【技术实现步骤摘要】
基于多尺度时空图变换网络的海上风电功率预测方法及装置
[0001]本专利技术属于多任务风电场群功率集中式预测
、
数据处理
，具体涉及一种基于多尺度时空图变换网络的海上风电功率预测方法及装置
。
技术介绍
[0002]风力发电作为一种清洁
、
可再生的能源形式，正逐渐成为全球能源转型的重要组成部分
。
然而，由于风速的不确定性和变化性，风力发电场的稳定供电仍面临挑战
。
我国风能资源主要分布在北部
、
西北部和东部沿海地区
。
然而，由于东部沿海地区的土地政策限制和陆地资源有限，陆上风电的大规模开发面临挑战
。
为了充分利用风能资源并满足东部负荷中心的需求，海上风电功率预测成为当前研究的热门方向，实现可持续发展的同时，准确预测海上风电功率输出对于优化电网调度
、
提高发电效益和可靠性至关重要
。
[0003]传统的风电功率预测方法通常采用物理模型方法或统计模型方法
。
物理模型方法是基于数值天气预报系统
(NWP)
提供的气象预报值，结合风电场的地理环境和风电场的物理信息，最后根据建立的模型进行功率预测
。
但建模过程复杂
、
难度大，预测精度低
。
统计模型法采用一般数理统计方法，预测过程中不考虑风速
、
风角等气候因素的变化过程
。
然而，由于统计...
【技术保护点】
【技术特征摘要】
1.
一种基于多尺度时空图变换网络的海上风电功率预测方法，其特征在于，包括以下步骤：
(1)
采集海上多个风电场的历史数据，并对数据进行小样本增强，获取高分辨率数据；
(2)
构建多尺度时空图变换网络模型
MSSTGTN
，所述
MSSTGTN
模型包括多时间尺度自相关特征提取模块，时空特征提取模块以及预测输出模块；
(3)
利用多时间尺度自相关特征提取模块对经过数据增强的历史数据构造不同预测时间长度的卷积算子，自适应地提取高分辨率历史数据中不同时间尺度的自相关特征；
(4)
通过时空特征提取模块中的混合膨胀图卷积网络和变体
Transformer
来提取复杂的时空特征；并引入门控融合机制模块来增强
MSSTGTN
模型对数据中时空交融性的学习能力；
(5)
在
MSSTGTN
模型中引入无导数优化算法对其超参数进行动态调整，引入时间与形状失真损失函数作为
MSSTGTN
模型的附加损失函数，采用多目标贝叶斯算法建立最小化时间与形状失真损失的优化目标函数，优化
MSSTGTN
模型的超参数以及时间与形状失真损失函数的权重；
(6)
将所提取到的自相关特征和时空特征通过预测输出模块输出预测风电功率，得到预测结果
。2.
根据权利要求1所述的基于多尺度时空图变换网络的海上风电功率预测方法，其特征在于，步骤
(1)
所述历史数据包括历史风电功率数据
、NWP
数据
、
地理潜在依赖数据序列
、
临近数据序列
、
周期性重复数据序列以及历史气象要素数据序列
。3.
根据权利要求1所述的基于多尺度时空图变换网络的海上风电功率预测方法，其特征在于，所述步骤
(2)
实现过程如下：通过多尺度自适应特征提取层的一维卷积算子自适应提取不同时间尺度的风速数据的自相关特征，作为后续时空特征提取模块的输入特征，其中，一维卷积算子数学公式描述如下：其中，
F
表示激活函数，表示输入的高分辨历史数据向量，表示特征映射的偏差，是第
k
个卷积核的权重，
L
是卷积算子的长度，是由
L
和步长
S
确定的高分辨率历史数据的元素
。4.
