一种风电群体功率预测方法技术

本发明专利技术提出一种风电群体功率预测方法

【技术实现步骤摘要】
一种风电群体功率预测方法、系统、设备及介质


[0001]本专利技术涉及电力系统的新能源发电
，具体涉及一种风电群体功率预测方法
、
系统
、
设备及介质
。

技术介绍

[0002]风力发电具有较强的波动性和随机性，给电力系统运行带来极大挑战，对风电场输出功率进行预测是缓解电力系统调峰
、
调频压力，促进风电消纳能力的重要手段
。
风电功率预测系统的建立显著促进了风电的消纳
。
与此同时，随着风电穿透率的持续增加，在电力系统可承受的不确定性约束下，对风电功率预测精度提出了持续提升要求
。
[0003]目前针对区域风电场站进行功率预测主要采用叠加法，主要思路是将集群内每个风电场都分别建立气象
‑
功率关联模型，然后将各个风电场预测功率求和得到集群总功率
。
针对风电集群功率预测的基准风电场，即单个风电场而言，其预测模型通常利用物理法
、
统计法以及组合法来构建
。
首先，对该风电场所对应的数值天气预报数据
、
实际测量数据和历史发电功率进行预处理，即对数据进行缺失值
、
去除异常值等处理；其次，以数值天气预报或者其与实测数据组合作为输入，历史发电功率作为输出，利用上述方法建立气象
‑
功率映射模型；最后将待预测时刻的气象数据预处理后输入该映射模型，以此得出该风电场站预测功率
。
按照上述操作给集群中各个风电场建立预测模型，进而对预测功率总加即获得集群出力
。
[0004]首先，现有的风电集群功率预测技术通常是针对集群内每个风电场利用数学算法建立气象
‑
功率映射模型，然后将预测结果进行简单累加求和，以此得出风电集群总功率
。
该方法实施的前提就是需要将集群内每个风电场建立一个功率预测模型，建模效率较低且模型的建立
、
部署和维护等环节需花费大量的人力
、
物力及时间成本
。
其次，针对集群内每个风电场建立的预测模型通常是以人工神经网络
、
支持向量机等浅层网络为主，处理数据的维度极为有限，缺乏领域专家认知，难以建立高维数值天气预报与功率的映射模型，即未充分挖掘可用数值天气预报气象信息与功率的深层映射关系
。
最后，在建立气象
‑
功率关联模型时，未充分借助深度学习对高维复杂数据时空特征的捕捉能力，即未充分考虑空间资源关联特性和风电出力时序关联性，造成预测效果有时较差
。
[0005]针对风电功率集群预测，构建气象
‑
功率深度映射模型时，对于规则网格的气象数据来说，其组织形式与计算机视觉领域中的图像格式相同，使用卷积神经网络即可进行空域特征提取
。
但严格来说，受地球自身形状及地面地形的影响，一般气象数据都应当定义在非欧几何空间的非规则网格上
。
图结构可用于描述非规则网格，定义与图结构上的卷积算子实现类似于普通卷积的空域特征提取
。
非规则网格定义了图结构中的顶点信息，即区域中的每个风电场视为图的顶点，将任意两点之间的相似性视为连接两个顶点的边的权重
。
对于顶点间的连接关系研究，目前大多采用
K
最近邻图构建相似图，并基于密度敏感项改进的欧几里得距离相似性度量来评价各个风电场之间的相似性
。

