多特征融合的生成对抗网络超短期风功率预测方法技术

本发明专利技术提供了一种多特征融合的生成对抗网络超短期风功率预测方法，由变分模态分解与注意力机制、长短期记忆神经网络结合作为生成器，卷积神经网络作为判别器；使用W距离作为生成器的目标函数，并用利普希茨连续条件对判别器进行限制，以提高模型稳定性；以及采用以单机预测反推全场功率的技术路线，以弥补在测风塔数据无法反应整场风资源情况时风功率预测的准确性。通过本发明专利技术，能够提高超短期风功率预测的准确率，解决风功率的波动性大、影响风功率的多个因素对超短期风功率预测的贡献率不同以及原始生成对抗网络模型的不收敛、不稳定等问题。定等问题。定等问题。

【技术实现步骤摘要】
多特征融合的生成对抗网络超短期风功率预测方法


[0001]本专利技术涉及一种风力发电
，具体为一种多特征融合的生成对抗网络超短期风功率预测方法。

技术介绍

[0002]以新能源为首的新型电力系统中，新能源装机容量占比越来越高，而风力发电是新能源行业的重要支柱。但由于风电出力具有间歇性、不确定性的特征，使得风电大规模并网会影响电网安全稳定。准确的超短期风功率预测在解决电网调峰问题、制定合理的调度策略等方面发挥不可替代的作用。随着风电并网容量的增加，电网对超短期风功率预测提出了更高的考核要求，风电场每年也面临着巨额的双细则考核惩罚，其中超短期风功率预测考核惩罚最为突出。特别是在地形复杂的山地风电场，由于风场各段区域小气候现象明显、湍流强度高使得风功率波动性大，超短期风功率预测的准确率更难以满足电网要求。
[0003]由于风功率序列具有非线性及非平稳性的特性，使得预测准确性的提升较为困难。国内外学者为此做了大量的研究，最常见的算法有自回归滑动平均模型(Auto
‑
Regressive and Moving Average Model，ARMA)、长短时间记忆网络(LSTM)和CNN等。有科学家提出基于互补经验模式分解(CEEMD)，改进遗传算法(IGA)优化的T
‑
S模糊神经网络和马尔可夫误差修正的组合模型，用来提高超短期风电预测的准确性。还有人提出了一种新的混合式深度学习模型，该混合模型由卷积层、递归单元层(GRU)和全连接的神经网络组成。卷积层能够自动地从原始数据中学习复杂的特征，而GRU层能够直接学习多个并行输入数据序列，提升了风电场超短期风功率预测精度；另外一批科学家提出一种随机森林算法对双向门控循环网络模型预测误差修正的超短期风功率预测方法，利用双向门控循环单元网络模型及随机森林算法提取及构造误差模型，并采用核密度估计方法对修正后的误差进行概率分布拟合，通过对某风电场数据进行风功率的多时间尺度预测,验证了方法的有效性和适用性。
[0004]近年来，生成对抗网络以其独特的对抗思想和无监督学习方式成为深度学习领域中的重要分支，并且GAN具有良好的捕捉数据间隐含深层关系的能力，因此生成对抗网络也越来越多的应用于时间序列预测领域。目前有人采用GAN对高频股票市场进行预测，并有效地提高股价预测精度，降低预测误差；还有人提出了一种基于经验模态分解生成对抗网络的金融时间序列预测，利用经验模态分解(EMD)对金融时间序列进行分析并对目标函数进行改进，以此提高预测准确率。
[0005]综上所述，为了达到风功率预测的准确性、算法的普适性、克服风功率的随机性、非线性和平稳性，国内外学者提出了各种先进的预测算法模型，但已有的预测算法还存在以下缺陷：EMD容易发生模态混叠，使得预测效果不好；原始GAN模型存在预测精度不高、模型不稳定、无法达到收敛状态；因风机实时偏航的因素使得风向特征对风功率预测准确性的影响程度不大；以及在处理多个影响风功率的特征量时没有采取较好的多特征融合策略。

