一种基于极端环境下多源传感数据的风电功率预测方法与流程

本发明属于风电功率预测，具体涉及一种基于极端环境下多源传感数据的风电功率预测方法。

背景技术：

1、随着双碳战略持续落地，风电装机规模快速扩张，成为新型电力系统核心清洁电源。风电出力受风速、温度、覆冰、机组运行状态等多重因素制约，天然具备强随机波动特性，寒潮、强对流、极端风速、叶片覆冰等极端工况下，风资源时空分布规律突变，机组机械损耗与气动效率同步异变，风电出力非线性、非平稳特征显著加剧，功率预测误差大幅抬升，直接增大电网备用配置压力，威胁电力系统调度安全与新能源消纳效率，极端环境下高精度风电预测已成为行业刚需。

2、当前风电功率预测技术分为传统机器学习与深度学习两类方案，但现有方法存在多重固有短板：传统时序模型、支持向量机、浅层神经网络特征挖掘能力有限，难以拟合极端工况下多变量强耦合非线性映射关系；主流 lstm、cnn 等深度学习模型大多仅依托风机scada 单一数据源开展建模，忽略覆冰传感、机组振动、场站微型气象等多维度感知信息，无法完整刻画极端天气对风机出力的综合影响机理，面对覆冰停机、阵风突变等场景泛化能力薄弱。与此同时，现有多源数据融合方案存在明显缺陷，各类传感数据量纲、采样时序、数据质量差异巨大，常规归一化与简单拼接方式无法消除异构数据冲突，且缺乏针对性异常辨识手段，寒潮电磁干扰、低温零点漂移带来的异常值持续干扰模型训练精度。

3、除此之外，现有时空特征挖掘手段适配性不足，无法跟随风向动态调整风机空间关联权重，难以捕捉极端变风条件下场站间功率传递规律；常规注意力机制对覆冰厚度、极端风速等关键扰动特征无差异化增益，极端样本训练权重偏低，易被平稳工况样本主导，最终导致寒潮、覆冰场景预测偏差显著增大。

技术实现思路

1、本发明的目的在于提供一种基于极端环境下多源传感数据的风电功率预测方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于极端环境下多源传感数据的风电功率预测方法，其中，包括以下步骤：

