一种基于时空分布的风电功率概率密度的预测方法技术

本发明专利技术公开了一种基于时空分布的风电功率概率密度的预测方法；包括以下步骤：

【技术实现步骤摘要】
一种基于时空分布的风电功率概率密度的预测方法


[0001]本专利技术涉及风电功率预测
，特别是涉及一种基于时空分布的风电功率概率密度的预测方法
。

技术介绍

[0002]风电功率预测技术是指对未来一段时间内风电场所能输出的功率大小进行预测，以便安排调度计划
。
这是因为风能属于随机波动的不稳定能源，大规模的风电并入系统，必将会对电力系统的稳定性带来新的挑战
。
因此，准确预测风电功率，对电力调度策略的制定以及电力系统的稳定运行具有重大意义
。
[0003]现有的风电功率预测方法包括确定性预测
(
点预测
)
和不确定性预测
(
区间预测
)
，点预测方法能够得到一个确定的风电功率预测值，主要涉及支持向量机
、
时间序列
、
神经网络等，但其不能对风电功率的不确定性做出定量描述
。
由于风力发电十分依赖自然因素，并且容易受天气因素的影响，具有不确定性，因此，传统的点预测方法无法避免预测误差
。
而不确定性预测是对未来时刻的风电功率波动范围或概率密度的预测，可以反映具体时刻风电功率波动范围及其概率，其预测结果一般是以风电功率概率密度函数的形式呈现
。
与点预测方法相比，不确定性预测能够量化风电功率的不确定性，能够对风电功率进行更加准确的预测，为电力系统调度人员带来更加全面的决策依据
。
目前，传统的不确定预测是针对整个风电场范围内的所有风机出力总和进行的，主要是以时间序列预测为主，没有考虑不同位置风机的差异性，此外不确定性预测多采用基于
RNN
或
CNN
模型预测方法，而
RNN
或
CNN
模型及其变体都具有时不变性质，即模型参数随着时间的推移保持不变，持续使用相同的权重参数，基于风电功率的不确定性，这些模型的时不变性质会降低其对风电功率的预测能力，预测精度较低，无法准确预测风电功率的不确定性
。

技术实现思路

[0004]本专利技术实施例的目的在于提供一种基于时空分布的风电功率概率密度的预测方法，以实现风电场内单风机风电功率的高精度预测，解决现有技术无法准确预测风电功率的不确定性的问题
。
[0005]为解决上述技术问题，本专利技术所采用的技术方案是，一种基于时空分布的风电功率概率密度的预测方法，包括以下步骤：
[0006]S1、
对风机数据进行预处理：对异常值进行检测并对其进行修复，然后对数据进行归一化处理；
[0007]S2、
基于欧式距离和差分距离两个指标共同提取单个风机的临近节点数，基于图注意力机制对风机数据进行信息聚合，构建输入矩阵特征；
[0008]S3、
构建不同隐含层的风电功率概率密度的预测模型；
[0009]S4、
将获得的风电功率输入矩阵特征作为输入传送给不同隐含层的风电功率概率密度的预测模型来训练及预测，输出预测风电功率曲线
。
[0010]进一步的，
S1
中风机数据包括风速
、
风向
、
温度
、
叶片俯仰角
、
风电机机舱的偏航角
。
[0011]进一步的，所述
S1
具体为：
[0012]根据下式计算异常分数：
[0013][0014]式中，
S(x)
为样本
x
的异常值分数，其取值范围为
[0,1]；
h(x)
为样本在树上的路径长度，
h(x)
＝
ln(x)+
ξ
，
ξ
为欧拉常数；
E(h(x))
为样本
x
在树上的路径长度均值；
c(x)
为一个包含
x
个样本的数据集构成的二叉树的平均搜索路径长度，其中，
[0015][0016]其中
h(
·
)
为调和数；使用拉格朗日插值法对异常值进行修复：
[0017][0018]其中，
x
i
、x
j
为表示节点
i、j
的风速；
y
i
为风电功率；
L()
为拉格朗日插值多项式；同时对风电功率数据进行归一化处理，消除量纲影响，将每一风电功率数据转化为
[0
，
1]之间的风电功率数据：
[0019][0020]其中，
x
w
′
为风电功率的归一化值，
max(x
w
)
为风电功率数据最大值，
min(x
w
)
为风电功率数据最小值，
x
w
为风电功率实际值
。
[0021]进一步的，所述
S2
中，提取单个风机的临近节点数的过程具体为：
[0022]欧氏距离相关性：计算某个风机节点与其他节点间的欧式距离：
[0023][0024]其中，
(x
a
，
y
a
)
与
(x
b
，
y
b
)
为风机
a、b
的二维空间位置；
[0025]选择距离最接近的
K
个节点作为该风机节点的临近节点，如下式所示：
[0026][0027]式中，
A(i
，
j)
为欧式距离相关性得到的风机临近节点矩阵；
N(i)
为欧氏距离最接近的
K
个的风机节点集合；
[0028]差分距离相关性：捕获风机之间的隐式关系，通过计算两个节点间的差分相似度
Sim(i,j)
，将最近的
K
个节点作为差分临近节点，表示为集合
N
s
(i)
，其中：
[0029][0030]t
为总的时间序列
T
内的某个时刻，
w
代表风速，
x
i,w
∈R
T
×1表示第
i
个节点的风力涡轮机的风速序列，
x
j,w
∈R
T
×1表示第
j
个节点的风力涡轮机的风速序列
。
[0031]进一步的，所述
S2
中，基于图注意力机制对风机数据进行信息聚合过程具体为：
[0032]S201、
计算各数据特征向量在中心目标节点与邻居节点注意力分数，节点
j...

