一种融合区域图气象预测与气象条件状态空间功率预测的风电功率预测方法及系统

本发明涉及新能源发电预测、人工智能、气象场预测、图神经网络、状态空间序列建模以及电力系统调度，具体涉及一种融合区域图气象预测与气象条件状态空间功率预测的风电功率预测方法及系统。

背景技术：

1、风电功率受气象、地形和机组状态等因素共同影响，具有强非线性、强波动性和显著时空耦合特征。

2、第一，现有方法多将nwp、era5或气象站数据作为外部输入，未将气象预测纳入功率预测模型，气象不确定性难以协同控制。

3、第二，现有方法多采用气象变量拼接或静态注意力，未来气象不能参与功率隐状态的选择性更新，复杂天气过渡期响应不足。

4、第三，现有时序模型难以兼顾长期功率惯性和短期风况突变；transformer计算复杂，循环神经网络长程记忆易衰减。

5、第四，现有物理约束多采用额定功率裁剪或简单功率曲线惩罚，不能随空气密度、轮毂风速、偏航、尾流及运行状态动态调整。

技术实现思路

1、本发明提供一种融合区域图气象预测与气象条件状态空间功率预测的风电功率预测方法，以解决现有方法中气象输入与功率预测割裂、气象变量未参与功率状态演化、长序列预测与突变响应难以兼顾、物理约束静态化等问题。

2、为解决上述技术问题，本发明提供了一种融合区域图气象预测与气象条件状态空间功率预测的风电功率预测方法，包括以下步骤： 获取目标风电场的历史气象场数据、地形数据、风机空间位置数据、风机运行状态数据和风机功率时间序列数据； 根据所述历史气象场数据、地形数据和风机空间位置数据构建区域气象图，所述区域气象图包含节点集合和边集合，所述节点集合包括气象网格节点、地形节点和风机目标节点，所述边集合包括气象邻接边、地形影响边、网格到风机映射边和风向传播边； 将所述区域气象图输入区域图气象预测模型，通过图神经网络的多层消息传递，预测未来多个时间步的风机点位气象变量、气象隐状态和气象可信度； 将所述历史功率时间序列数据编码为功率隐状态，将所述功率隐状态与所述气象变量、气象隐状态和气象可信度融合，生成气象-功率条件对齐表示； 根据所述气象-功率条件对齐表示、各预测步的气象特征和气象可信度及位置编码，逐预测步生成气象条件门控参数； 以所述功率隐状态为状态空间模型的初始状态，由所述气象条件门控参数调制所述状态空间模型的状态转移矩阵、输入矩阵和输出矩阵，执行多步状态演化，输出初始功率预测结果； 对所述初始功率预测结果进行风机空间耦合修正，得到空间修正后功率预测； 根据未来气象变量和风机运行状态生成动态功率可行域，利用所述动态功率可行域对所述空间修正后功率预测进行动态物理一致性约束，输出最终功率点预测、预测区间和风险等级。

3、一种实现本发明预测方法的风电功率预测系统，包括： 数据采集模块，用于获取目标风电场的历史气象场数据、地形数据、风机空间位置数据、风机运行状态数据和风机功率时间序列数据； 区域图气象预测模块，用于根据所述历史气象场数据、地形数据和风机空间位置数据构建区域气象图，并通过图神经网络预测未来多个时间步的风机点位气象变量、气象隐状态和气象可信度； 气象条件状态空间功率预测模块，用于将历史功率序列编码为功率隐状态，并与所述气象预测结果融合生成气象条件门控参数，以调制状态空间模型进行功率演化，输出初始功率预测； 空间耦合修正模块，用于对所述初始功率预测进行风机空间耦合修正； 动态物理一致性约束模块，用于根据未来气象变量和风机运行状态生成动态功率可行域，对功率预测进行约束校正，并输出最终功率点预测、预测区间和风险等级。

