【技术实现步骤摘要】
本专利技术涉及海上风电功率的多时空尺度预测，更具体地，涉及一种多时空尺度的海上风电特征筛选及增强的功率预测方法。
技术介绍
1、规模化发展、深海漂浮式大功率海上装备、智能运维正在为海上风电发展注入强劲的动力。由于风能本身具有随机性，直接导致了海上风电功率的不稳定性。因此，必须提前对海上风电功率进行精准预测，能够为电网的可靠运行和电量储备计划提供依据。准确的海上风电功率预测对电力系统具有重要意义。
2、海上风电功率作为一种随机性和波动性很强的时间序列，预测精度与气象特征数据的质量及时间和空间尺度有很大的关系。由于海上风电功率的影响因素和气象特征更具有复杂性，含有大量复杂数据特征，有效的特征筛选和增强是有必要的。迄今为止，已有的海上风电相关性预测功率方法未能充分考虑大量数据特征下的处理方法，使得海上风电功率的预测精度较低。
3、针对大量复杂数据特征海上风电场的特征筛选及增强，现有技术中提出了一种考虑海上风电多机组时空特性的超短期功率预测模型，首先采用动态时间弯曲距离算法并加入抽象化与去抽象化思想改进dtw算法，同时考虑母线与地理信息进行机组聚类形成机组群，以量化、度量机组间的时序相似度；然后，利用基于注意力机制的 transformer模型并在注意力模块进行概率化改进以降低功率预测时间；最后，将综合考虑时空特性与位置信息的序列进行预测分析。然而，由于海上风电功率的影响因素和气象特征更具有复杂性，从多时空尺度考虑时需要进行区域划分，并从不同的维度融合多重注意力进行有效的特征筛选和增强，才能提升海上风电场功率预测
技术实现思路
1、本专利技术为克服上述现有技术中的缺陷，提供一种多时空尺度的海上风电特征筛选及增强的功率预测方法及系统，以实现从不同空间尺度下的特征筛选及增强，从不同时间尺度下进行预测，以提高海上风电功率的预测精度。
2、为解决上述技术问题，本专利技术采用的技术方案是：
3、一种多时空尺度的海上风电特征筛选及增强的功率预测方法，包括以下步骤：
4、s1. 获取目标及邻近海上风电场的多源数据集，包括目标海上风电场的功率、风速、风向、温度、降水量、湿度、气压、积云量以及洋流数据，并进行初步处理；
5、s2. 对预处理后的海上风电场历史气象记录数据进行划分，得到训练样本和测试样本；
6、s3. 根据获取的洋流数据进行基序谱聚类，利用拉普拉斯特征映射展开最佳敏感因素筛选，对数据进行降维，并将特征数据分成近岸、浅海、深海三个区域；将处理后的海上风电场的功率、风速、风向、温度、降水量、湿度、气压、积云量以及洋流数据构成特征矩阵，，；
7、s4. 构建多维度注意力融合机制和双向门控循环单元网络的预测模型；
8、s5. 将特征矩阵，，输入到预测模型，通过预测模型中的多维度注意力机制考虑特征内部与外部关系，从不同维度开展多重注意力深度融合机制的海上风电特征增强，挖掘时间、空间、特征上的深层耦合关系，自适应给予不同特征相应的权重；
9、s6. 对近岸、浅海、深海三个特征矩阵根据地理位置对海上风机出力的影响程度不同，进一步挖掘不同区域的隐式相关性，使用图注意力自适应赋予不同的权重，最后得到新的特征矩阵；
10、s7. 将赋予权重后并增强特征后的特征矩阵输送至双向门控循环单元网络，双向门控循环单元网络挖掘特征矩阵中存在的隐含关系；