【技术保护点】

【技术特征摘要】
1.
一种基于时空分布的风电功率概率密度的预测方法，其特征在于，包括以下步骤：
S1、
对风机数据进行预处理：对异常值进行检测并对其进行修复，然后对数据进行归一化处理；
S2、
基于欧式距离和差分距离两个指标共同提取单个风机的临近节点数，基于图注意力机制对风机数据进行信息聚合，构建输入矩阵特征；
S3、
构建不同隐含层的风电功率概率密度的预测模型；
S4、
将获得的风电功率输入矩阵特征作为输入传送给不同隐含层的风电功率概率密度的预测模型来训练及预测，输出预测风电功率曲线
。2.
根据权利要求1所述的一种基于时空分布的风电功率概率密度的预测方法，其特征在于，
S1
中风机数据包括风速
、
风向
、
温度
、
叶片俯仰角
、
风电机机舱的偏航角
。3.
根据权利要求1所述的一种基于时空分布的风电功率概率密度的预测方法，其特征在于，所述
S1
具体为：根据下式计算异常分数：式中，
S(x)
为样本
x
的异常值分数，其取值范围为
[0,1]
；
h(x)
为样本在树上的路径长度，
h(x)
＝
ln(x)+
ξ
，
ξ
为欧拉常数；
E(h(x))
为样本
x
在树上的路径长度均值；
c(x)
为一个包含
x
个样本的数据集构成的二叉树的平均搜索路径长度，其中，其中
h(
·
)
为调和数；使用拉格朗日插值法对异常值进行修复：其中，
x
i
、x
j
为表示节点
i、j
的风速；
y
i
为风电功率；
L()
为拉格朗日插值多项式；同时对风电功率数据进行归一化处理，消除量纲影响，将每一风电功率数据转化为
[0
，
1]
之间的风电功率数据：其中，
x
w
′
为风电功率的归一化值，
max(x
w
)
为风电功率数据最大值，
min(x
w
)
为风电功率数据最小值，
x
w
为风电功率实际值
。4.
根据权利要求1所述的一种基于时空分布的风电功率概率密度的预测方法，其特征在于，所述
S2
中，提取单个风机的临近节点数的过程具体为：欧氏距离相关性：计算某个风机节点与其他节点间的欧式距离：其中，
(x
a
，
y
a
)
与
(x
b
，
y
b
)
为风机
a、b
的二维空间位置；选择距离最接近的
K
个节点作为该风机节点的临近节点，如下式所示：
式中，
A(i
，
j)
为欧式距离相关性得到的风机临近节点矩阵；
N(i)
为欧氏距离最接近的
K
个的风机节点集合；差分距离相关性：捕获风机之间的隐式关系，通过计算两个节点间的差分相似度
Sim(i,j)
，将最近的
K
个节点作为差分临近节点，表示为集合
N
s
(i)
，其中：
t
为总的时间序列
T
内的某个时刻，
w
代表风速，
x
i,w
∈R
T
×1表示第
i
个节点的风力涡轮机的风速序列，
x
j,w
∈R
T
×1表示第
j
个节点的风力涡轮机的风速序列
。5.
根据权利要求1所述的一种基于时空分布的风电功率概率密度的预测方法，其特征在于，所述
S2
中，基于图注意力机制对风机数据进行信息聚合过程具体为：
S201、
计算各数据特征向量在中心目标节点与邻居节点注意力分数，节点
j
的特征对节点
i
上的注意力值为
e
ij
：
e
ij
＝
a(Wh
i
，
Wh
j
)S202、
使用激活函数激活权重分数得到
e
i
，
j
：
e
i
，
j
＝
LeakyReLU(a
T
[Wh
i
||Wh
j
])S203、
权重归一化，后续为...

【专利技术属性】
技术研发人员：彭曙蓉，彭家宜，郭丽娟，陈慧霞，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：