基于多尺度双时空网络区域风力发电功率预测方法及系统技术方案

本发明专利技术提供一种基于多尺度双时空网络区域风力发电功率预测方法及系统，为了消除高频噪声对风电预测的影响，同时将不同频率的风电数据解耦，采用了基于小波分解的风电功率预测策略，将历史风电功率数据进行小波分解后，对得到的子成分分别预测未来的趋势，并将这些未来趋势求和，作为最终的风电功率预测。本发明专利技术提出一个更加高效的模型来学习时空表示。本发明专利技术中实现了两种关键的时空相关性层，包括同步时空层和异步时空层。其中同步时空层学习站点时间序列之间的相似性，而异步时空层学习了站点之间的风力传播。为了解决因时间变化而产生的时空相关性偏差，本发明专利技术采用了多尺度结构。通过在多个尺度上学习时空相关性，以实现风力站点的鲁棒表示。站点的鲁棒表示。站点的鲁棒表示。

【技术实现步骤摘要】
基于多尺度双时空网络区域风力发电功率预测方法及系统


[0001]本专利技术属于新能源发电、时间序列预测、时空数据挖掘领域，具体涉及一种基于多尺度双时空网络区域风力发电功率预测方法及系统。

技术介绍

[0002]为了解决全球对减少二氧化碳排放的担忧，正在大力推广风能作为传统化石燃料发电的替代品。然而，风的不确定性和随机性使得风力发电具有不稳定性，这对电网负载平衡和发电调度带来了重大挑战。为了促进风力发电的大规模应用，有必要进行准确的风力发电预测。
[0003]在风电场系统运行期间，通常会收集一些运行时信息数据，包括发电记录和天气观测。通过分析信息数据，可以对未来的发电量做出预测。根据实际需求，风力发电预测长度从几分钟到几个月不等。几分钟内的预测任务主要服务于单个发电设备控制；几个小时（或几天）的预测任务主要服务于电网系统的日前调度和电力市场交易；几个月及以上的预测任务主要用于电力系统建设规划。
[0004]主要用于风力发电预测的统计模型包括了ARIMA方法、机器学习方法和深度学习方法等。ARIMA方法最早被应用于风力预测，因为它们很容易实现。他们假设在短时间内，风数据的分布是平稳的，并根据观测到的历史数据用最大似然估计（MLE）预测风数据。Rajesh和Krithika提出使用分数ARIMA对四个潜在的风力发电站进行造林，并取得了比原始ARIMA更好的预测性能。Bri
‑
Mathias等人提出使用组合ARIMA来实现更好、更稳健的预测。Camelo等人提出将ARIMA与人工神经网络相结合，并取得了比这些单独模型更好的结果。Liu等人考虑了季节信息，因此使用季节ARIMA对苏格兰近海地区进行预测。然而，基于ARIMA的方法现在很少使用，因为它们通常忽略了一些未记录的特征和难以察觉的特征交互。由于其更强大的特征学习能力，机器学习方法也被用于风力预测。Li等人将各种增强算法与小波包（WPD）和小波包滤波器（WPF）相结合，实现了智能风速预测。Harsh等人通过利用基于小波变换的支持向量回归（SVR）的不同变体，提出了混合智能风力预测模型。使用基于线性回归的模型是因为与ARIMA相比，可以处理更多的特征作为输入。
[0005]基于深度学习的模型在风速预测中越来越受欢迎，因为它们采用了更灵活的参数，并且可以大大增强时间序列特征学习能力。基于LSTM、CNN和自注意，提出了许多用于风电预测的深度学习方法。基于LSTM的方法用矢量模拟大气系统的状态，并通过在每个时间步长输入风电数据来更新大气状态。基于CNN的方法使用卷积神经网络来学习一段时间内风电数据的动态，并使用具有不同感受野的多层卷积层来实现更高级的顺序表示。
[0006]近年来，基于注意力的模型因其良好的性能而成为时间序列预测中最受欢迎的模型，如Transformer、Sparse Transformer、Informer、Autoformer和Pyraformer。它们可以学习时间步长之间的时间相似性，并实现比以前的模型更高的准确性。然而，Zeng等人和Li等人怀疑在时间序列预测中使用自注意力机制的合理性，认为简单的多层感知器（MLP）实际上可以实现更好的时域编码。造成这种情况的原因在于，这些模型只是降低自注意力计
算复杂性，而非针对时间序列特性设计更好的表征方式。
[0007]时空数据挖掘旨在收集相邻站点的相关时间序列，分析其空间域相关性，并将其集成到每个时间序列的单独预测中。这些模型随后被引入到风力发电预测中。最初，风力预测采用CNN进行空间相似性学习。但站点之间的空间拓扑被忽略，因此很难在不规则场景中实现精确的空间相似性学习。随后的空间注意力挖掘模型逐渐采用图卷积网络（GCN）和图注意力网络（GAT），并使用LSTM或CNN进行空间域学习。Wang等人提出了一种学习时变空间相关性的时变邻接矩阵的方法。Lars等人将时空挖掘方法与Transformer相结合应用于风力发电预测。当前性能最优的Graph Transformer使用不同的Transformer来分别学习图的边和节点随时间的波动，并使用相关的边信息来聚合站点的空间信息。然而，Graph Transformer类的方法计算复杂度过高，且依赖于良好的大量数据。

