区域耦合时空演化下的风电极端爬坡事件识别方法及系统与流程

摘要: 本发明涉及风电场极端事件识别,具体涉及区域耦合时空演化下的风电极端爬坡事件识别方法及系统。背景技术:1、随着新能源渗透率的持续提升,风力发电受天气系统影响存在显...
区域耦合时空演化下的风电极端爬坡事件识别方法及系统与流程

本发明涉及风电场极端事件识别,具体涉及区域耦合时空演化下的风电极端爬坡事件识别方法及系统。

背景技术:

1、随着新能源渗透率的持续提升,风力发电受天气系统影响存在显著的功率波动性,其中风电极端爬坡事件易对电网频率稳定、线路传输容量及调度计划造成冲击,甚至引发安全事故,因此对其精准识别与预警成为电网安全运行的关键需求。现有技术多基于单一风电场历史功率数据进行爬坡事件分析,未充分考虑目标区域内风电场之间因风能传播形成的时空耦合关系,导致极端功率波动预测精度不足;同时,传统方法多依赖固定阈值判定事件,缺乏对预测结果置信度、事件强度范围及发生时间窗口的量化输出,难以满足电网精细化调度对风险预警的多样化需求。

2、综上,现有技术存在难以结合区域风电场时空耦合关系,导致极端功率波动预测精度不足,极端爬坡事件判定缺乏置信度的技术问题。

技术实现思路

1、为了克服现有技术的上述缺陷,本技术的目的在于提供一种区域耦合时空演化下的风电极端爬坡事件识别方法及系统,解决现有技术中难以结合区域风电场时空耦合关系,导致极端功率波动预测精度不足,极端爬坡事件判定缺乏置信度的技术问题,实现风电极端爬坡事件的精准识别与全维度风险预警。为此,本发明采取以下技术方案:

2、第一方面,本发明提供一种区域耦合时空演化下的风电极端爬坡事件识别方法,其包括以下步骤:

3、s100:获取目标区域内各风电场的历史功率数据与历史天气预报数据;

4、s200:基于所述历史天气预报数据,计算风能在任意两个风电场之间的传播路径与理论时滞,构建以风电场为节点的初始邻接矩阵;

5、s300:基于所述历史功率数据计算各风电场功率数据间的时滞互相关性,根据时滞互相关性计算结果对所述初始邻接矩阵进行加权修正,生成动态演化的时空耦合图序列;

6、s400:将所述时空耦合图序列及各风电场的节点特征输入至预训练的双流自适应时空超图网络中,提取时空融合特征,基于所述时空融合特征获取未来时段内各风电场功率的预测分位数,所述预测分位数包括第10分位数、第50分位数和第90分位数;

7、s500:根据所述预测分位数计算对应功率爬坡率,并结合动态爬坡阈值判定是否发生极端爬坡事件,同时输出事件的置信度、强度范围及预计发生时间窗口。

8、本技术方案有效克服了现有技术中仅依赖单一风电场历史数据、忽视区域风电场之间因风能传播形成的时空耦合关系所导致的极端功率波动预测精度不足的技术缺陷,通过物理机理与数据驱动的双重融合建模,显著提升了风电场功率预测的准确性与鲁棒性。同时,基于多分位数的爬坡率计算与动态阈值判定机制,不仅实现了极端爬坡事件的高精度识别,还首次提供了事件置信度、强度区间及发生时间窗口的多维量化输出,解决了传统固定阈值判定方法缺乏置信度评估的问题,为电网调度部门制定差异化风险应对策略提供了更为全面、可靠的决策依据,有力保障了高比例风电接入下的电网安全稳定运行。

9、作为优选技术手段:步骤s200具体包括:

10、s210:针对目标区域内任意两个风电场,分别记为第一风电场与第二风电场,根据所述历史天气预报数据在时间t的风向场,判断是否存在从第一风电场到第二风电场的风能传播路径;

11、s220:若判定存在所述传播路径,则根据第一风电场与第二风电场之间的地理距离、以及传播路径对应的平均风速,计算风能从第一风电场传播至第二风电场的理论时滞δt;

12、s230:以第一风电场与第二风电场为节点,以所述理论时滞δt作为第一风电场指向第二风电场的有向边的核心权值,构建对应有向边;

13、s240:遍历目标区域内所有风电场节点对,完成全部有向边的构建,生成所述初始邻接矩阵。

14、本技术方案基于风能传播的物理机理,以风向场为核心依据判定风电场之间的传播路径,结合地理距离与平均风速量化理论时滞,构建有向图拓扑结构,使初始邻接矩阵具备明确的物理可解释性,还原了区域内风能传播的时序与空间关联逻辑,为后续风电场时空耦合关系的建模奠定了准确、可靠的先验拓扑基础。从气象机理层面刻画了风能传播的方向性与时间延迟特征,为后续构建时空耦合图提供了符合物理规律的结构化基础,避免了仅依赖数据相关性可能引入的伪关联,提升了区域风电场耦合关系建模的物理可解释性与准确性。

