本發(fā)明屬于短期風(fēng)電功率預(yù)測(cè)，具體涉及基于時(shí)-空?qǐng)D卷積神經(jīng)網(wǎng)絡(luò)的廣域多風(fēng)電場(chǎng)短期預(yù)測(cè)方法。

背景技術(shù)：

1、現(xiàn)有研究對(duì)相鄰風(fēng)電場(chǎng)之間空間相關(guān)性的考慮較少，且當(dāng)僅使用單一風(fēng)電場(chǎng)數(shù)值天氣預(yù)報(bào)數(shù)據(jù)時(shí)，可能會(huì)忽略了鄰近場(chǎng)站數(shù)值天氣預(yù)報(bào)數(shù)據(jù)包含的有用信息，從而降低風(fēng)電場(chǎng)預(yù)測(cè)準(zhǔn)確率。風(fēng)電功率的預(yù)測(cè)值與實(shí)際值存在較大差異，則可能會(huì)導(dǎo)致電力系統(tǒng)的頻率和電壓失衡，對(duì)電力系統(tǒng)的穩(wěn)定性產(chǎn)生消極影響。提高風(fēng)電功率預(yù)測(cè)準(zhǔn)確性可以合理削弱風(fēng)電功率并網(wǎng)時(shí)其不確定性對(duì)電力系統(tǒng)帶來(lái)的不利影響，提高系統(tǒng)運(yùn)行的可靠性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供基于時(shí)-空?qǐng)D卷積神經(jīng)網(wǎng)絡(luò)的廣域多風(fēng)電場(chǎng)短期預(yù)測(cè)方法，解決現(xiàn)有技術(shù)中存在的風(fēng)電功率的預(yù)測(cè)值與實(shí)際值存在較大差異的問(wèn)題。

2、本發(fā)明所采用的技術(shù)方案是，基于時(shí)-空?qǐng)D卷積神經(jīng)網(wǎng)絡(luò)的廣域多風(fēng)電場(chǎng)短期預(yù)測(cè)方法，具體按照以下步驟實(shí)施：

3、s1、根據(jù)最大信息系數(shù)分析某一地區(qū)風(fēng)電場(chǎng)風(fēng)電出力與氣象特征關(guān)聯(lián)程度，確定強(qiáng)相關(guān)氣象特征；

4、s2、通過(guò)出力預(yù)測(cè)強(qiáng)相關(guān)氣象特征及風(fēng)電歷史出力確定時(shí)-空?qǐng)D多節(jié)點(diǎn)特征集；

5、s3、通過(guò)鄰接矩陣確定風(fēng)電場(chǎng)之間的空間相關(guān)性，以多風(fēng)電場(chǎng)之間歷史出力相關(guān)性作為時(shí)-空?qǐng)D邊特征；

6、s4、通過(guò)引入時(shí)-空?qǐng)D神經(jīng)網(wǎng)絡(luò)中信息傳播機(jī)制，構(gòu)建聚合歷史出力強(qiáng)相關(guān)場(chǎng)站數(shù)據(jù)天氣預(yù)報(bào)和歷史出力高維特征的信息傳播機(jī)制；

7、s5、在時(shí)-空?qǐng)D神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中引入絕對(duì)誤差損失和交叉熵?fù)p失相結(jié)合的損失函數(shù)，結(jié)合門(mén)控循環(huán)單元層完成多風(fēng)電場(chǎng)短期預(yù)測(cè)。

8、本發(fā)明的特點(diǎn)還在于，

9、s1中氣象特征包括風(fēng)速、風(fēng)向、溫度、濕度與氣壓特征。

10、s1具體過(guò)程為：

11、將某一地區(qū)、某一時(shí)間段內(nèi)氣象特征作為變量，任意給定兩個(gè)變量(ti，tj)，采集某一地區(qū)、某一時(shí)間段的天氣預(yù)報(bào)數(shù)據(jù)集d＝(x1,y1),...,(xn,yn)，其中xi表示第i次采樣的風(fēng)電場(chǎng)風(fēng)電出力，yi表示第i次采樣的氣象特征，i取值為1……n，n表示總采樣次數(shù)，在α-by-β網(wǎng)格中計(jì)算互信息的公式為：

