【技术实现步骤摘要】
本专利技术涉及风电功率预测的，特别涉及一种基于多时间尺度的风电功率预测方法及系统。
技术介绍
1、随着全球对清洁能源的需求不断增长，风能作为一种可持续的能源形式，其在能源结构中的占比日益提高，风电场的大规模建设和并网运行给电力系统的稳定运行和调度带来了诸多挑战，因此风电功率预测成为保障电力系统可靠性、经济性和安全性的关键技术之一。
2、风电功率具有显著的间歇性、波动性和不确定性，其受到多种复杂因素的影响，包括气象条件（如风速、风向、温度、气压等）、地形地貌以及风机本身的特性等，这些因素的动态变化使得风电功率在不同时间尺度上呈现出多样的变化规律，例如，在短期时间尺度（如分钟级到小时级）内，风速的快速波动会导致风电功率的剧烈变化；而在中长期时间尺度（如日级到周级），季节变化、天气系统的移动等因素则对风电功率产生更为缓慢但持续的影响。现有的风电功率预测方法往往难以充分捕捉风电功率在多时间尺度上的复杂变化特性，如一些基于单一模型或简单统计方法的风电功率预测方法，在面对风电功率的非线性和非平稳性时，预测精度有限，它们可能在某一特定时间尺度上表现尚可，但无法同时兼顾多个不同时间尺度的预测需求，难以满足现代电力系统精细化调度和管理的要求。此外，随着风电装机容量的不断增加，电力系统对风电功率预测的准确性和时效性要求越来越高。不准确的预测结果可能导致电力系统调度决策失误，如备用容量不足引发电力供应紧张，或者过多的备用容量造成资源浪费。同时，风电功率预测精度的提高也有助于降低风电并网成本，提高风电在电力市场中的竞争力，促进风能资源的更有
技术实现思路
1、为解决上述现有技术存在风电场风电功率预测精度低的问题，本专利技术提出一种基于多时间尺度的风电功率预测方法及系统，能够有效地提高风电场风电功率预测精度。
2、为了达到上述技术效果，本专利技术的技术方案如下：
3、一种基于多时间尺度的风电功率预测方法，包括以下步骤：
4、s1.获取风电场数据，对所述风电场数据进行预处理，得到历史时间序列数据；
5、s2.对所述历史时间序列数据进行多时间尺度分解，得到多时间尺度分解结果；
6、s3.将所述多尺度时间分解结果输入预设的风电功率预测模型，所述风电功率预测模型包括依次连接的多尺度图结构单元、自适应图卷积单元、跨尺度融合单元和预测单元；
7、s4.多尺度图结构单元根据所述多尺度时间分解结果构建多尺度图结构，输出多尺度图结构中目标节点的多跳邻居集合，自适应图卷积单元根据所述多跳邻居集合构建自适应邻接矩阵，利用所述自适应邻接矩阵更新节点表示，输出节点表示特征；跨尺度融合单元通过多头注意力机制对所述节点表示特征进行跨尺度融合，得到跨尺度融合结果；预测单元接收所述跨尺度融合结果，输出风电功率预测结果。
8、优选地，所述风电场数据包括风电功率、风速、风向、温度、湿度、大气压。
9、优选地，所述对所述风电场数据进行预处理，包括：
10、s101.去除所述风电场数据中的异常值，填补所述风电场数据中的缺失值，得到清洗填充数据；
11、s102.对清洗填充数据中的数值型数据采用min-max归一化方法映射到[0,1]区间，并对清洗填充数据中的风向数据进行余弦变换，得到数值型数据和风向数据的历史时间序列数据。
12、优选地，所述对所述历史时间序列数据进行多时间尺度分解，得到多时间尺度分解结果，包括：
13、s201.将所述历史时间序列数据进行拼接，得到l个时间步长，m个变量的张量，对所述张量用一维卷积进行位置嵌入和全局时间戳嵌入，得到嵌入时间序列数据的计算表达式如下：
14、
15、其中，表示用于平衡一维卷积和嵌入的权重比例，表示一维卷积，表示第一权重，表示第二权重， pe表示位置嵌入，表示全局时间戳嵌入；
16、s202.对所述嵌入时间序列数据进行快速傅里叶变换转化到频域，得到频域表示 f如下：
17、
18、其中，表示傅里叶变换；
19、s203.基于所述频域表示 f，计算显著频率对应平滑后的幅值谱的数学表达式如下：
20、
21、其中，smooth()表示滑动窗口滤波器，表示取幅值，表示从频域表示 f中提取显著频率对应的幅值；