15、作为优选技术手段:步骤s300具体包括:

16、s310:将所述历史功率数据按预设时间间隔划分为多个连续的子时间片,得到各子时间片下的风电场功率数据;

17、s320:针对每一个子时间片,执行以下操作:

18、s321:计算该子时间片内任意两个风电场的历史功率序列在时滞τ下的互相关系数ρ(τ);

19、s322:寻找使所述互相关系数ρ(τ)取得最大值的时滞τ_max,将所述时滞τ_max与对应节点对的理论时滞δt进行对比验证,计算二者的绝对差值;

20、s323:根据所述绝对差值与预设容差阈值的对比结果确定加权因子,将加权因子与初始邻接矩阵中对应有向边的权值融合,得到该子时间片下的融合边权集合;

21、s324:基于所述融合边权集合修正初始邻接矩阵,生成该子时间片对应的动态时空耦合图;

22、s330:将所有子时间片对应的动态时空耦合图按时间先后顺序进行序列化组合,得到所述动态演化的时空耦合图序列。

23、本技术方案通过子时间片的划分,实现了对风电场之间时空耦合关系的分时段精细化刻画。基于功率序列的时滞互相关性挖掘风电场之间的实际功率关联规律,以此对先验拓扑进行加权修正,能够精准捕捉风电场之间耦合关系的时变特性,解决了传统静态拓扑无法适配风能传播动态变化的问题。既保留了风能传播的时序逻辑,又反映了实际功率波动的动态关联规律,最终生成的时空耦合图序列能够更真实地刻画区域风电场耦合关系随时间的演化过程,为后续时空特征提取提供高质量的动态图结构输入。

24、作为优选技术手段:根据绝对差值与预设容差阈值的对比结果确定加权因子,具体为:

25、若所述绝对差值小于或等于所述预设容差阈值,则将所述加权因子确定为互相关系数ρ(τ)的最大值;

26、若所述绝对差值大于所述预设容差阈值,则将所述加权因子确定为反向抑制系数与互相关系数ρ(τ)的最大值的乘积,其中,反向抑制系数为小于1的数值,且与绝对差值成反比。

27、本技术方案通过设定容差阈值,并根据数据驱动时滞与理论时滞的吻合程度分情形确定加权因子,当二者吻合时直接采用互相关系数最大值以强化高置信度关联,当存在偏差时引入与偏差程度成反比的反向抑制系数进行权重削弱。有效降低了因局部气象扰动、地形影响等因素导致的时滞偏差对图结构边权的不利影响,保证了时空耦合图中边权的合理性与鲁棒性,从而提升了后续极端爬坡事件预测模型输入数据的质量。

28、作为优选技术手段:所述双流自适应时空超图网络包括时序分支和空间分支,其中,时序分支采用因果空洞卷积捕获长程极端时序依赖,空间分支采用超图卷积挖掘多尺度区域耦合模式;步骤s400中,所述提取时空融合特征,具体包括:

29、s410:将所述时空耦合图序列及各风电场的节点特征输入至时序分支,通过多个并行、且具有不同空洞率的因果空洞卷积层,捕获不同时间尺度下的时序依赖特征并进行拼接,得到每个风电场节点的多尺度时序特征;

30、s420:将所述时空耦合图序列及各风电场的节点特征输入至空间分支,通过超图卷积操作挖掘区域风电场的多尺度空间耦合模式,输出每个风电场节点经超图卷积增强后的空间特征;

31、s430:将每个风电场节点对应的多尺度时序特征与空间特征进行自适应加权融合,生成所述时空融合特征。

32、本技术方案采用双流并行的网络架构,通过时序分支与空间分支分别独立提取对应维度特征,避免了串行架构带来的特征相互干扰问题;因果空洞卷积可在不引入未来信息的前提下,捕获极端爬坡事件的长程时序依赖,超图卷积突破了传统图卷积的局限,可有效挖掘多风电场之间的高阶空间耦合关系,最终通过自适应融合生成的时空融合特征,兼具时间动态性与空间关联性,大幅提升了特征表达的精准度与有效性,为准确预测多分位数功率提供了更为丰富和精准的特征表达,有效提升了对极端功率波动事件的感知能力。

33、作为优选技术手段:步骤s400中获取未来时段内各风电场功率的预测分位数,具体包括:

34、s440:确定预设目标分位数为第10分位数、第50分位数和第90分位数;

35、s450:构建双流自适应时空超图网络的回归输出层,回归输出层基于非对称分位数回归损失函数,利用所述预设目标分位数进行预训练;