12、

13、其中，i(d,α,β)是α-by-β網(wǎng)格中的互信息值，整數(shù)(α，β)是風(fēng)電出力與天氣預(yù)報(bào)特征中的任意一個(gè)形成的特征對(duì)，p(x,y)表示本次網(wǎng)格劃分下的聯(lián)合概率密度，p(x)表示風(fēng)電出力邊緣概率密度，p(y)表示天氣預(yù)報(bào)特征邊緣概率密度；

14、找到不同網(wǎng)格中最大的互信息值并進(jìn)行歸一化，mic(ti，tj)通過(guò)計(jì)算互信息值的最大值得出：

15、

16、mic(ti,tj)＝mic(d)＝maxαβ<b(n){m(d)}???(3)；

17、其中，log(min{α,β})為歸一化計(jì)算，且(α，β)必須滿(mǎn)足先決條件αβ<b(n)，b(n)可以表示為b(n)＝n0.6，通過(guò)統(tǒng)計(jì)不同氣象場(chǎng)景下風(fēng)電場(chǎng)的日平均絕對(duì)誤差，根據(jù)mic確定風(fēng)電出力預(yù)測(cè)平均絕對(duì)誤差強(qiáng)相關(guān)氣象特征，即風(fēng)速與風(fēng)向。

18、s3具體過(guò)程為：

19、鄰域關(guān)系是利用地理位置或歷史出力數(shù)據(jù)中m和n的空間相關(guān)性定義的，即節(jié)點(diǎn)m連接到節(jié)點(diǎn)n，鄰接矩陣a是一個(gè)大小為n的對(duì)稱(chēng)方陣，其中每個(gè)元素a(m,n)反映了兩個(gè)風(fēng)電場(chǎng)m和n的空間相關(guān)性，鄰接矩陣定義如下：

20、amn＝relu(mic(bm,bn))???(4)；

21、

22、mic(bm,bn)用于計(jì)算節(jié)點(diǎn)之間的相關(guān)性，bm,bn是對(duì)應(yīng)節(jié)點(diǎn)向量，relu是用于避免負(fù)相關(guān)的激活函數(shù)；

23、如公式(6)所示，由多風(fēng)電場(chǎng)之間的出力平均絕對(duì)誤差相關(guān)性

24、構(gòu)建鄰接矩陣：

25、maemn＝relu(mic(maem,maen))???(6)；

26、其中maem與maen為風(fēng)電場(chǎng)m與風(fēng)電場(chǎng)n的平均絕對(duì)誤差值，由于各風(fēng)電場(chǎng)之間的平均絕對(duì)誤差存在差異，使其作為時(shí)-空?qǐng)D的邊特征。

27、s4具體過(guò)程為：

28、利用信息傳播機(jī)制進(jìn)行消息傳遞，在消息傳遞階段，每個(gè)節(jié)點(diǎn)和邊通過(guò)聚合函數(shù)聚合來(lái)自其鄰居信息，將生成的消息傳遞給相鄰節(jié)點(diǎn)和邊，在特征更新期間，每個(gè)節(jié)點(diǎn)和邊根據(jù)從其鄰居接收到的聚合消息更新其特征，信息傳遞階段運(yùn)行t時(shí)間步長(zhǎng)并且依賴(lài)消息函數(shù)mt以及節(jié)點(diǎn)更新函數(shù)ut，在消息傳遞階段，每個(gè)節(jié)點(diǎn)的隱狀態(tài)都會(huì)根據(jù)消息進(jìn)行更新，具體過(guò)程如下：

29、

30、其中，采用平均值聚合函數(shù)聚合平均絕對(duì)誤差強(qiáng)相關(guān)的風(fēng)電場(chǎng)信息，r作用于節(jié)點(diǎn)狀態(tài)集合，并且必須對(duì)節(jié)點(diǎn)狀態(tài)的排列保持不變，以使信息傳播機(jī)制對(duì)圖同構(gòu)保持不變，y′可以輸出所有更新的隱藏狀態(tài)并實(shí)現(xiàn)時(shí)-空?qǐng)D全域全特征增強(qiáng)。

31、s5中在時(shí)-空?qǐng)D神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中引入絕對(duì)誤差損失和交叉熵?fù)p失相結(jié)合的損失函數(shù)具體過(guò)程為：

32、優(yōu)化小樣本的類(lèi)別權(quán)重向量，即針對(duì)小樣本數(shù)據(jù)得到更多關(guān)注，設(shè)k是包含每類(lèi)樣本個(gè)數(shù)為km的向量，則類(lèi)權(quán)重w的向量表示如下：

