考虑海上风电多机组时空特性的超短期功率预测模型建立方法技术

本发明专利技术考虑海上风电多机组时空特性的超短期功率预测模型建立方法属于风电系统的技术领域；为解决预测海上风电单机组造成的预测时间过长，整体预测功率曲线质量差的问题，便于电网公司高效调度海上风电机组，提供了一种考虑海上风电多机组时空特性的超短期功率预测模型建立方法；采用的技术方案包括以下步骤：S1）分析Transformer模型机制，S2）建立基于改进Transformer的海上风电多机组超短期功率预测模型，S3）算例分析验证；本发明专利技术所提出的方法可以有效度量机组间时空特性，且预测模型相较于传统预测模型有着更高的预测精度与速度。较于传统预测模型有着更高的预测精度与速度。较于传统预测模型有着更高的预测精度与速度。

【技术实现步骤摘要】
考虑海上风电多机组时空特性的超短期功率预测模型建立方法


[0001]本专利技术考虑海上风电多机组时空特性的超短期功率预测模型建立方法属于 风电系统的


技术介绍

[0002]海上风电具有随机性、不可控制性等特点，容易引起风电发电公司无法正确 上报发电量，从而导致上报电量过少主动弃风、上报电量过多导致电网稳定性降 低而造成损失，故在实际应用中，需准确预测超短期风电功率。目前，针对海上 风电预测的研究越发深入，OWPF统计预测模型越发展现其预测的优越性，其方 法以历史出力数据、数值天气预报和实测气象数据为基础，映射未来短时序内的 功率，如支持向量机、随机森林模型和灰色关联分析模型等。在人工智能技术与 数据驱动加持下，近年来出现较多以人工智能模型为基础的OWPF预测模型，如 卷积神经网络、长短期记忆等。有研究利用结合稀疏向量自回归模型拟合风电位 置建模，以达到5分钟风电功率提前预测，也有利用主成分分析法聚类风电出力 场景建立不同的反向传播神经网络预测模型，还有采用小波分解与注意力机制处 理数据并采用双向LSTM模型可再生能源超短期发电功率预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.考虑海上风电多机组时空特性的超短期功率预测模型建立方法，其特征在于包括以下步骤：S1)分析Transformer模型机制；S2)建立基于改进Transformer的海上风电多机组超短期功率预测模型；S3)算例分析验证。2.根据权利要求1所述的考虑海上风电多机组时空特性的超短期功率预测模型建立方法，其特征在于，所述步骤S1)分析Transformer模型机制包括：S11)Transformer模型分析Transformer模型是一种神经网络，其模型在采用了自注意力机制代替了常规的RNN，以解决输入和输出间的全局依赖关系，实现模型并行化，使其可以学习复杂模式与动态的时间序列，并利用多变量时间序列提高预测RNN的泛化能力，重点采用缩放点积注意力函数，则公式如下所示：式中：A(Q,K,V)为注意力函数，K为所有键映射的键矩阵，V为所有值映射值矩阵，K与V信息包含输入时间序列的时间与功率信息，Q为所有查询映射查询，d为时间序列其矩阵的维度，Softmax(
·
)为激活函数；Transformer模型结构包含N个编码器与N个解码器，位置编码通过输入时间序列位置信息得位置向量并与输入数据相加，使得模型无需RNN结构可感知输入数据位置信息，位置信息如式(2)、式(3)所示：式(3)所示：式中：pos为时间序列位置，2i表示时间序列位置为偶数，2i+1表示时间序列位置为奇数，d为时间序列维度；Transformer模型采用多头自注意力机制，其将Q,K,V通过其对应的线性映射矩阵映射至不同的空间，再分别计算注意力函数形成多头注意力，然后将多头注意力拼接后再通过线性映射矩阵W
O
映射输出，计算公式如下所示：M(Q,K,V)＝Concat(head1,...,head
h
)W
O
(4)head
i
＝A(QW
iQ
,KW
iK
,VW
iV
)(5)式中：M(Q,K,V)为多头自注意力函数,W
O
,W
Q
,W
K
,Q
V
分别为M,Q,K,V的线性映射矩阵，Concat(
·
)为拼接函数；前馈神经网络由两次线性转化与一个ReLU激活函数组成，计算公式如下所示：FFNN(x)＝max(0,xW1+b1)W2+b2(6)式中：FFNN(x)为前馈神经网络函数，W1,b1为第一次线性转化参数，W2,b2为第二次线性转化参数；通过相加与归一化连接各个子模块，采用相加关注训练前后的差异部分变化，并采用归一化加快网络收敛与泛化能力；
S11)概率化Transformer模型Transformer模型在处理时间序列预测问题时，采用概率稀疏自注意力机制模型，在计算注意力函数时，采用KL散度度量两个概率分布差异的方法以评估查询的LTD稀疏性，最终的评估查询稀疏性公式近似如下所示：式中：q
i
为查询矩阵Q中第i个查询值，k
i
为键矩阵K中第i个键值，d为键值的矩阵维度，j为键个数，L
k
为查询向量长度；利用评估查询稀疏性改进注意力函数，将与预测结果影响概率较大的查询向量作为稀疏矩阵的主要元素，而将与预测结果影响概率较小的查询向量变为零向量，其表现为利用最终的评估查询稀疏性公式可知其查询向量概率化，将相关度较大的查询向量用于预测，以达到降低空间复杂度的目的，其稀疏矩阵稀疏度需要进行人工选取达到较优预测精度，改进注意力函数如下所示：式中：Q为Q维度相同的稀疏矩阵，其稀疏度为有效查询向量个数，K为所有键映射的键矩阵，V为所有值映射值矩阵，d为时间序列其矩阵的维度，Softmax(
·
)为激活函数；同时，在概率稀疏自注意力机制和相加与归一化后加入卷积层与最大池化层，剔除编码器中已包括的序列中其他元素的信息的输出，以缩短输入序列的长度，减少模型计算复杂度与空间复杂度，同时保证模型输入时间功率序列的局部相关性。3.根据权利要求1所述的考虑海上风电多机组时空特性的超短期功率预测模型建立方法，其特征在于，所述步骤S2)建立基于改进Transformer的海上风电多机组超短期功率预测模型具体为：S21)海上风电多机组时空特性相似性度量分析海上风电多机组功率受区域风速与风向的影响，同时存在一定的尾流效应，并且不同机组型号、位置也会影响其功率变化，而机组功率变化又具有一定的时空相似性，若同时考虑各机组母线位置信息，一定程度上可以提高聚类机组的曲线平滑性与功率预测的准确性；考虑海上风电机组功率的时间
‑
功率的功率序列，引入DTW...

【专利技术属性】
技术研发人员：刘可真，代莹皓，林铮，刘果，董敏，梁玉平，毛玉敏，李林耘，姚岳，何界东，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：