一种基于层级互补先验的水风光联合功率预测方法与流程

本发明涉及新能源发电功率预测，尤其涉及电力系统运行控制与多能源联合调度技术，具体涉及一种基于层级互补先验的水风光联合功率预测方法。

背景技术：

1、随着以新能源为主体的新型电力系统建设不断推进，风电、光伏等新能源装机规模持续增长，其出力的强波动性与弱可调度性给电网安全稳定运行带来显著压力。将水电、风电、光伏等多种能源汇聚为水风光互补基地，依托水电启停迅速、调节范围宽的特性平抑风光的随机波动，并通过共用外送通道打捆送出，是提升多能源利用效率、增强新能源消纳能力的重要技术路径。在这类基地中，各发电场站通常在地理上集中布置并共用同一外送通道，电网实际需要调度和保障安全运行的是基地汇集外送的总功率，而非任一单一场站的出力，因此对基地汇集外送功率及各分源功率进行高精度联合预测，是实现多能互补效益、保障外送通道安全运行的前提。

2、水风光互补基地的功率预测存在明显难点：水电、风电、光伏虽然响应同一气象水文系统的驱动，但其能量转换机理差异显著，水电出力具有调节性和滞后性，风电出力具有强随机性，光伏出力具有强日周期性，三者在时间维度上呈现出天然的互补关系；在空间维度上，各场站受同一气象水文条件的不同响应，使得站点间的出力既相关又互补，相邻场站通常相关性较强、跨区域场站相关性较弱甚至负相关。这种时空复合的互补结构给预测建模带来了本质性的挑战。

3、针对单一能源的功率预测技术已经较为成熟，物理模型、统计模型及深度学习模型均已被广泛应用；图神经网络、时空注意力等空间相关性建模方法也已被大量用于同类型多场站的联合预测，通过挖掘同质节点间的空间相关性提升预测精度。在此基础上，也出现了面向水风光多能源联合预测的技术方案：例如通过量化水电、风电、光伏之间的时空互补性并结合大尺度水文气象因子构建输入特征或预报映射关系进行联合预测的方案；通过分别训练多个分源预测模型、再基于最小剩余负荷等准则在候选预测结果集合中选取最优组合的方案；通过对多源气象观测数据进行同化处理、并采用混合神经网络架构进行联合预测的方案；以及在训练目标中引入发电量相关系数一致性约束、通过使不同能源预测结果之间的整体相关系数与历史相关系数保持一致来实现多能源联合预测模型构建的方案。此外，还出现了按气候事件的时间尺度对输入数据进行分层处理、通过门控机制以长期背景信息调制短期动态注意力计算的水风光联合预报方案。

4、然而，上述现有技术仍存在以下不足：

5、其一，部分现有方案将水风光各能源分别预测后再进行累加，或者虽然构建了多能源联合预测框架，但各能源的预测模型之间相互独立，彼此不存在共享的图结构化时空交互，模型难以在结构上主动学习水电调节风光波动这一系统级互补关系，各分源的预测误差容易在汇集外送功率上产生累积；

6、其二，现有的图神经网络或图注意力类联合预测方法大多面向同质节点场景设计，若直接将其应用于水风光这类异质节点场景，图注意力机制可能会将电气或空间上相邻、但能源类型不同的节点的预测特征过度拉近，即产生异质节点过平滑现象，从而丢失水电调节滞后、风电强随机波动、光伏强周期波动这些本应予以保留的异质响应差异，反而降低预测精度；本发明人的对比试验表明，具备完整跨能源图结构但未施加针对性约束的联合预测模型，在风电和光伏等波动性分源预测场景中，其预测精度甚至低于直接切断跨能源连接的模型（详见本说明书实验验证实施例中的消融实验结果），说明单纯依靠更复杂的图结构并不能保证预测精度的提升；

7、其三，现有将互补性或相关性纳入训练目标的方案，通常仅按预测结果与历史数据的整体统计相关系数是否一致构造标量惩罚项，既未按各能源的装机容量差异进行折算，也未按预测序列相邻时间步的功率增量构造互补机制，更未与表征场站间电气或空间连接关系的图结构相结合，因而既无法反映不同能源装机规模差异下的能量替代规律，也无法在图结构的局部邻域范围内实现差异化约束，难以同时兼顾汇集外送总功率的整体平滑与各场站的局部异质响应保持。