根据权利要求1所述的基于多尺度时空图变换网络的海上风电功率预测方法，其特征在于，所述步骤
(4)
包括以下步骤：
(41)
时空特征提取模块包括四个时空卷积块，分别对地理潜在依赖序列
、
临近序列
、
周期性重复序列以及历史气象要素序列进行特征提取，每个时空卷积块都包含一个空间特征提取子模块
、
一个时间特征提取子模块和一个门控融合机制模块；
(42)
利用空间特征提取子模块中的混合膨胀图卷积网络自适应捕获区域内风电机组之间的空间依赖性；
(43)
利用时间特征提取子模块中的变体
Transformer
有效捕捉时间序列中不同时间尺度下的时间依赖性；
(44)
在时空模块的融合中，第一层的输入为上一层的输出，然后依次叠加；输入矩阵
H
(l)
分别进入空间特征提取子模块
、
时间特征提取子模块以及两个
Linear
层，然后将从空间和时间两个特征提取子模块输出的结果分别和权重矩阵进行点乘，将两者求和得到输出
H
(l+1)
：
H
(l+1)
＝
z
⊙
X
ξ
+(1
‑
z)
⊙
(X
τ
)
T
ꢀꢀꢀꢀꢀ
(2)z
＝
σ
(Linear(H
(l)
)+Linear((H
(l)T
))
ꢀꢀꢀꢀ
(3)
其中，
z
表示控制门控融合机制模块中两个
Linear
层的比例；
(45)
对于每个子模块，在每个网络层的输入和输出之间添加一个恒等映射，即不对原始输入做任何改变，只对输出求和，其表达式如下：
H(x)
＝
F(x)+x
ꢀꢀꢀꢀꢀꢀꢀ
(4)
其中，
x
表示残差块的输1入，
H(x)
表示残差块的输出，
F(x)
表示添加的恒等映射
。5.
根据权利要求4所述的基于多尺度时空图变换网络的海上风电功率预测方法，其特征在于，步骤
(42)
中所述空间特征提取子模块的具体步骤如下：
(421)
将区域内风电机组之间的位置信息抽象为图
G
＝
(V,E,A)
，其中
V
和
E
分别代表风电机组的节点和节点之间的连接，
A
是风电机组之间具有欧氏距离的邻接矩阵，矩阵中元素的具体计算式如下：其中
,v
i
和
v
j
代表区域内任意两个节点
i
和
j
，
(0,1)
表示两者之间的关联程度值
A
i,j
的大小在0～1范围内；
(422)
以在
t
时刻的图
G
中的输入数据为例，整个图的信号表示为
x∈g
N
×
C
，并且卷积核定义为
g
θ
(L)
，
g
θ
(L)
在傅里叶域中卷积的公式为：
g
θ
(L)*x
＝
Ug
θ
(U
T
x)
ꢀꢀꢀꢀꢀꢀ
(6)
其中，
θ
为模型的参数，
U
为归一化拉普拉斯矩阵的特征向量，
U
T
x
表示对
x
的傅里叶变换；通过卷积核
g
θ
提取图中每个节点的0到
(K
－
1)
阶邻域的信息；最后的卷积公式表示为：其中，为递归公式
T
k
(x)
＝
2T
k
‑1(x)
‑
T
k
‑2(x)
的最大特征值，其中
T0＝1，
T1＝
x
；
(423)
将得到的图卷积核作用在图
G
的每一个节点上，捕获到图中的一阶相邻信息；图卷积网络由一层混合膨胀卷积层和一层
Add
‑
Norm
共同构成，在图卷积之后添加一个前馈神经网络模块，空间特征提取子模块的前馈神经网络层表示为：
FFN(x
m
)
＝
max(0,x
m
W1+b1)W2+b2ꢀꢀꢀꢀꢀ
(8)
其中，
x
m
∈R
N
×
T
为输入矩阵
。6.
根据权利要求4所述的基于多尺度时空图变换网络的海上风电功率预测方法，其特征在于，所述步骤
(43)
包括以下步骤：
(431)
在时间维度上进行建模，变体
Transformer
网络由位置和时间嵌入模块与多头注意力模块两个部分组成；
(432)
对输入序列使用相对位置嵌入法，生成一个位置矩阵
D
p
，并将其整合到节点特征中，通过与相对位置编码类似的方式将时间嵌入为节点的特征，对采样的绝对时间进行编码；将日
、
小时和分钟分别编码为
D
d
、D
h
和
D
t
，然后求和作为最终的绝对时间嵌入
D
τ
：
D
τ
＝
D
d
+D
h
+D
t
ꢀꢀꢀꢀꢀ
(9)(433)
将时间序列数据的编码
X、
相对位置编码
D
...
【专利技术属性】
技术研发人员：钱诗婕，张楚，李茜，李燕妮，彭甜，孙娜，黄小龙，陈杰，王政，张学东，
申请(专利权)人：淮阴工学院，
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。