【技术实现步骤摘要】
本专利技术属于可再生能源开发利用，具体涉及基于时空稠密风场推衍的日内风功率预测方法与系统。
技术介绍
1、随着大规模风电机组接入电网，风资源间歇性和非平稳性导致输出功率波动，影响了电网的安全稳定控制。因此，有必要运用风功率多时间尺度准确预测结果，滚动优化支撑电网调度决策，减少电网备用容量和辅助成本，进而提升电网安全稳定运行水平。
2、考虑到风功率的随机波动特性，把握未来未知的风功率非平稳波动是风功率预测需解决的核心问题。而数据来源是影响数据驱动风功率预测模型的重要因素。现有的风电预测方法仅考虑风电场站的就地量测信息或数值天气预报数据，难以捕获时空风场的动态特性，在风功率波动较大以及时间尺度较长的预测场合表现出性能欠缺。因此，融入风电场站周围的时空风场数据，为日内风电场站风功率预测提供可靠预测风速支撑，进而提升日内风功率预测效能，是当前日内风功率预测研究的重点和难点。
技术实现思路
1、专利技术目的：针对上述风功率预测的难点，本专利技术提出一种基于时空稠密风场推衍的日内风功率预测方法与系统，有效提升风功率预测精度。
2、技术方案：为了实现上述专利技术目的，本专利技术提出的基于时空稠密风场推衍的日内风功率预测方法，包括以下步骤：
3、(1)输入历史风场图像，融合物理先验知识，将稠密风场的对流、扩散以及其他不确定运动建模为加权多阶偏微分约束，利用矩估计方法构建各阶偏微分因子求解似然函数，求解各阶偏微分因子；
4、(2)通过卡尔曼增益融合稠密
5、(3)输入历史风功率序列，利用稀疏注意力机制构建历史风功率序列与待预测风功率序列之间的映射关系，基于稠密风场多步预测结果得到待预测风功率序列的均值和方差，训练日内风功率预测模型，得到日内多步风功率预测结果。
6、进一步地，所述步骤(1)中，融合物理先验知识，将稠密风场的对流、扩散以及其他不确定运动建模为加权多阶偏微分约束包括：
7、将时空风场图像表征为u(x,t)，其中x＝(x,y)表示风场图像像素的空间位置表示，t表示风场图像的时序位置，风场的对流运动建模为一阶偏微分风场的扩散运动建模为二阶偏微分风场其他不确定性运动建模为高阶偏微分基于上述物理先验建模过程，风场的时空推衍特性建模为加权多阶偏微分：
8、
9、
10、其中，n为偏微分的阶数，ck为加权系数，表示k阶偏微分因子，ci,j为各偏微分因子的权值，i和j分别为风场图像偏微分沿x轴向和y轴向的阶数。
11、进一步地，所述步骤(1)中，利用矩估计方法构建各阶偏微分因子求解似然函数，求解各阶偏微分因子包括：
12、偏微分因子的计算等价于计算系数矩阵：
13、
14、其中，表示等价关系，表示k阶偏微分对应的系数矩阵，*表示卷积操作；
15、由泰勒展开公式将上式的右式展开并忽略高于k阶展开项，得到：
16、
17、将可进行数值计算得到的项归纳为状态矩阵其构成均可直接求解；
18、
19、应用frobenius范数构建似然函数进行梯度下降求解：
20、
21、其中，δk表示k阶偏微分因子的目标矩阵，||·||f表示frobenius范数。
22、进一步地，所述步骤(2)中，通过卡尔曼增益融合稠密风场偏微分约束结果与输入风场的不确定运动特征，构建稠密风场隐状态转移方法包括：
23、将风场图像通过词嵌入编码操作，将显式风场数据映射到隐空间表示为：
24、
25、其中，e表示隐空间映射方法，f(·)表示激活函数，表示显式风场图像ut映射到隐空间的特征表示，表示第l层卷积中第i通道的权重，bl表示第l层卷积的偏置项，nc表示实施卷积的层数，表示的通道数。
26、在隐空间下，利用可学习加权融合由物理先验知识推衍得到的风场动态信息以及风场隐空间映射结果，输出作为下一时刻的风场信息隐状态，得到隐空间下风场时序状态转移计算方法φpde：
27、φpde:ht,e(ut)→ht+1
28、
29、其中，为过渡矩阵，表示完全由偏微分先验知识驱动的风场推衍结果，kt为可学习的融合权重，若kt＝0则表征风场时序推衍仅由偏微分先验知识驱动，kt＝1则表示风场推衍是从历史风场图像自回归学习得到，⊙表示按位乘法；
30、通过卡尔曼增益方法确定融合权重，表示为：
31、
32、其中，wh和wu分别表示过渡矩阵和风场隐空间表示e(ut)的权重，bk表示偏置项；