技术实现思路

[0006]为了解决现有的风电功率预测方法建模效率低且预测效果存在较大偏差的问题，本专利技术提出了一种风电场图结构模型的建立方法，所述风电场图结构模型的建立方法包括：
[0007]以风电群体内各个风电场为节点，采用基于共享最近邻的密度自适应算法将所述各个风电场的单点数值天气预报数据转化为图结构数据；
[0008]采用卷积网络提取覆盖所述风电群体的空间范围的网格化数值天气预报数据的空域特征数据和所述图结构数据的空域特征数据；
[0009]将所述网格化数值天气预报数据的空域特征数据和所述图结构数据的空域特征数据在具有相同气象语义信息的空间上进行表征，得到所述风电场图结构模型
。
[0010]优选的，所述以风电群体内各个风电场为节点，采用基于共享最近邻的密度自适应算法将所述各个风电场的单点数值天气预报数据转化为图结构数据包括：
[0011]利用
K
折交叉验证法从所述各个风电场的单点数值天气预报数据中选出影响所述风电群体的功率预测性能的最佳气象敏感因子；
[0012]以所述各个风电场为节点，将所述单点数值天气预报数据对应的最佳气象敏感因子数据作为所述节点的特征，采用基于共享最近邻的密度自适应算法确定所述节点之间的连接权重，由所述各个风电场的地理位置数据
、
所述节点的特征及所述节点间的连接权重构成所述图结构的数据集，将所述单点数值天气预报数据转化为所述图结构数据
。
[0013]优选的，所述采用卷积网络提取覆盖所述风电群体的空间范围的网格化数值天气预报数据的空域特征数据和所述图结构数据的空域特征数据包括：
[0014]将所述各个风电场的最佳气象敏感因子数据的并集作为所述网格化数值天气预报数据的优选气象要素，采用卷积自编码解码网络提取所述优选气象要素的空域特征数据；采用图卷积神经网络提取所述图结构数据的空域特征数据
。
[0015]优选的，所述采用图卷积神经网络提取所述图结构数据的空域特征数据包括：采用所述图卷积神经网络在傅立叶域中构建滤波器，利用所述滤波器从所述图结构数据中进行采样，获得采样数据，从所述采样数据中提取所述图结构数据的空域特征数据
。
[0016]优选的，所述将所述网格化数值天气预报数据的空域特征数据和所述图结构数据的空域特征数据在具有相同气象语义信息的空间上进行表征，得到所述风电场图结构模型包括：
[0017]采用嵌入的方式将所述网格化数值天气预报数据的空域特征数据和所述图结构数据的空域特征数据在具有相同气象语义信息的空间上进行表征，获得气象张量数据；
[0018]将所述气象张量数据和所述各个风电场的地理位置数据进行编码，得到所述风电场图结构模型
。
[0019]基于同一专利技术思路，本专利技术还提出一种风电场图结构模型的建立系统，包括：
[0020]图结构模块，用于以风电群体内各个风电场为节点，采用基于共享最近邻的密度自适应算法将所述各个风电场的单点数值天气预报数据转化为图结构数据；
[0021]提取模块，用于采用卷积网络提取覆盖所述风电群体的空间范围的网格化数值天气预报数据和所述图结构数据的空域特征数据；
[0022]表征模块，用于将所述网格化数值天气预报数据的空域特征数据和所述图结构数
据的空域特征数据在具有相同气象语义信息的空间上进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种风电群体功率预测方法，其特征在于，所述预测方法包括：风电场图结构模型的建立方法，所述风电场图结构模型的建立方法包括：以风电群体内各个风电场为节点，采用基于共享最近邻的密度自适应算法将所述各个风电场的单点数值天气预报数据转化为图结构数据；采用卷积网络提取覆盖所述风电群体的空间范围的网格化数值天气预报数据的空域特征数据和所述图结构数据的空域特征数据；将所述网格化数值天气预报数据的空域特征数据和所述图结构数据的空域特征数据在具有相同气象语义信息的空间上进行表征，得到所述风电场图结构模型
。2.
如权利要求1所述的预测方法，其特征在于，所述以风电群体内各个风电场为节点，采用基于共享最近邻的密度自适应算法将所述各个风电场的单点数值天气预报数据转化为图结构数据包括：利用
K
折交叉验证法从所述各个风电场的单点数值天气预报数据中选出影响所述风电群体的功率预测性能的最佳气象敏感因子；以所述各个风电场为节点，将所述单点数值天气预报数据对应的最佳气象敏感因子数据作为所述节点的特征，采用基于共享最近邻的密度自适应算法确定所述节点之间的连接权重，由所述各个风电场的地理位置数据
、
所述节点的特征及所述节点间的连接权重构成所述图结构的数据集，将所述单点数值天气预报数据转化为所述图结构数据
