一种风电场历史出力缺失数据修补方法及系统技术方案

本发明专利技术公开了一种风电场历史出力缺失数据修补方法及系统，包括如下步骤：识别预先构建的风电场历史特征数据库中，风电场历史出力缺失值及其在风电场历史特征数据库中对应时间序列中的位置；基于所述缺失值及其在风电场历史特征数据库中对应时间序列中的位置提取风电场历史出力缺失值的特征数据，基于特征匹配机制补充其余特征数据，将补充其余特征数据后的特征数据中的每一个特征作为一个图节点，基于图理论构建特征

【技术实现步骤摘要】
一种风电场历史出力缺失数据修补方法及系统


[0001]本专利技术涉及数据预处理领域，具体涉及一种风电场历史出力缺失数据修补方法及系统
。

技术介绍

[0002]随着风电发展迅速，风电装机总量与增幅不断增加
。
而风电场输出功率的波动性和随机性给电力系统的运行和规划带来了挑战
。
为了确保电力系统的安全和稳定，有必要使用数据监控及收集系统
(SCADA)
收集历史数据以准确预测风电场的输出功率
。
然而，这样收集到的数据可能是不完整的，因为
SCADA
系统经常受到内外界因素的干扰，例如传感器故障
、
网络攻击和通信拥塞等
。
因此，风电场历史缺失数据的修补对于风电预测具有重要意义
。
[0003]为此，风电场缺失数据的修补作为提高风电预测精度的有效手段之一，众多学者对其展开了广泛且深入的研究
。
风电场缺失数据修补的方法可归纳为四类：基于插值的方法
、
基于回归的方法
、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种风电场历史出力缺失数据修补模型训练方法，其特征在于，包括：识别预先构建的风电场历史特征数据库中，风电场历史出力缺失值及其在风电场历史特征数据库中对应时间序列中的位置；基于所述缺失值及其在风电场历史特征数据库中对应时间序列中的位置，提取风电场历史出力缺失值的特征数据，基于特征匹配机制补充其余特征数据，将补充其余特征数据后的特征数据中的每一个特征作为一个图节点，基于图理论构建特征
Graph
图；通过所述特征
Graph
图训练基础模型，建立图数据到风电出力功率值的非线性映射，训练获得风电场历史出力缺失数据修补模型，所述基础模型基于图卷积神经网络框架搭建而成
。2.
根据权利要求1所述的一种风电场历史出力缺失数据修补模型训练方法，其特征在于，所述预先构建的风电场历史特征数据库的构建方法包括：从计量系统获取风电场历史出力数据，并在气象站获取相同时间相同颗粒度的气象数据，包括风速
、
风向
、
湿度
、
温度
、
气压
、
空气密度；用预设字符标记的缺失或异常数据，并根据时间信息融合所有相关数据
D
＝
{D1，
n
、D2，
n
、...D
t
，
n
}
，其中
D
t,n
＝
{D
t,P
、D
t,W
、...、D
t,T
}
为对应
t
时刻的功率
、
风速
、
风向
、
湿度
、
温度
、
气压
、
空气密度的数据特征，从而形成风电场历史特征数据库
。3.
根据权利要求1所述的一种风电场历史出力缺失数据修补模型训练方法，其特征在于，所述识别预先构建的风电场历史特征数据库中，风电场历史出力缺失值及其在风电场历史特征数据库中对应时间序列中的位置，包括：获取所述风电场历史特征数据库中预先用预设字符标记的缺失或异常数据，结合风电场历史特征数据库的数据使用说明，识别风电场历史出力的缺失值，并标记其在风电场历史特征数据库中对应时间序列中的位置；识别风电场历史出力缺失值是获取风电出力数据缺失类型及对应的缺失值；缺失类型包括随机缺失或连续缺失
。4.
根据权利要求1所述的一种风电场历史出力缺失数据修补模型训练方法，其特征在于，所述基于所述缺失值及其在风电场历史特征数据库中对应时间序列中的位置提取风电场历史出力缺失值的特征数据，包括：提取风电场历史出力数据对应时刻的气象数据，提取对应功率缺失时刻及其前后三个时间尺度的风电出力值，融合得到特征数据：
X
＝
{M、...P
t
‑3、P
t
‑2、P
t
‑1、P
t
、...P
t+3
}
其中，
M
＝
{W、D、H、T、PR、AD}
为对应功率缺失时刻的风速
、
风向
、
湿度
、
温度
、