3、步骤1、根据风机理想有功出力确定极端环境风机实际出力，基于极端工况互信息耦合度分配融合权重，通过多源特征融合实现多源异构数据协同处理；

4、步骤2、建立面向极端工况的时空特征提取模型，挖掘多维信息的关联特征；

5、步骤3、构建风电功率预测模型，实现风电功率的精准预测。

6、优选的，基于极端工况互信息耦合度分配融合权重，通过多源特征融合实现多源异构数据协同处理包括以下步骤：

7、步骤11、确定风机理想有功出力；

8、步骤12、确定极端环境风机实际出力；

9、步骤13、通过多源特征构建多源异构原始数据集；

10、步骤13、通过四分位区间粗筛漂移异常并通过加权精细辨识具体异常；

11、步骤14、基于极端工况互信息耦合度分配融合权重，通过多源特征融合确定标准化特征矩阵。

12、优选的，风机理想有功出力计算为，，其中，

13、为风机理想有功出力；

14、为标准空气密度；

15、为风机叶轮扫风半径；

16、为轮毂高度实测风速；

17、为风能利用系数；

18、为叶尖速比；

19、为叶片桨距角；

20、极端环境风机实际出力计算为，，其中，

21、为极端环境风机实际出力；

22、为风机理想有功出力；

23、为叶片覆冰效率修正系数；

24、为高低温空气密度修正系数；

25、为塔筒轴承振动损耗系数；

26、为极端环境附加功率损耗。

27、优选的，四分位区间粗筛漂移异常值计算为，，其中，

28、为下四分位数；

29、为上四分位数；

30、为四分位距；

31、为上粗筛阈值；

32、为下粗筛阈值；

33、加权精细辨识传感漂移异常计算为，，其中，

34、为加权修正后的样本标准差；

35、为极端波动加权系；

36、为单段滑动窗口内的传感样本总数量；

37、为滑动窗口内第k个传感采样数据点；

38、为滑动窗口内所有样本的平均值；

39、为单个样本与滑动窗口平均值的绝对偏差；

40、为异常判定临界阈值。

41、优选的，多源特征融合确定标准化特征矩阵计算为，，，其中，

42、为多源特征融合后标准化特征矩阵；

43、为scada运行数据的融合权重系数；

44、为气象监测数据的融合权重系数；

45、为振动监测数据的融合权重系数；

46、为环境感知数据的融合权重系数；

47、为风机scada运行数据特征子集；

48、为场站气象监测数据特征子集；

49、为机组振动监测数据特征子集；

50、为叶片覆冰环境感知数据特征子集；

51、为第i类传感数据源的归一化融合权重；

52、为第i类传感特征集合。

53、优选的，建立面向极端工况的时空特征提取模型，挖掘多维信息的关联特征包括以下步骤：

54、步骤21、根据多源特征融合后标准化特征矩阵提取时序特征及风场空间关联特征，时序特征及风场空间关联特征拼接后形成高维混合特征；

55、步骤22、采用最大相关最小冗余准则筛选最优建模特征子集，平衡特征-出力相关性与特征内部独立性；

56、步骤23、依托工况标签动态调节特征增益系数，优化注意力评分分配逻辑。

57、优选的，提取时序特征计算为，，其中，

58、为时序特征矩阵；

59、为非线性激活函数；

60、为多源特征融合后标准化特征矩阵；

61、为卷积运算符号；

62、为时序卷积核；

63、为偏置项；

64、提取风场空间关联特征计算为，，其中，

65、为风场空间关联特征；

66、为度矩阵；

67、为风向加权邻接矩阵；

68、为空间可学习权重。

69、优选的，采用最大相关最小冗余准则筛选最优建模特征子集计算为，，其中，

70、为最大相关最小冗余准则的综合评价目标函数；

71、为最大相关最小冗余准则的综合评价目标函数；

72、为当前待评估的整体特征子集；

73、为极端环境风机实际出力；

74、为特征子集整体与风电出力之间的互信息；

75、为当前特征子集内包含的特征总数量；

76、为子集中第i维特征；

77、为子集中第j维特征；

78、为第i维和第j维特征间的互信息；

79、优化注意力评分分配逻辑计算为，，其中，

80、为单特征初始注意力得分；

81、为极端增益系数；

82、为注意力权重；

83、为注意力输出层的转置权重向量；

84、为线性修正单元；

85、为特征变换层的可学习权重矩阵；

86、为输入的第i维时空耦合特征向量；

87、为特征变换层的可学习偏置项；

88、为自然指数运算。

89、优选的，构建风电功率预测模型，实现风电功率的精准预测包括以下步骤：

90、步骤31、选用双向长短期记忆网络完成加权特征时序解码，依托前向、后向双向门控单元，同步回溯历史出力规律、预判未来出力走势，适配极端工况出力突变、滞后波动特性；

91、步骤32、构建极端加权均方误差损失函数，加大异常出力样本损失权重，提升对极端出力断崖、突变样本的拟合精度。

92、优选的，门控单元计算为，，其中，

93、为遗忘门状态；

94、为输入门状态；

95、为t 时刻候选细胞状态；

96、为细胞记忆状态；

97、为sigmoid激活函数；

98、为双曲正切激活函数；

99、⊙为哈达玛积；

100、为遗忘门的可学习权重矩阵；

101、为输入门的可学习权重矩阵；

102、为候选细胞状态层的可学习权重矩阵；

103、为遗忘门的可学习偏置项；

104、为输入门的可学习偏置项；

105、为候选细胞状态层的可学习偏置项；

106、为上一时刻t-1的隐藏状态向量；

107、为当前t时刻输入的时空耦合特征；

108、为t-1时刻历史细胞记忆状态；

109、极端加权均方误差损失函数计算为，，其中，

110、为极端加权均方误差损失函数；

111、为实测功率；

112、为预测功率；

113、为极端加权系数。

114、本发明的技术效果和优点，该基于极端环境下多源传感数据的风电功率预测方法：

115、1、通过搭建多源特征融合协同采集体系，配套改进四分位-3σ联合异常检测与互信息加权融合预处理流程，解决多源异构数据时序不统一、量纲冲突、极端异常难以精准剔除的问题，可分层处置脉冲漂移、长时间断连各类缺陷数据，依据特征与出力耦合程度自适应分配融合权重，充分释放多维度监测信息价值，弥补单一数据源建模信息缺失的短板；

116、2、通过双分支时空特征提取结构，区别于传统固定拓扑网络，可随实时风向更新风机空间邻接权重，同步挖掘时序突变与场站空间传递规律，搭配最大相关最小冗余准则精简高维特征，有效剔除冗余信息、降低过拟合风险，大幅提升极端工况耦合特征挖掘能力；

117、3、构建极端自适应多头注意力与加权损失预测架构，增设极端工况增益系数放大覆冰、强风关键特征权重，采用极端样本加权损失函数平衡平稳与恶劣工况训练比重，克服常规模型极端场景拟合不足的缺陷。