。3.
如权利要求2所述的预测方法，其特征在于，所述采用卷积网络提取覆盖所述风电群体的空间范围的网格化数值天气预报数据的空域特征数据和所述图结构数据的空域特征数据包括：将所述各个风电场的最佳气象敏感因子数据的并集作为所述网格化数值天气预报数据的优选气象要素，采用卷积自编码解码网络提取所述优选气象要素的空域特征数据；采用图卷积神经网络提取所述图结构数据的空域特征数据
。4.
如权利要求3所述的预测方法，其特征在于，所述采用图卷积神经网络提取所述图结构数据的空域特征数据包括：采用所述图卷积神经网络在傅立叶域中构建滤波器，利用所述滤波器从所述图结构数据中进行采样，获得采样数据，从所述采样数据中提取所述图结构数据的空域特征数据
。5.
如权利要求4所述的预测方法，其特征在于，所述将所述网格化数值天气预报数据的空域特征数据和所述图结构数据的空域特征数据在具有相同气象语义信息的空间上进行表征，得到所述风电场图结构模型包括：采用嵌入的方式将所述网格化数值天气预报数据的空域特征数据和所述图结构数据的空域特征数据在具有相同气象语义信息的空间上进行表征，获得气象张量数据；将所述气象张量数据和所述各个风电场的地理位置数据进行编码，得到所述风电场图结构模型
。6.
一种风电场图结构模型的建立系统，其特征在于，包括：图结构模块，用于以风电群体内各个风电场为节点，采用基于共享最近邻的密度自适应算法将所述各个风电场的单点数值天气预报数据转化为图结构数据；提取模块，用于采用卷积网络提取覆盖所述风电群体的空间范围的网格化数值天气预报数据和所述图结构数据的空域特征数据；
表征模块，用于将所述网格化数值天气预报数据的空域特征数据和所述图结构数据的空域特征数据在具有相同气象语义信息的空间上进行表征，得到所述风电群体的风电场图结构模型
。7.
如权利要求6所述的建立系统，其特征在于，所述图结构模块包括：选取单元，用于利用
K
折交叉验证法从所述各个风电场的单点数值天气预报数据中选出影响所述风电群体的功率预测性能的最佳气象敏感因子；转化单元，用于以所述各个风电场为节点，所述单点数值天气预报数据对应的最佳气象敏感因子数据作为所述节点的特征，采用基于共享最近邻的密度自适应算法将所述单点数值天气预报数据转化为所述图结构数据
。8.
如权利要求7所述的建立系统，其特征在于，所述提取模块包括：卷积自编码解码网络单元，用于采用卷积自编码解码网络提取所述网格化数值天气预报数据的空域特征数据；图卷积神经网络单元，用于采用图卷积神经网络提取所述图结构数据的空域特征数据
。9.
如权利要求8所述的建立系统，其特征在于，所述表征模块包括：嵌入单元，用于采用嵌入的方式将所述网格化数值天气预报数据的空域特征数据和所述图结构数据的空域特征数据在具有相同气象语义信息的空间上进行表征，获得气象张量数据；编码单元，用于将所述气象张量数据和所述各个风电场的地理位置数据进行编码，得到所述风电场图结构模型
。10.
一种风电群体功率预测方法，其特征在于，所述预测方法包括：风电群体功率预测模型的训练方法，所述风电群体功率预测模型的训练方法包括：获取风电群体的历史气象数据和所述历史气象数据对应的功率数据，利用预先构建的风电场图结构模型获得所述风电群体的历史气象图结构数据；将所述历史气象图结构数据作为输入，将所述历史气象图结构数据对应的功率数据作为输出对所述风电群体功率预测模型进行训练，得到训练好的风电群体功率预测模型；其中，所述风电群体功率预测模型包括图卷积神经网络和门控循环网络；所述预先构建的风电场图结构模型是采用如权利要求1‑5任一项所述的预测方法中的风电场图结构模型的建立方法构建的
。11.
如权利要求
10
所述的预测方法，其特征在于，所述将所述历史气象图结构数据作为输入，将所述历史气象图结构数据对应的功率数据作为输出对所述风电群体功率预测模型进行训练，得到训练好的风电群体功率预测模型包括：采用所述图卷积神经网络提取所述历史气象图结构数据的空域特征时序数据，采用时空注意机制重新计算所述历史气象图结构的节点之间的连接权重；采用所述门控循环网络对所述空域特征时序数据进行内部信息传递，捕获所述空域特征时序数据的动态变化，形成所述功率数据与所述动态变化之间的对应关系，得到所...

【专利技术属性】
技术研发人员：刘纯，车建峰，王勃，乔宽龙，李国庆，刘大贵，王钊，张菲，王铮，赵艳青，靳双龙，刘晓琳，胡菊，
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：