【技术实现步骤摘要】
本专利技术涉及电力系统预测与控制的，特别涉及一种海上风电功率爬坡预测方法及系统。
技术介绍
1、由于风能本身清洁、丰富、环保的特点，在世界许多国家的能源发展中所占比例不断增加，而海上风电场具有不消耗土地资源、风速高、粉尘零排放等优点，与陆上风电场相比，海上风电场的能源效率高20%-40%，更适合大规模开发。但是，海上风力发电容易受到众多因素的影响，导致海上风力发电的不确定性，会给电力系统的调度和运行带来一些不利影响，因此，准确的海上风电功率预测对电力系统安全稳定运行具有重要意义。
2、现有海上风电功率爬坡预测方法多基于统计学模型或时间序列分析模型，这些方法在捕捉单一维度特征方面具有一定优势，如时间序列分析能够揭示风电功率随时间变化的趋势，然而，风电功率的变化是一个复杂的过程，它涉及风速、风向、温度、湿度等多个维度特征的交互作用，现有的预测方法往往难以全面反映多维特征之间的复杂交互作用，限制了预测精度的提升。此外，风电功率爬坡事件是风电功率变化中的一种特殊情况，它指的是风电功率在短时间内发生显著变化的现象，由于爬坡事件发生频率较低，导致相关样本数据相对稀缺，这使得在预测海上风电功率爬坡事件时，面临着数据不足的问题，进而影响了风电功率爬坡事件的预测精度和鲁棒性。
技术实现思路
1、为解决上述现有技术存在风电功率爬坡事件预测精度低的问题，本专利技术提出一种海上风电功率爬坡预测方法及系统，有效提高了风电功率爬坡事件预测精度。
2、为了达到上述技术效果，本专利技术的技
3、一种海上风电功率爬坡预测方法，包括以下步骤：
4、s1.获取海上风电场的多源数据集；
5、s2.对所述多源数据集进行预处理，得到气象驱动因子、风电功率的时间戳和海上风电场的地理特征信息；
6、s3.将所述气象驱动因子、所述风电功率、所述时间戳和所述地理特征信息整理成统一格式的爬坡数据，对所述爬坡数据进行扩充，得到爬坡数据集；
7、s4.构建用于预测风电功率爬坡事件的多维协同图感知网络；
8、s5.利用所述爬坡数据集对所述多维协同图感知网络进行训练，得到训练好的多维协同图感知网络；
9、s6.采集海上风电场的待预测多源数据集，将所述待预测多源数据集输入训练好的多维协同图感知网络，输出风电功率爬坡事件的预测结果。
10、优选地，所述多源数据集包括风电功率时序数据、天气预报数值数据和地理条件数据，所述天气预报数值数据包括风速、风向、气压、湿度、温度和降水量，所述地理条件数据包括各风机的经纬度和海拔。
11、优选地，所述对所述多源数据集进行预处理，包括：
12、s21.利用皮尔逊相关系数法计算多源数据集中每个气象特征与爬坡事件目标值的相关性，得到皮尔逊相关系数的计算表达式如下：
13、
14、其中，r表示当前的气象参数对应的皮尔逊相关系数，表示第i个时间点某气象特征的归一化后的值，表示第i个时间点对应的风电功率变化率值，表示气象特征的平均值，表示风电功率变化率的均值，n表示数据点的总数；
15、s22.根据皮尔逊相关系数，提取所述天气预报数值数据中与风电功率相关性高的气象因素数据为气象驱动因子m、风电功率时序数据的时间戳t和与风电功率关系紧密的海上风电场的地理特征信息g。
16、优选地，所述对所述爬坡数据进行扩充，得到爬坡数据集，包括：
17、s31.将所述气象驱动因子、所述风电功率、所述时间戳和所述地理特征信息整理成格式为时间戳t-气象驱动因子m-地理特征信息g-风电功率p的统一格式的爬坡数据，将所述爬坡数据按时间戳t对齐，使得每一行都同时包含某一时间戳t上的气象驱动因子m、地理特征信息g和风电功率p，得到数据矩阵的表达式如下：
18、
19、其中，tn表示第n行的时间戳，mn表示第n行的气象驱动因子，gn表示第n行的地理特征信息，pn表示第n行的风电功率；
20、s32.将所述数据矩阵输入预设的用于时间序列生成的对抗网络timegan，所述对抗网络timegan包括生成器和判别器，所述生成器接收所述数据矩阵，生成新的时间序列数据输入至所述判别器，所述判别器接收所述时间序列数据，输出所述时间序列数据其是否符合真实数据的分布和规律的判别结果；
21、s33.将所述判别结果与所述爬坡数据按照特定比例进行纵向拼接，得到所述爬坡数据集。
22、优选地，所述多维协同图感知网络包括网络输入层、节点内注意力学习层、节点间注意力学习层、特征整合层、多层感知机，所述网络输入层连接节点内注意力学习层的输入端，节点内注意力学习层的输出端连接节点间注意力学习层的输入端，节点间注意力学习层的输出端连接特征整合层的输入端，特征整合层的输出端连接多层感知机的输入端，多层感知机的输出端输出风电功率爬坡事件的预测结果。
