System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于新能源、图像识别、机器学习、卷积神经网络、人工智能和电力系统领域,涉及图卷积神经网络方法,适用于风电场风电功率及其概率预测。
技术介绍
1、现有用于风电功率预测的物理方法,存在对系统误差敏感、计算过程复杂和计算准确度低的问题,不能满足风电功率预测需求的问题。
2、另外,现有用于风电功率预测的神经网络方法,存在结构单一、应对不同环境条件的能力较差、不具有通用性、预测准确度低和不能对风电功率的概率进行预测的问题。
3、因此,提出一种图卷积网络informer平行模型的风电功率及其概率预测方法,来解决风电功率预测对系统误差敏感、计算过程复杂、准确度低、模型不具有通用性和不能对风电功率的概率进行预测的问题。
技术实现思路
1、一种图卷积网络informer平行模型的风电功率及其概率预测方法,各项数据通过unet网络进行处理,将数据合并排列为图片后输入fastgcn得到风电功率的预测值。将历史风电出力数据进行微分和积分处理,输入informer网络模型得到预测的风电功率的概率。综合运用多种模型,具有精准预测风电功率及其概率的效果。有利于电网根据预测结果,及时调用备用发电机组发电上网,平抑风电波动性对电网的冲击,保证电网平稳运行,在使用过程中的步骤为:
2、步骤(1):对风电场温度、风速、风向、湿度、气压、空气密度、降水量、空气质量和历史风电功率数据进行连续7天采样,每次采样间隔15分钟,共采集7×24×4组数据;
3、步骤(2):
4、
5、其中,xn为温度、风速、风向、湿度、气压、空气密度、降水量、空气质量和历史风电功率数据,e表示自然常数;
6、步骤(3):将归一化处理后的风速、风向和历史风电功率输入到unet网络中,通过池化、反卷积、跳跃连接和特征融合操作得到预测1天中每15分钟1组的发电机组状态参数yn,发电机组状态参数yn包含发电机转速、风轮转速、齿轮箱油温、主轴的叶轮侧轴承温度和发电机绕组温度,共24×4组数据;
7、步骤(4):将步骤(3)得到的数据通过sigmoid函数进行归一化处理,归一化后的数据mn为:
8、
9、其中,yn为步骤(3)预测得到的发电机组状态参数;
10、步骤(5):将步骤(2)与步骤(4)获得的数据合并为集合k,kn表示集合k中的第n个元素,对k中的元素进行归一化处理得到集合k′,处理后集合k′中的元素k′n为:
11、k′n=kn×255 (3)
12、其中,kn表示集合k中的第n个元素,k′n表示集合k′中的第n个元素;
13、对k′n向下取整,使集合k′中所有元素均为0-255的整数;
14、步骤(6):只保留集合k′中前6348个元素,将这些元素排列为46×46大小的矩阵a1、a2、a3,排列后矩阵a1为:
15、
16、其中,k′1为集合k′中的第1个元素,k′46为集合k′中的第46个元素,k′2071为集合k′中的第2071个元素,k′2116为集合k′中的第2116个元素;
17、排列后矩阵a2为:
18、
19、其中,k′2117为集合k′中的第2117个元素,k′1162为集合k′中的第2162个元素,k′4187为集合k′中的第4187个元素,k′4232为集合k′中的第4232个元素;
20、排列后矩阵a3为:
21、
22、其中,k′4233为集合k′中的第4233个元素,k′4278为集合k′中的第4278个元素,k′6303为集合k′中的第6303个元素,k′6248为集合k′中的第6348个元素;
23、步骤(7):将矩阵a1、a2和a3相同位置的值分别作为图片在该像素点位置的红色、绿色和蓝色的值,生成大小为46×46的红绿蓝三色rgb图片;
24、步骤(8):将步骤(7)所得的红绿蓝三色rgb图片输入fastgcn,卷积层中卷积核进行卷积操作,提取图像中的特征信息,将得到的数据输入激活层,通过激活函数进行非线性变换,池化层对特征图进行降采样,重复5次卷积层、激活层和池化层的操作,提取充足的特征信息,将特征信息输入全连接层中分类,得到预测的风电功率;
25、步骤(9):将历史风电功率数据进行积分运算,历史风电功率数据经积分运算得到的数据w为:
26、
27、其中,t为时间,t0为t的最大值,q(t)为历史风电功率数据;
28、步骤(10):将历史风电功率数据进行微分运算,历史风电功率数据经微分运算得到的数据q′(t)为:
29、
30、其中,q(t)为历史风电功率数据;
31、步骤(11):将步骤(10)得到的数据q′(t)进行微分运算,q′(t)经微分运算得到的数据q″(t)为:
32、
33、其中,q′(t)为历史风电功率数据q(t)经过1次微分运算后得到的数据;
34、步骤(12):将步骤(11)得到的数据q″(t)进行微分运算,q″(t)经微分运算得到的数据q″′(t)为:
35、
36、其中,q″(t)为q′(t)经过2次微分运算后得到的数据;
37、步骤(13):将历史风电功率数据q(t)及其积分得到的数据w和每次微分得到的数据q′(t)、q″(t)和q″′(t)以长序列的形式输入informer网络模型,长序列经过预处理转化为特征向量后,输入informer网络模型的编码器,通过transformer模型的编码方式进行位置编码,将序列的时间嵌入特征向量,第2i个向量的编码结果pe(pos,2i)为:
38、
39、其中,sin()为正弦函数,dmodel为输入的特征维度,pos为编码值在整个序列中的位置,2i为编码值的序号;
40、第2i+1个向量编码的结果pe(pos,2i+1)为:
41、
42、其中,cos()为余弦函数,2i+1为编码值的序号,2i为编码值序号减1得到的值;
43、拼接特征向量得到输入序列的特征矩阵y,特征矩阵y的大小为l×d,其中l为序列长度,d为单个样本的维度;
44、查询向量q为:
45、q=ywq (13)
46、其中,y为输入序列的特征矩阵,wq为informer网络模型经训练得到的矩阵;
47、键向量k为:
48、k=ywk (14)
49、其中,wk为informer网络模型经训练得到的矩阵;
50、值向量v为:
...
【技术保护点】
1.一种图卷积网络Informer平行模型的风电功率及其概率预测方法,其特征在于,采用UNet网络对风速、风向和历史风电功率数据进行处理,将UNet网络输出的发电机转速、风轮转速、齿轮箱油温、主轴的叶轮侧轴承温度和发电机绕组温度预测值合并排列为图片后输入FastGCN得到风电功率的预测值;将历史风电出力数据进行微分和积分处理,输入Informer网络模型得到预测的风电功率的概率;综合运用Informer网络模型、UNet网络模型和FastGCN,具有精准预测风电功率及其概率的效果;在使用过程中的步骤为:
【技术特征摘要】
1.一种图卷积网络informer平行模型的风电功率及其概率预测方法,其特征在于,采用unet网络对风速、风向和历史风电功率数据进行处理,将unet网络输出的发电机转速、风轮转速、齿轮箱油温、主轴的叶轮侧轴承温度和发电机绕组温度预测值合并排列为图片后输入...
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。