气压
、
空气密度，
P
t
‑3为对应功率缺失时刻往前三个时间尺度的风电出力值，
P
t
‑3、P
t
‑2、P
t
‑1、P
t+3
以此类推，其中
P
t
‑3为功率缺失时刻的风电出力值
。5.
根据权利要求4所述的一种风电场历史出力缺失数据修补模型训练方法，其特征在于，所述基于特征匹配机制补充其余特征数据，包括：将所提取到的特征数据
X
，划分为风电场历史出力缺失值对应的特征数据集
X
miss
及其余特征数据集
X
normal
，然后计算两者之间的相似性值；将所计算出来的相似性值从小到大排列，提取其中相似性值最小时对应的
X
normal
对应的风电出力
P
，将所述
P
作为其余特征数据合并到特征数据中
X
＝
{M、...P
t
‑3、P
t
‑2、P
t
‑1、
P
t
、...P
t+3
、P}。6.
根据权利要求5所述的一种风电场历史出力缺失数据修补模型训练方法，其特征在于，计算两者之间的相似性值采用欧氏距离法，具体如下：其中
X1，
X2分别为
X
miss
及
X
normal
中的某一条特征数据，
i
对应特征数据中的功率
、
风速
、
风向
、
湿度
、
温度
、
气压
、
空气密度
。7.
根据权利要求5所述的一种风电场历史出力缺失数据修补模型训练方法，其特征在于，所述将补充其余特征数据后的特征数据中的每一个特征作为一个图节点，基于图理论构建特征
Graph
图，包括：将特征数据
X
＝
{M、...P
t
‑3、P
t
‑2、P
t
‑1、P
t
、...P
t+3
、P}
中的每一个特征作为一个图节点，从而形成图数据节点，每个图数据节点之间采用全连接的方式连接，构成特征
Graph
图
。8.
根据权利要求1所述的一种风电场历史出力缺失数据修补模型训练方法，其特征在于，所述通过所述特征
Graph
图训练基础模型，建立图数据到风电出力功率值的非线性映射，训练获得风电场历史出力缺失数据修补模型，包括：结合注意力机制学习不同输入特征之间以及输入与输出之间的映射关系，构建注意力机制网络，为每一个图节点分配不同的权重，基于节点特征与待修补功率之间的映射关系，对节点特征信息的挖掘；结合
GAT
算法自动更新图连接边权重及聚合图特征信息，构建
GAT
网络，在图空间层面的特征信息挖掘；合并注意力机制网络及
GAT
网络，对特征
Graph
图进行学习和特征提取，建立图数据到风电出力功率值的非线性映射；输出风电场历史出力缺失数据修补结果，训练获得风电场历史出力缺失数据修补模型
。9.
根据权利要求1所述的一种风电场历史出力缺失数据修补模型训练方法，其特征在于，所述通过所述特征
Graph
图训练基础模型，建立图数据到风电出力功率值的非线性映射，具体包括：对于所构建的特征数据
X
＝
{M、...P
t
‑3、P
t
‑2、P
t
‑1、P
t
、...P
t+3
、P}
，通过网络训练得到三个矩阵，分别为
W
Q
、W
K
、W
V
，并将特征数据向量
X
分别与这三个矩阵相乘，得到三个新的特征向量
Q、K、V
，然后将向量
Q
与向量
K
相乘得到新的特征向量
I
，将向量
I
经过
softmax
函数归一化处理后再与矩阵
V
相乘，得到最终的新特征数据向量其中
softmax
函数归一化操作为：其中，
I
为特征向量，
I
n
为其中的第
n
个元素，元素数量与向量
X
的维度一致，为得到的新特征向量；在构建好的特征
Graph
图中，利用多层
GAT
层去聚合特征
Graph
图节点间的信息，接着使用全连接层对特征进行维度变换，实现图数据到风电出力功率值的非线性映射；其中
Graph
图节点信息聚合方法为：图节点信息聚合方法为：其中，参数
W
用于完成每个节点的特征维度变换，参数
a
用于计算节点间的相关权重，
||
表示向量拼接，
a
i
，
j
表示在
a
下计算得到的
i
，
j
节点间的权重，
σ
表示...

【专利技术属性】
技术研发人员：嵇文路，朱克东，邓星，李峰，张明，谈亚力，刘建涛，马楠，高国荣，张景晨，高冠中，韦涛，王灿兵，鄢蜜坊，田伟，
申请(专利权)人：中国电力科学研究院有限公司国家电网有限公司，
类型：发明
国别省市：