8、综上所述，如何在水风光互补基地多场站联合功率预测中，将水电调节、风光波动互补以及跨能源拓扑差异转化为可训练的层级先验，使联合预测模型在训练过程中同时满足汇集外送功率的整体平滑与各节点异质响应差异的保持，从而降低分源及汇集外送总功率的预测误差，是本领域亟待解决的技术问题。

技术实现思路

1、本发明的目的是为了解决现有水风光联合功率预测技术大多采用各能源独立建模或直接套用同质图神经网络进行空间特征聚合存在的难以学习水电调节风光波动的系统级互补关系，且容易导致不同能源类型节点产生异质节点过平滑现象的问题，从而导致功率预测存在各分源预测误差易在汇集外送总功率上产生累积，且丢失了水电调节滞后、风电强随机、光伏强周期等固有异质响应差异的技术问题，而提出得到本发明。

2、为了解决上述技术问题，本发明采用的技术方案为：

3、一种基于层级互补先验的水风光联合功率预测方法，包括以下步骤：

4、步骤1：获取水风光互补系统中n个节点的历史功率数据、节点类型标签以及邻接矩阵；

5、步骤2：采用由步骤1获得的历史功率数据和邻接矩阵，通过图结构联合预测模型进行多尺度趋势-波动解耦与时空特征提取，得到各节点的分源预测功率序列及汇集外送总功率预测序列；

6、步骤3：采用由步骤2获得的分源预测功率序列，根据水电、风电、光伏各自的装机容量、、，计算容量占比系数并构造互补对序列，从时间维度量化功率增量的互补程度，构建系统级互补损失；

7、步骤4：采用由步骤1构建的邻接矩阵

a，筛选出节点类型不同且存在连接关系的节点对构成跨能源相邻节点对集合，结合由步骤2获得的分源预测功率序列构建拓扑级异质保持损失；

8、步骤5：将预测误差损失、系统级互补损失及拓扑级异质保持损失加权求和，构成复合损失函数；

9、步骤6：待预测时段起始时刻之前的历史功率数据整理为输入张量，输入训练完成的图结构联合预测模型，直接输出水电、风电、光伏的分源功率预测结果，并将各节点预测值相加得到水风光互补系统的汇集外送总功率预测结果。

10、在步骤1中，具体包括以下子步骤：

11、步骤1-1）将水风光互补系统抽象为一个加权图

g=(v,e)，其中节点集合表示各水电站、风电场、光伏电站场站，每个节点具有类型标签，获取各节点在历史时段内以预设采样间隔采集的有功功率数据，构成历史功率张量；

12、步骤1-2）提取各节点间的电气连接关系或地理邻近关系，构建邻接矩阵。

13、在步骤1-1）中，构成历史功率张量采用的公式表示为：

14、；

15、其中，指的是历史功率张量，

h指的是历史窗口长度，

d指的是每个时间步的特征维度，

n为节点数；

t指的是当前时刻/预测起始时刻，指的是实数集，为该张量的三维维度尺寸；

16、在步骤1-2）中，构建邻接矩阵为：

17、；

18、其中，当节点与之间存在电气连接关系或时，；否则，为物理邻接矩阵，为矩阵中第

i行第

j列的元素，

i和

j为节点索引。

19、在步骤2中，具体包括以下子步骤：

20、步骤2-1）获取历史功率张量，采用

r个不同窗口长度的滑动平均核分别对其进行滑动平均，并按可学习权重加权融合得到低频趋势分量；将历史功率张量与低频趋势分量作差，得到高频波动分量；

21、步骤2-2）采用由子步骤2-1获得的低频趋势分量和高频波动分量，将其按时间维度划分为多个不重叠的时间片段，引入可学习的伪时间戳向量作为查询向量，计算该节点在该时间片段内的时间表征；

22、步骤2-3）采用由步骤1获得的物理邻接矩阵，并根据训练集历史功率数据计算节点间的历史相关矩阵；同时根据可学习的节点嵌入向量生成可学习邻接矩阵；将物理邻接矩阵、历史相关矩阵和可学习邻接矩阵加权融合并归一化，得到融合邻接矩阵；

23、步骤2-4）采用由子步骤2-2获得的时间表征及由子步骤2-3获得的融合邻接矩阵，进行空间维度的特征聚合，得到融合了电气连接关系、历史相关性和潜在耦合关系的时空特征；