技术实现思路

[0008]为解决上述技术问题，本专利技术提供一种基于多尺度双时空网络区域风力发电功率预测方法及系统，通过简单有效的时空关联性挖掘，实现更加准确的区域风力发电功率预测，并消除高频噪声对于风力发电预测的影响；同时学习时空关联性因时间产生的变化趋势，实现区域内风力状态的鲁棒表示，以及风电功率的稳定预测。
[0009]为达到上述目的，本专利技术采用如下技术方案：一种基于多尺度双时空网络区域风力发电功率预测方法，包括如下步骤：步骤1、收集风力发电过程中的发电功率数据，并进行预处理，构建历史发电功率数据，同时收集风电场的经纬度信息；步骤2、对历史发电功率数据进行小波分解，并舍弃高频分量；步骤3、将小波分解后的各个分量分别采用对应的多尺度双时空网络，预测其未来的预测值；步骤4、将所有分量的未来预测值累加，并通过数据逆变换，得到最终的站点功率预测值；步骤5、根据区域站点的功率预测值与实际值的偏差，更新模型参数；训练完成后，验证模型性能。
[0010]进一步地，所述步骤1包括：收集过去一段时间的发电功率数据；设定区域内风力站点数量为，历史数据长度为；构建历史风电数据；其中，表示第个站点的历史功率；采用归一化方法处理对数据进行数值尺度大小放缩，将数值范围调整为[0,1]；收集风电场的经纬度信息，记为，其中为站点的经纬度坐标，。
[0011]进一步地，所述步骤2包括：首先是对于历史观测数据的小波分解。一次分解中对应有一个低频滤波器和一个高频滤波器。对每个站点的历史功率进行小波分解如下：
，，其中，是低频滤波器和高频滤波器的长度，,是滤波器中的下标；所得为低频分量，为高频分量，选定Db4小波基，经过两次分解后，将得到一个低频分量和两个高频分量，并分别进行逆变换得到功率趋势数据和周期性数据，。
[0012]进一步地，所述步骤3包括：在步骤2已获得历史功率趋势数据以及功率周期性数据，采用多尺度的双时空网络，分别对这些数据进行未来一段时间的预测，具体包括：3.1）双时空网络的实现：设计两种互补的时空层，即同步时空层和异步时空层；同步时空层将学习过往一段时间中的站点间历史功率序列的同步特性，异步时空层将学习过往一段时间中的站点间历史功率序列的时延特性；3.1.1）同步时空层的实现包括：给定站点及临近的站点，获取它们的历史序列和其他边特征，其中，表示站点的经纬度，表示站点的经纬度坐标； 表示站点与站点全部历史序列之间的相关性系数；应用多层感知机 来计算边编码如下：，，，其中，表示向量拼接操作，为的正则，为的正则；表示正则操作：，其中，和分别表示序列的均值和标准差；由此得到站点与其他站点间的边编码；多层感知机的运算过程如下：，其中，是可学习的参数，是多层感知机的内部维度数，将这些边编码求均值得到场站本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度双时空网络区域风力发电功率预测方法，其特征在于，包括如下步骤：步骤1、收集风力发电过程中的发电功率数据，并进行预处理，构建历史发电功率数据，同时收集风电场的经纬度信息；步骤2、对历史发电功率数据进行小波分解，并舍弃高频分量；步骤3、将小波分解后的各个分量分别采用对应的多尺度双时空网络，预测其未来的预测值；步骤4、将所有分量的未来的预测值累加，并通过数据逆变换，得到最终的站点功率预测值；步骤5、根据最终的站点功率预测值与实际值的偏差，更新模型参数；训练完成后，验证模型性能。