33、

34、使用m類(lèi)的分類(lèi)交叉熵?fù)p失函數(shù)，改進(jìn)的l′ce損失函數(shù)可以表示為：

35、

36、其中，n是訓(xùn)練樣本的數(shù)量，y是樣本的標(biāo)簽，而z是最終層的輸出；

37、設(shè)xi和fi分別表示實(shí)際風(fēng)電功率和預(yù)測(cè)風(fēng)電功率，mae損失的定

38、義如下：

39、

40、最終損失函數(shù)如下所示：

41、loss＝λ1l′ce+λ2lmae???(13)；

42、其中，λ1和λ2是加權(quán)參數(shù)，將加權(quán)參數(shù)設(shè)置為λ1＝0.5，λ2＝0.5。

43、s5中結(jié)合門(mén)控循環(huán)單元層完成多風(fēng)電場(chǎng)短期預(yù)測(cè)具體過(guò)程為：

44、建立具有門(mén)控機(jī)制的grul，在每個(gè)時(shí)刻從mpnn輸出的增強(qiáng)后的高維特征向量被用作grul的輸入，實(shí)現(xiàn)廣域多風(fēng)電場(chǎng)風(fēng)電功率預(yù)測(cè)，grul包括兩個(gè)乘法門(mén)，更新門(mén)ut和重置門(mén)rt，grul采用mpnn提取的特征輸出ht，并將t-1時(shí)刻的隱藏層輸出ht-1作為輸入，完成預(yù)測(cè)，具體公式如下所示：

45、ut＝σ(at[x′t,ht-1]ewz+ebu)???(14)；

46、rt＝σ(at[x′t,ht-1]ewr+ebr)???(15)；

47、ct＝tanh(at[x′t，r*ht-1]ewc+ebc)???(16)；

48、ht＝ut*ht-1+(1-ut)*ct???(17)；

49、式中：σ表示sigmoid激活函數(shù)，tanh為激活函數(shù)，e、wu、wr、wc、bu、br和bc均為模型中可學(xué)習(xí)的權(quán)重和偏置項(xiàng)參數(shù)，x′t代表mpnn輸出的節(jié)點(diǎn)特征，a代表鄰接矩陣模塊生成的多風(fēng)電場(chǎng)間連接關(guān)系，ht-1代表t-1時(shí)刻的輸出，ht代表t時(shí)刻輸出的風(fēng)電功率序列。

50、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

51、本發(fā)明提供的基于時(shí)-空?qǐng)D卷積神經(jīng)網(wǎng)絡(luò)的廣域多風(fēng)電場(chǎng)短期預(yù)測(cè)方法，通過(guò)構(gòu)建廣域多風(fēng)電場(chǎng)時(shí)-空?qǐng)D，利用與歷史風(fēng)電出力預(yù)測(cè)強(qiáng)相關(guān)氣象特征及風(fēng)電歷史出力確定時(shí)-空?qǐng)D多節(jié)點(diǎn)特征集。同時(shí)，利用鄰接矩陣確定空間相關(guān)性，以多風(fēng)電場(chǎng)之間風(fēng)電出力相關(guān)性為空間相關(guān)性構(gòu)建時(shí)-空?qǐng)D邊特征，通過(guò)引入時(shí)-空?qǐng)D卷積神經(jīng)網(wǎng)絡(luò)中信息傳播機(jī)制，采用平均聚合函數(shù)提取特征強(qiáng)相關(guān)場(chǎng)站數(shù)值天氣預(yù)報(bào)信息，構(gòu)建聚合誤差強(qiáng)相關(guān)場(chǎng)站數(shù)值天氣預(yù)報(bào)和歷史出力高維特征的信息傳播機(jī)制，實(shí)現(xiàn)待預(yù)測(cè)場(chǎng)站節(jié)點(diǎn)-邊特征更新，充分提高待預(yù)測(cè)場(chǎng)站的誤差強(qiáng)相關(guān)場(chǎng)站數(shù)值天氣預(yù)報(bào)利用率，實(shí)現(xiàn)全域節(jié)點(diǎn)-邊特征全增強(qiáng)，并輸入門(mén)控循環(huán)單元層以挖掘其時(shí)域特征。