24、步骤2-5）基于时空特征，根据趋势分支和波动分支的预测结果生成门控权重，并按门控权重对两分支预测结果进行加权融合，得到第i个节点的分源预测功率序列；将属于同一系统的所有节点预测值相加得到汇集外送总功率预测序列。

25、在步骤2-1）中，计算低频趋势分量具体为：

26、；

27、；

28、式中，为低频趋势分量，是窗口长度为的滑动平均操作，表示为保持序列长度不变所进行的边界填充操作，为与第个尺度对应的可学习标量参数，为对进行归一化指数函数变换后得到的权重系数；

r为是不同的滑动平均窗口数量，

r为多尺度的索引，取值从1到

r，为自然指数函数；

29、计算高频波动分量采用的公式为：；

30、其中，指的是高频波动分量，为历史功率张量；

31、通过多尺度趋势-波动解耦，将变化缓慢的水电调节等慢变过程与波动剧烈的风电、光伏等快速波动过程分离到对应的处理分支中，以获取差异化时空建模的基础数据；

32、在步骤2-2）中，计算时间表征采用的公式为：

33、；

34、式中，、分别为第个节点第层的键、值变换矩阵，为特征维度，为归一化指数函数，为可学习的伪时间戳向量，为第层、第个时间片段、第个节点的输入；

35、在步骤2-3）中，计算融合邻接矩阵采用的公式组为：

36、首先，根据所获得的物理邻接矩阵；

37、其次，根据训练集历史功率数据计算节点间的历史相关矩阵：

38、；

39、式中，、分别为节点、的历史功率序列，为皮尔逊相关系数运算，是历史相关矩阵；

40、再次，根据可学习的节点嵌入向量生成可学习邻接矩阵：

41、；

42、最后，将三种邻接矩阵加权融合并归一化，得到融合邻接矩阵：

43、；

44、式中，、、为可学习或预设的融合权重系数，为归一化函数；为线性整流激活函数；为节点嵌入向量的特征维度；

45、在步骤2-4）中，进行特征聚合采用的公式为：

46、；

47、式中，、、分别为第个时间片段、第层的查询、键、值变换矩阵，表示逐元素相乘；为融合了时空特征及伪时间戳的输入矩阵，为空间维度的特征聚合输出结果；

48、在步骤2-5）中，门控融合与相加具体为：

49、趋势分量与波动分量分别经过上述处理后，各自通过对应的预测头得到第i个节点的趋势分支预测结果和波动分支预测结果；根据两分支的预测结果生成门控权重：

50、；

51、并按门控权重对两分支预测结果进行加权融合，得到第i个节点的分源预测功率序列：

52、；

53、式中，i=1,2,…,n，、为可学习参数，为第i个节点对应的门控权重矩阵，是门控函数，的取值可按节点类型、运行时段及预测步长自适应调整；是矩阵的拼接操作，是与gate_i维度相同的全1矩阵；

54、将各节点的分源预测功率序列中属于同一水风光互补系统的所有节点预测值相加，即得到汇集外送总功率预测序列：

55、；

56、其中，

n为水风光互补系统的总节点数，为第i个节点在未来

f个时间步的分源预测功率序列，

f为预测窗口长度。

57、步骤3具体包括以下子步骤：

58、步骤3-1）根据装机容量分别计算水电、风电、光伏的容量占比系数、、；

59、步骤3-2）采用容量占比系数，分别构造三类容量加权互补对序列；

60、步骤3-3）针对预测时段内任意两个相邻时间步，计算各功率序列的功率增量，并据此计算容量加权系统级互补程度指标；

61、步骤3-4）将1与容量加权系统级互补程度指标之差，作为系统级互补损失；式中，为容量加权系统级互补程度指标；

62、通过从时间维度对多源功率增量施加容量加权互补约束，引导模型主动学习水电调节风光波动的系统级互补规律，降低了汇集外送总功率的误差累积。

63、在步骤3-2）中，构造容量加权互补对序列采用的公式为：

64、；

65、；

66、；

67、其中，风电、水电、光伏汇集功率序列分别由对应类型节点的分源预测功率序列按节点求和得到：

68、

69、

70、

71、式中，v_wind、v_hydro、v_solar分别为风电、水电、光伏节点集合。

72、其中，、、分别为风电、水电、光伏汇集功率序列；、、为按容量占比系数分别构造的水电、风电、光伏中每一者与其余二者之和的容量加权互补对序列；

73、在步骤3-3）中，计算互补程度子项及互补程度指标具体为：

74、；

75、式中，为预测时段内所有相邻时间步对构成的集合，为其元素个数，、分别为两个相邻时间步，且；、、分别为水电、风电、光伏三项对应的容量折减系数且满足，其取值可根据各能源在系统中的互补主导地位由验证集确定；