11、s8. 使用训练好的预测模型，从多个时间尺度进行预测，预测目标海上风电场的功率，获得对应海上风电场在不同时间尺度下的功率时间序列，实现多时空尺度下的海上风电功率预测。
12、根据以上技术手段，本专利技术提供了一种基于基序谱聚类与多维度注意力机制的海上风电功率预测方法，首先获取目标海上风电场的多源数据集，在经过初步处理后，根据获取的洋流数据进行基序谱聚类展开最佳敏感因素筛选，对数据进行降维，并将特征数据分成近岸、浅海、深海三个区域；通过多维度注意力机制考虑特征内部与外部关系，从不同维度开展多重注意力深度融合机制的海上风电特征增强，挖掘时间、空间、特征上的深层耦合关系，自适应给予不同特征相应的权重。对近岸、浅海、深海三个特征矩阵根据地理位置对海上风机出力的影响程度不同，进一步挖掘不同区域的隐式相关性，使用图注意力自适应赋予不同的权重，最后得到新的特征矩阵并输送至双向门控循环单元网络，使用训练好的预测模型，从多个时间尺度进行预测，获得对应海上风电场在不同时间尺度下的功率时间序列，实现多时空尺度下的海上风电功率预测。本专利技术能够有效的提升海上风电功率预测的精度。
13、进一步地，步骤s1中，数据进行初步处理的具体过程如下：依据海上风电场区域附近的实测气象数据对全球预报系统（global forecasting system, gfs）、天气预报模式系统（weather research forecast, wrf）等背景场系统进行修正，获取水平分辨率为3km×3km网格化的nwp数据。对所述海上风电场历史气象记录数据中的缺失数据进行填补，得到完整的风电场历史气象记录数据；将功率序列、风速序列、温度序列气压序列、积云量序列以及洋流序列采用min-max归一化处理，获得处理后的功率序列p、风速序列ws、温度序列t、湿度序列h、降水量序列precip、气压序列pa、积云量序列cu以及洋流序列oc，而风向序列则采用正余弦处理，获得风向正弦wds和风向余弦wdc。
14、进一步地，在步骤s2中，将所述预处理后的海上风电场历史气象记录数据进行划分，按8：2的比例划分并得到训练样本和测试样本。
15、进一步地，步骤s3中，对处理后的样本特征使用基序谱聚类，利用拉普拉斯特征映射展开最佳敏感因素筛选，对数据进行降维，具体步骤如下：
16、s31. 构建相似度矩阵，根据数据样本之间的距离，计算样本之间的相似性；
17、s32. 构建邻接矩阵，用高斯距离法进行构建：
18、
19、式中，、为n个样本中第i个点与第j个点(i,j=1,..,n)，s为标准差，e为指数函数；
20、s33. 计算阶矩d和拉普拉斯矩阵l：
21、
22、
23、式中，为i行j列的阶矩矩阵，为i行j列的拉普拉斯矩阵；
24、s34. 对拉普拉斯矩阵进行特征分解，得到特征向量和特征值；根据特征值的大小，选择前k个特征向量作为新的数据表示；生成低维度下的特征矩阵；
25、s35. 在降维后的新特征空间内进行k-means聚类，分成近岸、浅海、深海三类，得到特征矩阵，，；
26、＝［m1,m2,...,mn］，，其中mn表示第 n个风电场 t-1到 t-m时刻的特征构成的矩阵。
27、进一步地，在步骤s4中，构建多维度注意力融合机制的具本文档来自技高网...