36、s460:通过预训练完成的回归输出层对所述时空融合特征进行非线性映射分析,生成未来时段内各风电场功率的第10分位数、第50分位数和第90分位数预测结果。

37、本技术方案通过设定第10、第50和第90分位数作为预测目标,并采用非对称分位数回归损失函数对回归输出层进行预训练,使得网络能够同时输出未来功率的中心趋势及极端波动边界。将传统的点预测扩展为概率性区间预测,不仅提供了最可能的功率变化情景,还量化了悲观与乐观极端情景下的功率波动范围,为后续从多情景角度判定极端爬坡事件提供了量化依据,增强了事件识别的全面性与风险预警能力。

38、作为优选技术手段:步骤s450中通过非对称分位数回归损失函数训练回归输出层,具体包括:

39、采集覆盖常规功率波动与极端爬坡事件场景的训练样本集,所述训练样本集包括历史时空耦合图序列、风电场节点特征及对应时段的实际功率值;

40、构建回归输出层的网络结构,以训练样本集的时空耦合图序列与风电场节点特征为输入、对应时段的实际功率值为标签进行训练,计算各预设目标分位数下预测值与真实值之间的分位数损失;

41、根据训练样本集中的历史功率数据,计算每个时间点的瞬时爬坡率;

42、当所述瞬时爬坡率的绝对值超过预设敏感性阈值时,为该时间点的分位数损失赋予大于1的惩罚权重,以各分位数损失与对应惩罚权重的加权和构建非对称分位数回归损失函数,迭代训练回归输出层至收敛。

43、本技术方案在训练回归输出层时,通过计算瞬时爬坡率识别历史数据中的极端爬坡时刻,并对这些关键时刻的预测损失施加额外的惩罚权重。使得模型在训练过程中对极端爬坡事件样本更加敏感,能够优先学习极端场景下的特征映射规律,从而显著提升模型对未来极端功率波动(尤其是爬坡事件)的预测精度,克服了传统损失函数对常规样本与极端样本同等对待导致极端事件预测能力不足的缺陷。

44、作为优选技术手段:步骤s500具体包括:

45、s510:获取适配目标区域电网运行工况与风电场运行特性的动态爬坡阈值;

46、s520:根据第50分位数预测功率计算基准爬坡率r50,根据第10分位数预测功率计算悲观情景爬坡率r10,根据第90分位数预测功率计算乐观情景爬坡率r90;

47、s530:按照以下逻辑进行极端爬坡事件判定:

48、若所述基准爬坡率r50的绝对值超过所述动态爬坡阈值,判定为高置信度极端爬坡事件;

49、若所述基准爬坡率r50的绝对值未超过动态爬坡阈值,但所述悲观情景爬坡率r10或乐观情景爬坡率r90的绝对值超过所述动态爬坡阈值,判定为低置信度高风险极端爬坡事件;

50、若上述条件均不满足,判定为无极端爬坡事件;

51、s540:基于判定结果,同步输出事件的置信度等级、以r10、r50、r90数值区间表征的事件强度范围,以及事件的预计发生时间窗口。

52、本技术方案基于多分位数预测结果,分别计算基准情景、悲观情景和乐观情景下的功率爬坡率,并结合动态爬坡阈值进行分级判定。不仅能够识别确定性高的极端爬坡事件(高置信度),还能预警虽基准情景正常但极端情景下存在剧烈波动风险的潜在事件(低置信度高风险),同时输出置信度等级、强度区间及预计时间窗口。分层判定与多维信息输出机制,为电网调度部门提供了从“确定性预警”到“可能性预警”的全维度决策支持,有助于制定差异化的风险应对策略,提升电网运行的安全性与经济性。

53、第二方面,本发明提供了一种区域耦合时空演化下的风电极端爬坡事件识别系统,其包括:

54、数据获取模块,用于获取目标区域内各风电场的历史功率数据与历史天气预报数据;

55、初始邻接矩阵构建模块,用于基于所述历史天气预报数据,计算风能在风电场之间的传播路径与理论时滞,构建以风电场为节点的初始邻接矩阵;

56、时空耦合图序列生成模块,用于基于所述历史功率数据计算各风电场功率数据间的时滞互相关性,对所述初始邻接矩阵进行加权修正,生成动态演化的时空耦合图序列;

57、时空融合特征提取模块,用于将所述时空耦合图序列及各风电场的节点特征输入至预训练的双流自适应时空超图网络中,提取时空融合特征,并获取未来时段内各风电场功率的预测分位数,所述预测分位数包括第10分位数、第50分位数和第90分位数;

