小化。3.根据权利要求2所述的自监督风电功率预测方法，其特征在于，所述图网络的特征矩阵为历史数据的步骤中，所述历史数据的属性特征为历史发电量曲线或气象特征。4.根据权利要求1所述的自监督风电功率预测方法，其特征在于，所述特征矩阵X下式所示：其中，是在时间t的发电曲线合集，是在时间t目标电站的预测功率，N为风电场的数量。5.根据权利要求1所述的自监督风电功率预测方法，其特征在于，...

【专利技术属性】
技术研发人员：郑子辰，李小翔，张燧，邸智，黄思皖，
申请(专利权)人：中国华能集团清洁能源技术研究院有限公司，
类型：发明
国别省市：