新能源节点出力功率的预测方法技术

本申请实施例提供了一种新能源节点出力功率的预测方法

【技术实现步骤摘要】
新能源节点出力功率的预测方法、装置、设备及存储介质


[0001]本申请涉及一种功率的预测领域及新能源领域，特别是涉及新能源节点出力功率的预测方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]新能源包括光伏发电和风力发电等
。
其中新能源功率预测在低碳能源优化中具有重要的作用，通过对新能源出力功率的预测，提前调整对应策略，如功率过低就提前备好发电资源等
。
随着设备智能化水平的提升，对新能源智能设备的监控数据也能够有比较多的收集，这让新能源功率的预测能够比较准确的进行
。
新能源功率预测可以分为3类预测，短期预测如分钟级
、
小时级或者天级别；中期以及长期预测通常一周或者一个月以上
。
短期预测在预测中扮演更加重要的位置，主要原因在于其在负载响应，需求与供给管理，能源合约上有重要作用
。
[0003]相关技术提出通过学习功率在不同时间片之间的关联性实现新能源功率预测，例如传统的自回归滑动平均模型（
Auto
‑
RegressiveandMovingAverageModel
，
ARMA
）以及时间递归神经网络（
Long Short
‑
Term Memory
，
LSTM
）等这一类深度学习模型
。
然而，不同出力节点之间往往也会有很强的关联性，因此有相关技术提出利用图神经网络（
GraphNeuralNetwork
，
GNN
）实现居民负载学习，然而，
GNN
通常需要出力点之间的距离信息，从而形成图网络
。
在实际中，即使是距离比较近的出力点，也不代表关联性更强
。
例如，由于设备状态的差异，导致对风力的能量转化差距大
。
因此，仅仅考虑节点级别的图网络，并不一定能够全面地反映数据的空间特点
。
例如，同一区域的风力出力点，由于天气
、
地形地貌等比较相似，导致出力可能相关性比较大，但是其他区域差距较大
。