58、极端爬坡事件判定模块,用于根据所述预测分位数计算功率爬坡率,并结合动态爬坡阈值判定是否发生极端爬坡事件,同时输出事件的置信度、强度范围及预计发生时间窗口。

59、本技术方案通过数据获取模块、初始邻接矩阵构建模块、时空耦合图序列生成模块、时空融合特征提取模块和极端爬坡事件判定模块的有机组合,实现了从数据采集、时空耦合关系建模、多分位数功率预测到极端爬坡事件分级判定的全流程自动化处理。以区域风电场集群为分析对象,通过初始邻接矩阵构建模块与时空耦合图序列生成模块的联动,融合风能传播气象规律与实际功率运行数据,刻画区域内风电场之间的动态时空耦合关系,解决了传统风电爬坡识别系统仅针对单一风电场分析、忽略风电场之间功率波动关联特性导致的极端事件漏判、误判率高的核心问题,显著提升了风电极端爬坡事件的识别准确性。区别于传统识别系统仅能输出“是否发生爬坡事件”的单一判定结果,本系统通过极端爬坡事件判定模块,可同步输出事件的置信度、强度范围及预计发生时间窗口三大核心预警信息,为电网调度部门提供了覆盖风险概率、影响程度、发生时段的全维度决策支撑,能够直接服务于电网功率平衡调控、运行风险防控等核心业务。

60、作为优选技术手段:所述双流自适应时空超图网络包括时序分支与空间分支;所述时序分支采用多个并行、且具有不同空洞率的因果空洞卷积层,用于捕获不同时间尺度下的长程极端时序依赖特征;所述空间分支采用超图卷积层,用于挖掘区域内风电场之间的多尺度高阶空间耦合模式;

61、所述时空融合特征提取模块内置预训练收敛的回归输出层,所述回归输出层以非对称分位数回归损失函数完成预训练,用于对输入的时空融合特征进行非线性映射分析,输出未来时段内各风电场功率的第10分位数、第50分位数和第90分位数预测结果;

62、所述极端爬坡事件判定模块具体用于根据第10分位数、第50分位数和第90分位数预测结果,分别计算基准爬坡率r50、悲观情景爬坡率r10与乐观情景爬坡率r90,并执行以下判定逻辑:

63、若所述基准爬坡率r50的绝对值超过动态爬坡阈值,判定为高置信度极端爬坡事件;

64、若所述基准爬坡率r50的绝对值未超过动态爬坡阈值,但所述悲观情景爬坡率r10或乐观情景爬坡率r90的绝对值超过动态爬坡阈值,判定为低置信度高风险极端爬坡事件;

65、若上述条件均不满足,判定为无极端爬坡事件。

66、本技术方案细化了系统核心模块的内部执行逻辑与网络结构,通过专用的双流网络架构强化了系统对风电场时空耦合特征的提取能力,通过预训练的回归输出层保障了功率分位数预测的精准度,通过明确的分层判定逻辑规范了极端事件的识别规则,进一步提升了系统运行的稳定性、识别结果的可靠性与一致性,可稳定输出精准、全面的风电极端爬坡事件预警信息。

67、有益效果:

68、1.突破了现有技术单一风电场分析的局限,构建了“气象物理机理+运行数据驱动”的双重约束建模体系,精准刻画了区域风电场间时空耦合关系的动态演化特性,从根源上解决了现有技术因忽略场站间关联特性导致的极端功率波动预测精度不足的核心痛点,显著提升了风电场功率预测的准确性与鲁棒性。

69、2.构建了多分位数概率预测体系,将传统单点功率预测升级为覆盖基准趋势、悲观极端边界、乐观极端边界的全区间概率预测,结合动态爬坡阈值的分层判定逻辑,实现了极端爬坡事件的高精度识别,同时完成了事件置信度、强度区间及发生时间窗口的多维量化输出,解决了传统固定阈值判定方法缺乏置信度评估的问题,为电网调度部门制定差异化风险应对策略提供了全面、可靠的决策依据。

70、3.设计了双流自适应时空超图网络架构,通过并行的时序分支与空间分支分别独立提取对应维度特征,避免了串行架构带来的特征相互干扰问题;因果空洞卷积可在不引入未来信息的前提下,精准捕获极端爬坡事件的长程时序依赖特征,超图卷积突破了传统图卷积的局限,可有效挖掘多风电场间的高阶空间耦合关系,大幅提升了特征表达的精准度与对极端功率波动事件的感知能力。

71、4.在模型训练阶段,通过瞬时爬坡率标记极端爬坡场景,并对极端场景的预测损失施加额外惩罚权重,有效解决了常规训练中大量常规运行样本主导模型学习、小样本极端事件特征学习不足的缺陷,显著强化了模型对风电极端爬坡事件的敏感性与拟合精度,大幅降低了极端事件的漏判、误判概率。