23、优选地，所述构建用于预测风电功率爬坡事件的多维协同图感知网络，包括：
24、s41.利用所述爬坡数据组成多维协同图，所述多维协同图包括四个大节点和动态边，所述四个大节点分别为时间戳t、象驱动因子m、地理特征信息g和风电功率p，每个大节点中包括若干个小节点，每一个小节点用于表示大节点的具体子特征，所述动态边由节点内边和节点间边构成，节点内边表示着同一大节点内中小节点之间的关系，节点间边表示着不同大节点之间的关系，将所述多维协同图通过所述网络输入层输入节点内注意力学习层；
25、s42.所述节点内注意力学习层通过节点内注意力学习对所述多维协同图进行节点内边权重调整，得到在路径下进行一轮信息传递后大节点的特征向量的计算表达式如下：
26、
27、其中，表示softmax激活函数，表示在路径下小节点传递到大节点的注意力，表示在路径下大节点中小节点的集合，表示大节点中小节点的节点内注意力特征；
28、s43.根据所述特征向量，所述节点间注意力学习层通过节点间注意力学习对所述多维协同图进行节点间边权重调整，得到经过所述多维协同图网络一次后的节点特征向量集合的计算表达式如下：
29、
30、其中， p表示路径 l的总数，表示第 p条路径 l，代表在第 p条路径 l下的所有大节点的集合，代表经过多维协同图网络一次后的节点特征向量集合，表示归一化后的节点间注意力；
31、s43.所述特征整合层将节点特征向量集合整合为全局图进行表征输入至所述多层感知机；
32、s44.所述多层感知机接收所述全局图，将大小节点之间的联系与风电功率爬坡事件进行映射，输出风电功率爬坡事件的预测结果。
33、优选地，所述多层感知机包括依本文档来自技高网...
【技术保护点】
1.一种海上风电功率爬坡预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的海上风电功率爬坡预测方法，其特征在于，所述多源数据集包括风电功率时序数据、天气预报数值数据和地理条件数据，所述天气预报数值数据包括风速、风向、气压、湿度、温度和降水量，所述地理条件数据包括各风机的经纬度和海拔。
3.根据权利要求2所述的海上风电功率爬坡预测方法，其特征在于，所述对所述多源数据集进行预处理，包括：
4.根据权利要求3所述的海上风电功率爬坡预测方法，其特征在于，所述对所述爬坡数据进行扩充，得到爬坡数据集，包括：
5.根据权利要求4所述的海上风电功率爬坡预测方法，其特征在于，所述多维协同图感知网络包括网络输入层、节点内注意力学习层、节点间注意力学习层、特征整合层、多层感知机，所述网络输入层连接节点内注意力学习层的输入端，节点内注意力学习层的输出端连接节点间注意力学习层的输入端，节点间注意力学习层的输出端连接特征整合层的输入端，特征整合层的输出端连接多层感知机的输入端，多层感知机的输出端输出风电功率爬坡事件的预测结果。
6.根据
7.根据权利要求6所述的海上风电功率爬坡预测方法，其特征在于，所述多层感知机包括依次连接的输入层、隐藏层和输出层，所述输入层到隐藏层的计算公式为：
8.根据权利要求1所述的海上风电功率爬坡预测方法，其特征在于，所述输出预测结果的判别的标准如下：
9.根据权利要求1所述的海上风电功率爬坡预测方法，其特征在于，所述利用所述爬坡数据集对所述多维协同图感知网络进行训练，包括：
10.一种海上风电功率爬坡预测系统，其特征在于，包括：
...【技术特征摘要】
1.一种海上风电功率爬坡预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的海上风电功率爬坡预测方法，其特征在于，所述多源数据集包括风电功率时序数据、天气预报数值数据和地理条件数据，所述天气预报数值数据包括风速、风向、气压、湿度、温度和降水量，所述地理条件数据包括各风机的经纬度和海拔。
3.根据权利要求2所述的海上风电功率爬坡预测方法，其特征在于，所述对所述多源数据集进行预处理，包括：
4.根据权利要求3所述的海上风电功率爬坡预测方法，其特征在于，所述对所述爬坡数据进行扩充，得到爬坡数据集，包括：
5.根据权利要求4所述的海上风电功率爬坡预测方法，其特征在于，所述多维协同图感知网络包括网络输入层、节点内注意力学习层、节点间注意力学习层、特征整合层、多层感知机，所述网络输入层连接节点内注意力学习层的输入端，节点内注意力学习层的...
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。