33、将预测得到的风场隐空间表示ht+1反映射到显式空间，并得到风场单步预测结果，并通过时序生成结构迭代得到稠密风场预测结果，可表示为：
34、
35、其中，e-1表示隐空间映射的逆运算，即将风场图像隐表示映射到显空间，t表示待预测风功率序列的步长。
36、进一步地，所述步骤(2)中，融入偏微分矩估计损失的稠密风场多步预测损失函数可表示为：
37、
38、其中，||·||2表示l2范数，λ1表示偏微分因子计算误差正则项的惩罚系数。
39、进一步地，所述步骤(3)中，利用稀疏注意力机制构建历史风功率序列与待预测风功率序列之间的映射关系包括：
40、将风功率量测序列建模为高斯分布其中和ζb分别为历史风功率概率分布的均值和方差；
41、应用稀疏注意力机制构建历史风功率序列xt-d:t与待预测风功率序列之间的映射关系，表示为：
42、
43、其中，表示稀疏注意力机制，和分别表示预测得到的待预测风功率序列的均值和方差，d表示历史风功率序列的步长。
44、进一步地，所述步骤(3)中，基于稠密风场多步预测结果得到待预测风功率序列的均值和方差表示为：
45、
46、其中，为非线性跨模态特征融合算子。
47、本专利技术还提供一种基于时空稠密风场推衍的日内风功率预测系统，包括：
48、稠密风场动态建模模块，用于根据输入的历史风场图像，融合物理先验知识，将稠密风场的对流、扩散以及其他不确定运动建模为加权多阶偏微分约束，利用矩估计方法构建各阶偏微分因子求解似然函数，求解各阶偏微分因子；
49、风场多步预测模块，用于通过卡尔曼增益融合稠密风场偏微分约束结果与输入风场的不确定运动特征，构建稠密风场隐状态转移方法，并引用风场偏微分矩估计损失作为正则项，训练得到稠密风场多步预测结果；
50、日内风功率预测模块，用于根据输入的历史风功率序列，利用稀疏注意力机制构建历史风功率序列与待预测风功率序列之间的映射关系，基于稠密风场多步预测结本文档来自技高网...
【技术保护点】
1.一种基于时空稠密风场推衍的日内风功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中，融合物理先验知识，将稠密风场的对流、扩散以及其他不确定运动建模为加权多阶偏微分约束包括：
3.根据权利要求2所述的方法，其特征在于，所述步骤(1)中，利用矩估计方法构建各阶偏微分因子求解似然函数，求解各阶偏微分因子包括：
4.根据权利要求1所述的方法，其特征在于，所述步骤(2)中，通过卡尔曼增益融合稠密风场偏微分约束结果与输入风场的不确定运动特征，构建稠密风场隐状态转移方法包括：
5.根据权利要求3所述的方法，其特征在于，所述步骤(2)中，融入偏微分矩估计损失的稠密风场多步预测损失函数表示为：
6.根据权利要求1所述的方法，其特征在于，所述步骤(3)中，利用稀疏注意力机制构建历史风功率序列与待预测风功率序列之间的映射关系包括：
7.根据权利要求6所述的方法，其特征在于，所述步骤(3)中，基于稠密风场多步预测结果得到待预测风功率序列的均值和方差表示为：
8.一种基
9.一种计算机设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于时空稠密风场推衍的日内风功率预测方法的步骤。
...【技术特征摘要】
1.一种基于时空稠密风场推衍的日内风功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中，融合物理先验知识，将稠密风场的对流、扩散以及其他不确定运动建模为加权多阶偏微分约束包括：
3.根据权利要求2所述的方法，其特征在于，所述步骤(1)中，利用矩估计方法构建各阶偏微分因子求解似然函数，求解各阶偏微分因子包括：
4.根据权利要求1所述的方法，其特征在于，所述步骤(2)中，通过卡尔曼增益融合稠密风场偏微分约束结果与输入风场的不确定运动特征，构建稠密风场隐状态转移方法包括：
5.根据权利要求3所述的方法，其特征在于，所述步骤(2)中，融入偏微分矩估计...
【专利技术属性】
技术研发人员：刘璟璇，臧海祥，程礼临，张越，黄海洋，赵勇凯，蒯乐，张博雅，郭晋宇，季恺薇珈，杨昊哲，田津苏，
申请(专利权)人：河海大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。