技术实现思路

[0006]本专利技术的目的在于提出一种多特征融合的生成对抗网络超短期风功率预测方法，该方法基于VMD分解对风功率序列进行降噪及降低非平稳性，同时利用AM机制对多个特征的权重进行动态调整及优化，最后利用WGAN的对抗思想及对数据间深层隐含关系的捕捉能力，对风功率进行预测，提高模型的预测准确率；并通过现场数据分析，提出使用偏航误差特征对风功率预测的影响。
[0007]本专利技术提供了一种多特征融合的生成对抗网络超短期风功率预测方法，包括：
[0008]获取待预测风电机组的历史功率数据及对应天气数据，进行数据预处理，将预处理后得到的数据作为训练数据；
[0009]构建待预测风电机组超短期风功率预测模型；通过训练数据对构建的待预测风电机组超短期风功率预测模型进行训练；其中，待预测风电机组超短期风功率预测模型由变分模态分解与注意力机制、长短期记忆神经网络结合作为生成器，卷积神经网络作为判别器，使用W距离作为生成器的目标函数；
[0010]将待预测风电机组的实时功率数据和天气数据输入训练完成的待预测风电机组超短期风功率预测模型中，模型输出作为实时的超短期风功率预测结果。
[0011]其中，在进行数据预处理的步骤中，包括：
[0012]对待预测风电机组的历史功率数据及对应天气数据进行异常值剔除及插补，形成规范化原始数据集，作为训练数据。
[0013]其中，在对原始数据集中的功率数据列进行变分模态分解的步骤中，通过迭代搜寻来构建变分模型，将训练数据中的原始风功率时间序列P(t)分解为不同的频率的分量u
k
(t)，对应的中心频率为ω
k
，通过交替迭代的方式更新寻找变分模型的最优解；其中，
[0014]变分模态分解约束表达式为：
[0015][0016]式中，K为分解的模态个数，{u
k
}、{ω
k
}分别为第k个模态分量及中心频率，δ(t)为狄拉克函数，*为卷积运算符。
[0017]其中，引入Lagrange乘法算子λ及二次惩罚因子α，将公式(1)的约束变分问题转变为非约束变分进行求解，得到风功率输出信号VMD的约束表达示为：
[0018][0019]各分量及相应中心频率ω
k
及乘法算子分别通过公式(3)、(4)、(5)进行更新
迭代；
[0020][0021][0022][0023]式中：和分别为f(t)、uk(t)和λ(t)的傅里叶变换ω为频率；n为迭代的次数；
[0024]精度收敛判据设定为ε＞0；若满足：
[0025]且n＜N(6)
[0026]则完成迭代，输出及ω
k
，否则重新进行迭代。
[0027]其中，对分解完成的每个功率分量结合风速V、偏航误差ER、温度T、湿度H、压力p
空
特征组成新的数据集X
k
，所有数据集X
k
组成的集合称为{X
k
}；
[0028]将{x
k
}中的每个数据集X
k
分别输入到生成器G中对应的AM
‑
LSTM网络结构中，每个网络结构包含6个输入特征，以当前时刻的LSTM隐层单元输出h
t
‑1和记忆信息计算当前时刻每个特征对应的权重，并对权重进行量化，通过注意力机制对特征权重进行实时调整，实现多特征的有序融合；
[0029]其中，权重计算公式如公式(7)：
[0030][0031]其中，V
e
、W
e
和U
e
为注意力机制的多层感知机权重矩阵；b
e
为偏置项；
[0032]使用归一化指数函数按公式(8)对进行归一化处理，保证特征注意力权重和为1；
[0033][0034]则LSTM隐含层状态h
t<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多特征融合的生成对抗网络超短期风功率预测方法，其特征在于，包括：获取待预测风电机组的历史功率数据及对应天气数据，进行数据预处理，将预处理后得到的数据作为训练数据；构建待预测风电机组超短期风功率预测模型；通过所述训练数据对构建的所述待预测风电机组超短期风功率预测模型进行训练；其中，所述待预测风电机组超短期风功率预测模型由变分模态分解与注意力机制、长短期记忆神经网络结合作为生成器，卷积神经网络作为判别器，使用W距离作为所述生成器的目标函数；将待预测风电机组的实时功率数据和天气数据输入训练完成的所述待预测风电机组超短期风功率预测模型中，模型输出作为实时的超短期风功率预测结果。2.根据权利要求1所述的多特征融合的生成对抗网络超短期风功率预测方法，其特征在于，在进行数据预处理的步骤中，包括：对所述待预测风电机组的历史功率数据及对应天气数据进行异常值剔除及插补，形成规范化原始数据集，作为所述训练数据。3.根据权利要求1所述的多特征融合的生成对抗网络超短期风功率预测方法，其特征在于，在对原始数据集中的功率数据列进行变分模态分解的步骤中，通过迭代搜寻来构建变分模型，将所述训练数据中的原始风功率时间序列P(t)分解为不同的频率的分量u
k
(t)，对应的中心频率为ω
k
，通过交替迭代的方式更新寻找变分模型的最优解；其中，变分模态分解约束表达式为：式中，K为分解的模态个数，{u
k
}、{ω
k
}分别为第k个模态分量及中心频率，δ(t)为狄拉克函数，*为卷积运算符。4.根据权利要求3所述的多特征融合的生成对抗网络超短期风功率预测方法，其特征在于，引入Lagrange乘法算子λ及二次惩罚因子α，将公式(1)的约束变分问题转变为非约束变分进行求解，得到风功率输出信号VMD的约束表达示为：各分量及相应中心频率ω
k
及乘法算子分别通过公式(3)、(4)、(5)进行更新迭代；
式中：和分别为f(t)、u
k
(t)和λ(t)的傅里叶变换；ω为频率；n为迭代的次数；精度收敛判据设定为ε＞0；若满足：则完成迭代，输出及ω
k
，否则重新进行迭代。5.根据权利要求4所述的多特征融合的生成对抗网络超短期风功率预测方法，其特征在于，对分解完成的每个功率分量结合风速V、偏航误差ER、温度T、湿度H、压力p
空
特征组成新的数据集X
k
，所有数据集X
k
组成的集合称为{X
k
}；将{x
k
}中的每个数据集X
k
分别输入到生成器G中对应的AM
‑
LSTM网络结构中，每个网络结构包含6个输入特征，以当前时刻的LSTM隐层单元输出h
t
‑1和记忆信息计算当前时刻每个特征对应的权重，并对权重进行量化，通过注意力机制对特征权重进行实时调整，实现多特征的有序融合；其中，权重计算公式如公式(7)：其中，V
e
、W
e
和U
e
为注意力机制的多层感知机权重矩阵；b
e
为偏置项；使用归一化指数函数按公式(8)对进行归一化处理，保证特征注意力权重和为1；
则LSTM隐含层状态h
t
的更新方式为：式中，f
l
为LSTM网络...

【专利技术属性】
技术研发人员：王灵梅，刘玉山，程江涛，郭东杰，贾成真，申戬林，邵吉，孟恩隆，侯勇，田志强，
申请(专利权)人：国家电投集团山西新能源有限公司，
类型：发明
国别省市：