4、采用上述技术方案，本发明具有如下有益效果：

5、1.通过区域气象图和图神经网络生成与风机节点空间对齐的未来气象变量，提升复杂地形下的气象预测适应性。

6、2.通过气象条件参数调制状态空间功率演化，使气象预测直接参与功率状态更新，提高气象突变响应能力。

7、3.通过选择性状态空间结构以复杂度兼顾长期功率惯性和短期气象突变响应。

8、4.通过风机空间耦合修正补充尾流和风向传播影响，提高机群功率预测的空间一致性。

9、5.通过动态物理可行域实施训练软约束和推理硬校正，并输出功率区间及风险信息。

1. 一种融合区域图气象预测与气象条件状态空间功率预测的风电功率预测方法，其特征在于，包括以下步骤： 获取目标风电场的历史气象场数据、地形数据、风机空间位置数据、风机运行状态数据和风机功率时间序列数据； 根据所述历史气象场数据、地形数据和风机空间位置数据构建区域气象图，所述区域气象图包含节点集合和边集合，所述节点集合包括气象网格节点、地形节点和风机目标节点，所述边集合包括气象邻接边、地形影响边、网格到风机映射边和风向传播边； 将所述区域气象图输入区域图气象预测模型，通过图神经网络的多层消息传递，预测未来多个时间步的风机点位气象变量、气象隐状态和气象可信度； 将所述历史功率时间序列数据编码为功率隐状态，将所述功率隐状态与所述气象变量、气象隐状态和气象可信度融合，生成气象-功率条件对齐表示； 根据所述气象-功率条件对齐表示、各预测步的气象特征和气象可信度及位置编码，逐预测步生成气象条件门控参数； 以所述功率隐状态为状态空间模型的初始状态，由所述气象条件门控参数调制所述状态空间模型的状态转移矩阵、输入矩阵和输出矩阵，执行多步状态演化，输出初始功率预测结果； 对所述初始功率预测结果进行风机空间耦合修正，得到空间修正后功率预测； 根据未来气象变量和风机运行状态生成动态功率可行域，利用所述动态功率可行域对所述空间修正后功率预测进行动态物理一致性约束，输出最终功率点预测、预测区间和风险等级。

2.根据权利要求1所述的方法，其特征在于，所述气象网格节点携带时变气象特征，所述地形节点携带静态地形特征，所述风机目标节点携带静态风机信息； 所述气象邻接边连接相邻气象网格节点，其权重按节点间距离指数衰减，用于表达气象场的空间连续性；所述地形影响边连接地形节点与邻近的气象网格节点，用于建模地形对局地风场的影响；所述网格到风机映射边连接气象网格节点与风机目标节点，其权重为插值系数，用于将气象隐状态解码到风机点位；所述风向传播边为有向边，从上风侧节点指向下风侧节点，用于建模气象扰动沿风向的传播方向性。

3.根据权利要求1所述的方法，其特征在于，所述区域图气象预测模型采用残差增量预测方式输出未来气象变量，即预测相对于当前时刻气象状态的变化量；所述气象可信度根据预测分位数区间宽度、历史窗口内气象突变程度及该风机在验证集上的历史预测误差综合评估得到。

4. 根据权利要求1所述的方法，其特征在于，所述气象条件门控参数包括输入选择门控、状态保持门控、状态更新门控、输出响应门控和区间宽度门控； 所述输入选择门控作用于当前预测步的输入特征，控制气象驱动特征进入状态更新的有效幅度；所述状态保持门控调制所述状态转移矩阵的整体衰减速率，控制历史功率惯性的保留程度；所述状态更新门控调制所述输入矩阵的整体幅度，控制对新气象驱动的响应速度；所述输出响应门控调制所述输出矩阵的增益，控制不同预测步的输出幅度；所述区间宽度门控作用于分位数预测的区间宽度，根据气象可信度自适应调整预测区间的宽窄。

5.根据权利要求4所述的预测方法，其特征在于，所述区间宽度门控采用指数形式构建，其表达式为：

6.根据权利要求1所述的预测方法，其特征在于，所述状态空间模型的状态更新方程和输出方程为：

7.根据权利要求1所述的预测方法，其特征在于，所述风机空间耦合修正具体包括：

8.根据权利要求1所述的预测方法，其特征在于，所述动态功率可行域根据以下公式计算功率可利用上界：

9.根据权利要求1所述的方法，其特征在于，所述风险等级通过综合风险评分映射得到，所述综合风险评分由以下风险因子的加权和计算：气象低可信度、爬坡事件概率、物理冲突指示因子和历史分布漂移评分；其中，所述历史分布漂移评分采用基于训练集统计量的归一化马氏距离度量当前输入特征相对于训练集分布的偏离程度。

10. 一种实现权利要求1-9任一项所述预测方法的风电功率预测系统，其特征在于，包括： 数据采集模块，用于获取目标风电场的历史气象场数据、地形数据、风机空间位置数据、风机运行状态数据和风机功率时间序列数据； 区域图气象预测模块，用于根据所述历史气象场数据、地形数据和风机空间位置数据构建区域气象图，并通过图神经网络预测未来多个时间步的风机点位气象变量、气象隐状态和气象可信度； 气象条件状态空间功率预测模块，用于将历史功率序列编码为功率隐状态，并与所述气象预测结果融合生成气象条件门控参数，以调制状态空间模型进行功率演化，输出初始功率预测； 空间耦合修正模块，用于对所述初始功率预测进行风机空间耦合修正； 动态物理一致性约束模块，用于根据未来气象变量和风机运行状态生成动态功率可行域，对功率预测进行约束校正，并输出最终功率点预测、预测区间和风险等级。