76、三组互补程度子项分别为：

77、；

78、；

79、；

80、式中，、、分别为三组容量加权互补对序列在相邻时间步之间的功率增量，为防止分母为零的极小正数；取值越大，表示预测得到的水风光功率增量在容量加权意义下越符合互补关系；、、分别指的是风电、水电、光伏在相邻时间步之间的原始汇集功率增量。

81、在步骤4中，具体做法为：

82、首先，根据所构建的邻接矩阵，筛选出节点类型不同且存在连接关系的节点对，构成跨能源相邻节点对集合：

83、；

84、其次，针对每一跨能源相邻节点对，计算二者分源预测功率序列去均值后的余弦相似度：

85、；

86、式中，、分别为节点、的分源预测功率序列，、为其对应的序列均值，为向量的l2范数；预设相关阈值，当超过时，认为两节点的预测结果出现了过度相似的趋势，据此构造约束值：

87、；

88、同时，结合该节点对的历史功率相关强度及邻接矩阵中对应的连接边权，生成自适应门控权重：

89、；

90、其中，历史功率相关强度可取自步骤2-3中计算的；

91、即历史相关性越强、连接边权越大的跨能源节点对，在拓扑级异质保持损失中被赋予越高的约束权重；将各跨能源相邻节点对的约束值按自适应门控权重加权求和，得到拓扑级异质保持损失：

92、；

93、其中，的界定以存在电气或空间连接关系的跨能源节点对为基础，或者将历史相关强度超过预设阈值的跨能源节点对一并纳入，以覆盖虽无直接电气连接、但历史出力相关性显著的场站组合；是节点对（

i，

j）的过度相似趋势约束值，为取值0与目标值中的最大值。

94、构成复合损失函数：

95、；

96、式中，、分别为系统级互补损失和拓扑级异质保持损失对应的权重系数，为均方误差函数，是预测时段内的真实功率序列标签。

97、采用梯度下降类优化算法对图结构联合预测模型的可学习参数进行迭代更新，得到训练完成的图结构联合预测模型。

98、与现有技术相比，本发明具有如下技术效果：

99、1）本发明将水、风、光节点统一建模为图结构，并通过融合物理连接关系、历史相关性与可学习潜在关联关系的融合邻接矩阵进行空间特征聚合，使联合预测模型能够在结构上主动学习跨能源、跨节点的时空耦合关系，相较于各能源相互独立建模或简单累加的方式，能够有效降低汇集外送总功率的误差累积；

100、2）本发明在训练目标中引入系统级互补损失，从时间维度约束预测结果满足容量加权的功率增量互补关系，引导模型学习水电调节风光波动的系统级互补规律，使汇集外送总功率预测结果更加符合多能源系统的能量分配规律，而不仅仅是对历史数据的数值拟合；

101、3）本发明在训练目标中引入拓扑级异质保持损失，从空间维度对图结构中跨能源类型的相邻节点施加带历史相关与拓扑边权门控的相似度约束，能够有效抑制图注意力机制在异质节点场景下产生的过平滑现象，保持各节点固有的异质响应差异，弥补了现有图结构联合预测方法在异质节点场景下的固有缺陷；

102、4）本发明将系统级互补损失与拓扑级异质保持损失共同嵌入复合损失函数，与图结构联合预测模型形成闭环训练：系统级互补损失促使汇集外送总功率在时间维度上呈现互补平滑，拓扑级异质保持损失促使各节点在空间维度上保持异质响应差异，二者相互配合、共同作用于同一预测模型的训练过程，使模型在不牺牲局部辨识度的前提下学得系统级互补规律，取得优于任一约束单独使用、也优于无约束图结构联合预测的技术效果（参见本说明书实验验证实施例的消融实验结果），且该效果并非各技术特征效果的简单叠加，而是各技术特征相互配合产生的协同效果；

103、5）本发明输出的水风光互补系统分源及汇集外送总功率预测结果，误差更低、波动特征更贴近真实运行规律，有助于为电网多能互补调度计划的编制以及新能源消纳、弃风弃光弃水风险的评估提供更可靠的数据支撑。