22、s204.将所述幅值谱归一化为概率分布的计算表达式如下：
23、
24、根据概率分布，捕捉显著频率；
25、s205.基于所述显著频率，计算所述显著频率对应的时间尺度 si的数学表达式如下：
26、
27、其中，表示序列长度， k表示显著频率个数。
28、优选地，所述多尺度图结构单元根据所述多尺度时间分解结果构建多尺度图结构，输出多尺度图结构中目标节点的多跳邻居集合，包括：
29、s401.将所述嵌入时间序列数据按照所述时间尺度 si和所述显著频率进行重塑，得到重塑结果，将所述重塑结果根据所述时间尺度 si分解为 k个子序列，每一个子序列的计算表达式如下：
30、
31、其中，seg()操作表示通过窗口大小为滑动截取子序列，表示重塑结果；为每一个子序列添加频率特征标记，得到重塑特征数据xi的计算表达式如下：
32、
33、其中，表示显著频率分布，⊕表示特征连接操作；
34、s402.对所述重塑特征数据xi设定多尺度图结构，其中v表示节点集，e表示边集；
35、节点集v的计算表达式如下：
36、
37、其中，表示时间尺度的节点特征集合，的计算表达式如下：
38、
39、其中，表示第 i个时间尺度下，第个周期的时间节点特征矩阵；
40、s403.在节点和节点之间通过利用皮尔逊相关系数建立边，得到所述边集；
41、s404.通过遍历边集计算多尺度图结构中目标节点的多跳邻居集合，所述多跳邻居集合包括一跳邻居集合和两跳邻居集合。
42、优选地，计算所述跳邻居集合的步骤包括：遍历所述边集e，寻找所述边集e中所有满足的节点，组成一跳邻居集合的数学表达式如下：
43、
44、计算所述两跳邻居集合的步骤包括：对一跳邻居集合中的每个节点再次遍历所述边集e，寻找所有满足且的节点，组成两跳本文档来自技高网...
【技术保护点】
1.一种基于多时间尺度的风电功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多时间尺度的风电功率预测方法，其特征在于，所述对所述历史时间序列数据进行多时间尺度分解，得到多时间尺度分解结果，包括：
3.根据权利要求2所述的基于多时间尺度的风电功率预测方法，其特征在于，所述多尺度图结构单元根据所述多尺度时间分解结果构建多尺度图结构，输出多尺度图结构中目标节点的多跳邻居集合，包括：
4.根据权利要求3所述的基于多时间尺度的风电功率预测方法，其特征在于，计算所述跳邻居集合的步骤包括：遍历所述边集E，寻找所述边集E中所有满足的节点，组成一跳邻居集合的数学表达式如下：
5.根据权利要求4所述的基于多时间尺度的风电功率预测方法，其特征在于，所述自适应图卷积单元根据所述多跳邻居集合构建自适应邻接矩阵的数学表达式如下：
6.根据权利要求5所述的基于多时间尺度的风电功率预测方法，其特征在于，所述跨尺度融合单元通过多头注意力机制对所述节点表示特征进行跨尺度融合，得到跨尺度融合结果，包括：
7.根据权利要求5所
8.一种基于多时间尺度的风电功率预测系统，所述系统用于实现权利要求 1~7任意一项所述的基于多时间尺度的风电功率预测方法，其特征在于，包括：
...【技术特征摘要】
1.一种基于多时间尺度的风电功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多时间尺度的风电功率预测方法，其特征在于，所述对所述历史时间序列数据进行多时间尺度分解，得到多时间尺度分解结果，包括：
3.根据权利要求2所述的基于多时间尺度的风电功率预测方法，其特征在于，所述多尺度图结构单元根据所述多尺度时间分解结果构建多尺度图结构，输出多尺度图结构中目标节点的多跳邻居集合，包括：
4.根据权利要求3所述的基于多时间尺度的风电功率预测方法，其特征在于，计算所述跳邻居集合的步骤包括：遍历所述边集e，寻找所述边集e中所有满足的节点，组成一跳邻居集合的数学表达式如下：
5.根...
【专利技术属性】
技术研发人员：殷豪，胡家浩，罗功铺，谭钲霖，
申请(专利权)人：广东工业大学，
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。