【技术保护点】
1.一种多时空尺度的海上风电特征筛选及增强的功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多时空尺度的海上风电特征筛选及增强的功率预测方法，其特征在于，步骤S1中，数据进行初步处理的具体过程如下：依据海上风电场区域附近的实测气象数据对全球预报系统、天气预报模式系统进行修正，获取水平分辨率为Nkm×Nkm网格化的NWP数据；对所述海上风电场历史气象记录数据中的缺失数据进行填补，得到完整的风电场历史气象记录数据；将功率序列、风速序列、温度序列气压序列、积云量序列以及洋流序列采用min-max归一化处理，获得处理后的功率序列P、风速序列WS、温度序列T、湿度序列H、降水量序列PRECIP、气压序列PA、积云量序列CU以及洋流序列OC，而风向序列则采用正余弦处理，获得风向正弦WDS和风向余弦WDC；在步骤S2中，将所述预处理后的海上风电场历史气象记录数据进行划分，按8：2的比例划分并得到训练样本和测试样本。
3.根据权利要求1所述的多时空尺度的海上风电特征筛选及增强的功率预测方法，其特征在于，步骤S3中，对处理后的样本特征使用基序谱聚类，利用拉
4.根据权利要求3所述的多时空尺度的海上风电特征筛选及增强的功率预测方法，其特征在于，在步骤S4中，构建多维度注意力融合机制的具体步骤如下：
5.根据权利要求4所述的多时空尺度的海上风电特征筛选及增强的功率预测方法，其特征在于，所述时间注意力模块，包括卷积层、FC层、softmax层、sigmoid激活函数和全局平均池化层；在时间注意力模块中，将全局空间平均池化 GAP 应用于特征矩阵，以确保时间注意力模块具有低计算成本；然后在整个时间域上使用多个具有非线性的1D卷积来生成位置敏感的重要性图，以增强逐帧特征；再经过FC层，基于每个通道中的全局时间信息生成通道自适应内核，经过softmax层获得时间注意力模块权重系数Mt；最后，用权重系数和特征矩阵相乘即得到缩放后的新特征矩阵；
6.根据权利要求5所述的多时空尺度的海上风电特征筛选及增强的功率预测方法，其特征在于，在步骤S5中，将特征矩阵，，输入到预测模型，通过预测模型中的多维度注意力机制考虑特征内部与外部关系，从不同维度开展多重注意力深度融合机制的海上风电特征增强，挖掘时间、空间、特征上的深层耦合关系，自适应给予不同特征相应的权重；基于时间注意力，特征注意力，空间注意力，通道注意力，深度开展特征增强；
7.根据权利要求6所述的多时空尺度的海上风电特征筛选及增强的功率预测方法，其特征在于，步骤S6具体包括：
8.根据权利要求7所述的多时空尺度的海上风电特征筛选及增强的功率预测方法，其特征在于，在步骤S7中，双向门控循环单元网络的构建如下：以特征矩阵为输入，搭建多层级联双向门控循环单元网络，由前向GRU和后向GRU组成，激活函数为tanh；
9.根据权利要求8所述的多时空尺度的海上风电特征筛选及增强的功率预测方法，其特征在于，在步骤S8中，时间尺度为n个，其中n为整数，且n2；
10.根据权利要求9所述的多时空尺度的海上风电特征筛选及增强的功率预测方法，其特征在于，分别采用15分钟，一小时，一天，三天四个时间尺度的数据预测未来四个时间尺度，以实现超短期和短期预测。
...【技术特征摘要】
1.一种多时空尺度的海上风电特征筛选及增强的功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多时空尺度的海上风电特征筛选及增强的功率预测方法，其特征在于，步骤s1中，数据进行初步处理的具体过程如下：依据海上风电场区域附近的实测气象数据对全球预报系统、天气预报模式系统进行修正，获取水平分辨率为nkm×nkm网格化的nwp数据；对所述海上风电场历史气象记录数据中的缺失数据进行填补，得到完整的风电场历史气象记录数据；将功率序列、风速序列、温度序列气压序列、积云量序列以及洋流序列采用min-max归一化处理，获得处理后的功率序列p、风速序列ws、温度序列t、湿度序列h、降水量序列precip、气压序列pa、积云量序列cu以及洋流序列oc，而风向序列则采用正余弦处理，获得风向正弦wds和风向余弦wdc；在步骤s2中，将所述预处理后的海上风电场历史气象记录数据进行划分，按8：2的比例划分并得到训练样本和测试样本。
3.根据权利要求1所述的多时空尺度的海上风电特征筛选及增强的功率预测方法，其特征在于，步骤s3中，对处理后的样本特征使用基序谱聚类，利用拉普拉斯特征映射展开最佳敏感因素筛选，对数据进行降维，具体步骤如下：
4.根据权利要求3所述的多时空尺度的海上风电特征筛选及增强的功率预测方法，其特征在于，在步骤s4中，构建多维度注意力融合机制的具体步骤如下：
5.根据权利要求4所述的多时空尺度的海上风电特征筛选及增强的功率预测方法，其特征在于，所述时间注意力模块，包括卷积层、fc层、softmax层、sigmoid激活函数和全局平均池化层；在时间注意力模块中，将全局空间...
【专利技术属性】
技术研发人员：殷豪，尹逸丁，张海涛，朱健斌，汤彦姝，黄钺，
申请(专利权)人：广东工业大学，
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。