2.根据权利要求1所述的一种基于多尺度双时空网络区域风力发电功率预测方法，其特征在于，所述步骤1包括：收集过去一段时间的发电功率数据；设定区域内风力站点数量为，历史数据长度为；构建历史风电数据；其中，表示第个站点的历史功率；采用归一化方法处理对数据进行数值尺度大小放缩，将数值范围调整为[0,1]；收集风电场的经纬度信息，记为，其中为站点的经纬度坐标，。3.根据权利要求2所述的一种基于多尺度双时空网络区域风力发电功率预测方法，其特征在于，所述步骤2包括：首先对历史观测数据进行小波分解；一次分解中对应一个低频滤波器和一个高频滤波器；对第个站点的历史功率进行小波分解如下：，，其中，是低频滤波器和高频滤波器的长度，,是滤波器中的下标；所得的为低频分量，为高频分量，选定Db4小波基，经过两次分解后，得到一个低频分量和两个高频分量，并分别进行逆变换得到历史功率趋势数据和功率周期性数据，。4.根据权利要求3所述的一种基于多尺度双时空网络区域风力发电功率预测方法，其特征在于，所述步骤3包括：在步骤2已获得的历史功率趋势数据以及功率周期性数据，采用多尺
度的双时空网络，分别对其进行未来一段时间的预测，具体包括：(3.1)双时空网络的实现：设计两种互补的时空层，即同步时空层和异步时空层；同步时空层学习过往一段时间中的站点间历史功率序列的同步特性，异步时空层学习过往一段时间中的站点间历史功率序列的时延特性；(3.1.1)同步时空层的实现包括：给定站点及临近的站点，获取它们的历史序列和其他边特征，其中表示站点的经纬度，表示站点的经纬度坐标；表示站点与站点全部历史序列之间的相关性系数；应用多层感知机来计算边编码如下：，，，其中，表示向量拼接操作，为的正则，为的正则；表示正则操作：，其中，和分别表示序列的均值和标准差；由此得到站点与其他站点间的边编码；多层感知机的运算过程如下：，其中，是可学习的参数，是多层感知机的内部维度数，将边编码求均值得到站点的邻域同步空间编码：，并采用多层感知机更新对应的时间信息如下：，所得的包含了站点的同步时空信息；(3. 1.2)异步时空层的实现包括：给定站点和站点的历史数据，以相关函数计算它们之间的最佳时延；最佳时延为对其中一个站点的历史数据进行时域平移后，两站点的历史数据达到最相似时，对应的时域偏移量；假定对站点的历史数据进行步的时域偏移，并记为，其与站点历史数据之间的相关系数计算如下：
，，，其中，为输入历史序列的长度，表示时移的长度和方向，对应时序前移，对应时序后移；选取最佳的时延与对应的权重系数如下：，，其中，表示使得括号内表达式达到最大值时的对应值，表示遍历值后括号内表达式的最大值；融合对应的异步空间信息如下：，，其中，表...

【专利技术属性】
技术研发人员：凌强，赖泽锋，李峰，方毅，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：