技术实现思路

[0004]有鉴于此，本申请提供一种新能源节点出力功率的预测方法
、
装置
、
设备及存储介质，旨在提高新能源出力点功率预测的准确性
。
[0005]第一方面，提供了一种新能源节点出力功率的预测方法，所述方法包括以下步骤：获取多个待测节点对应的特征数据，其中，每个所述待测节点对应的所述特征数据包括所述待测节点在多个历史时刻对应的特征值；对所述多个待测节点对应的特征数据进行聚类处理，得到第0尺度层的聚合特征；基于所述第0尺度层的聚合特征依次确定第1至第
M
尺度层的聚合特征，其中，第
m
尺度层的聚合特征根据第
m
‑1尺度层的聚合特征确定，
M
为大于或等于1的整数，
m=1
，2，
…
，
M
；将第0至第
M
尺度层的聚合特征分别与图邻接矩阵生成函数进行计算，得到第0至第
M
尺度层的图网络；将第0至第
M
尺度层的图网络作为初始的输入数据，分别输入到时空关联模型中，通过所述时空关联模型进行
L
轮的时空特征融合处理，得到第0至第
M
尺度层的时空融合向
量，其中，第轮时空特征融合处理中第
m
尺度层的输入数据根据第轮时空特征融合处理中第
m
尺度层的输出数据和第
m
‑1尺度层的输出数据确定，
L
为大于1的整数，
=1
，2，
…
，
L
；
[0006]根据第0至第
M
尺度层的时空融合向量和预设的注意力机制，确定各个所述待测节点对应的出力功率预测结果
。
[0007]进一步地，所述时空关联模型包括空间关联模型和时序关联模型，所述时空特征融合处理包括：通过所述空间关联模型对所述输入数据进行空间关联处理，得到空间融合向量；通过所述时序关联模型对所述空间融合向量进行时序关联处理，得到所述输出数据；其中，第0至第
M
尺度层的时空融合向量根据最后一轮时空特征融合处理中第0至第
M
尺度层对应的输出数据获得
。
[0008]进一步地，根据第0至第
M
尺度层的时空融合向量和预设的注意力机制，确定各个所述待测节点对应的出力功率预测结果，包括：根据第0至第
M
尺度层的时空融合向量和预设的注意力机制，确定每个所述待测节点对应于第0至第
M
尺度层的第一关联向量；对于每个所述待测节点，根据所述待测节点对应于第0至第
M
尺度层的第一关联向量，确定所述待测节点对应的第二关联向量；对于每个所述待测节点，根据所述待测节点对应的第二关联向量，确定所述待测节点的出力功率预测结果
。
[0009]进一步地，所述第一关联向量根据以下公式计算得到：；
[0010]所述第二关联向量根据以下公式计算得到：；
[0011]其中，表示节点
i
对应于第
m
尺度层的第一关联向量，表示注意力机制中的相关权重稀疏，表示第
m
尺度层中经过
L
轮时空特征融合处理后输出的节点
j
的时空融合向量，表示第0尺度层经过
L
轮时空特征融合处理后输出的节点
i
的时空融合向量，表示第
m
尺度层对应的节点数量，表示节点的第二关联向量，函数表示通过多层感知机制对节点
i
对应的多个第一关联向量的拼接
。
[0012]进一步地，所述第轮时空特征融合处理中第
m
尺度层的输入数据根据以下公式计算得到：
[0013]；
[0014]其中，表示第轮时空特征融合处理中第
m
尺度层的输入数据，表示第
m
‑1尺度层的输出数据和第
m
尺度层的输出数据之间的权重系数，表示第
m
尺度层在第1‑1轮时空特征融合处理的输出数据，表示第
m
‑1尺度层在第1轮时空特征融合处理的输出数据
。
[0015]进一步地，所述时空关联模型通过以下方式训练得到：获取训练数据，所述训练数据包括多个样本节点的样本特征数据和每个所述样本节点对应的标注标签，每个所述样本节点对应的所述样本特征数据包括所述样本节点在多个历史时刻对应的样本特征值；对所述多个样本节点对应的样本特征数据进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种新能源节点出力功率的预测方法，其特征在于，所述方法包括：获取多个待测节点对应的特征数据，其中，每个所述待测节点对应的所述特征数据包括所述待测节点在多个历史时刻对应的特征值；对所述多个待测节点对应的特征数据进行聚类处理，得到第0尺度层的聚合特征；基于所述第0尺度层的聚合特征依次确定第1至第
M
尺度层的聚合特征，其中，第
m
尺度层的聚合特征根据第
m
‑1尺度层的聚合特征确定，
M
为大于或等于1的整数，
m=1
，2，
…
，
M
；将第0至第
M
尺度层的聚合特征分别与图邻接矩阵生成函数进行计算，得到第0至第
M
尺度层的图网络；将第0至第
M
尺度层的图网络作为初始的输入数据，分别输入到时空关联模型中，通过所述时空关联模型进行
L
轮的时空特征融合处理，得到第0至第
M
尺度层的时空融合向量，其中，第轮时空特征融合处理中第
m
尺度层的输入数据根据第轮时空特征融合处理中第
m
尺度层的输出数据和第
m
‑1尺度层的输出数据确定，
L
为大于1的整数，
=1
，2，
…
，
L
；根据第0至第
M
尺度层的时空融合向量和预设的注意力机制，确定各个所述待测节点对应的出力功率预测结果
。2.
根据权利要求1所述的方法，其特征在于，所述时空关联模型包括空间关联模型和时序关联模型，所述时空特征融合处理包括：通过所述空间关联模型对所述输入数据进行空间关联处理，得到空间融合向量；通过所述时序关联模型对所述空间融合向量进行时序关联处理，得到所述输出数据；其中，第0至第
M
尺度层的时空融合向量根据最后一轮时空特征融合处理中第0至第
M
尺度层对应的输出数据获得
。3.
根据权利要求1所述的方法，其特征在于，根据第0至第
M
尺度层的时空融合向量和预设的注意力机制，确定各个所述待测节点对应的出力功率预测结果，包括：根据第0至第
M
尺度层的时空融合向量和预设的注意力机制，确定每个所述待测节点对应于第0至第
M
尺度层的第一关联向量；对于每个所述待测节点，根据所述待测节点对应于第0至第
M
尺度层的第一关联向量，确定所述待测节点对应的第二关联向量；对于每个所述待测节点，根据所述待测节点对应的第二关联向量，确定所述待测节点的出力功率预测结果
。4.
根据权利要求3所述的方法，其特征在于，所述第一关联向量根据以下公式计算得到：；所述第二关联向量根据以下公式计算得到：；其中，表示节点
i
对应于第
m
尺度层的第一关联向量，表示注意力机制中的相关权重稀疏，表示第
m
尺度层中经过
L
轮时空特征融合处理后输出的节点
j
的时空融合向量，表示第0尺度层经过
L
轮时空特征融合处理后输出的节点
i
的时空融合向量，表示
第
m
尺度层对应的节点数量，表示节点的第二关联向量，函数表示通过多层感知机制对节点
i
对应的多个第一关联向量的拼接
。5.
根据权利要求1所述的方法，其特征在于，所述第轮时空特征融合处理中第
m
尺度层的输入数据根据以下公式计算得到：；其中，表示第轮时空特征融合处理中第
m
尺度层的输入数据，表示第
m
‑1尺度层的输出数据和第
m
尺度层的输出数据之间的权重系数，表示第
m
尺度层在第1‑1轮时空特征融合处理的输出数据，表示第
m
‑1尺度层在第1轮时空特征融合处理的输出数据
。6.
根据权利要求1所述的方法，其特征在于，所述时空关联模型通过以下方式训练得到：获取训练数据，所述训练数据包括多个样本节点的样本特征数据和每个所述样本节点对应的标注标签，每个所述样本节点对应的所述样本特征数据包括所述样本节点在多个历史时刻对应的样本特征值；对所述多个样本节点对应的样本特征数据进行聚合处理，得到第0尺度层的聚合特征；基于所述第0尺度层的聚合特征依次确定第1至第
M
尺度层的聚合特征，其中，第...

【专利技术属性】
技术研发人员：张亮，雷顺波，朱光旭，史清江，
申请(专利权)人：深圳市大数据研究院，
类型：发明
国别省市：