基于物理先验知识引导深度学习的风电功率预测方法及相关装置
本技术属于风电功率预测,具体涉及一种基于物理先验知识引导深度学习的风电功率预测方法及相关装置。
背景技术:
1、风电作为清洁、可再生能源,随着装机容量不断增加,其在电力系统中的占比持续提高。然而,风力发电受气候及环境因素影响较大,自然风具有明显的不确定性、间歇性和波动性,使得风电场输出功率呈现较强的随机性和波动性。大规模风电并网后,功率波动会增加电网调度、电力市场管理以及电力系统稳定运行和计划制定的难度,因此,准确的风电功率预测对于电网稳定运行和调度优化具有重要作用。针对超短期风电功率预测,现有预测方法主要包括物理模型、统计模型和深度学习模型。其中,物理模型能够较好地体现风电系统运行过程中的物理关系,具有较高的物理一致性,但其建模过程较为复杂,对数据质量以及初始条件、边界条件等要求较高,同时存在计算成本较大、泛化能力有限等问题。相比之下,深度学习模型具有较强的时空数据拟合能力,已成为风电功率预测中的重要技术手段,但其主要通过大量参数和计算过程拟合输入与输出之间的数学关系,内部工作机制不易理解,具有明显的黑箱特性,难以直观确定不同输入特征对预测结果的贡献以及不同特征之间的相互作用关系。
2、为了提高深度学习预测模型的物理一致性和可解释性,现有研究一方面尝试在模型输入层面扩展与物理机理相关的特征,或者针对具体物理过程对网络结构进行定制,将已知物理先验知识嵌入数据驱动模型,以增强模型预测结果与实际物理规律之间的一致性;另一方面,也有研究采用与具体模型结构无关的事后可解释性方法,对模型输出进行解释,从而分析不同特征对模型预测的影响。相关可解释性研究目前较多集中于计算机视觉、文本分类等领域,在风电功率预测场景中的应用和研究仍相对不足。
3、但是,现有技术仍存在以下不足:纯数据驱动的风电功率预测模型主要依赖数据中的统计关系进行预测,对风电系统实际运行中的物理约束考虑不足,可能产生不符合物理规律的预测结果,同时模型内部决策依据不透明;实际风机发电过程属于多种约束共同作用的复杂动态过程,而现有物理机制引导的神经网络通常采用单一物理约束进行建模,难以充分反映多变量耦合以及运行状态动态变化的特性;通过增加输入特征或定制网络结构嵌入物理先验知识,还可能增加模型复杂度及计算成本,并存在特征选择及模型结构选择缺乏统一标准的问题。此外,现有模型评价通常侧重于预测精度和误差指标,对嵌入模型中的物理先验知识是否实际发挥约束作用、其作用机制及约束有效性缺乏进一步的量化验证,使得模型物理一致性和可解释性的评价仍不充分。
技术实现思路
1、本技术针对现有风电功率预测方法对风电系统物理约束及动态变化特性的考虑不足,导致预测结果可能出现物理不一致的技术问题,提供一种基于物理先验知识引导深度学习的风电功率预测方法及相关装置。
2、为了实现上述目的,本技术采用以下技术方案予以实现:
3、第一方面,本技术提供一种基于物理先验知识引导深度学习的风电功率预测方法,包括:
4、获取当前的风速、风向和温度数据;
5、将所述风速、风向和温度数据输入预先构建的基于物理先验知识引导的三阶段趋势约束感知预测模型,得到原始预测功率;所述三阶段趋势约束感知预测模型包括上升风约束模型、下降风约束模型,以及基于所述上升风约束模型和下降风约束模型构建的融合模型;所述上升风约束模型和下降风约束模型分别对应设置物理约束惩罚项,并根据风速、风向和温度数据得到对应的预测输出,所述物理约束惩罚项基于上升风和下降风各自对应的功率合理分布区间设置,所述功率合理分布区间由基于风机历史运行数据确定的功率分布边界与标准功率曲线限定;所述融合模型对上升风约束模型和下降风约束模型对应的预测输出进行融合预测,融合模型采用根据不同风速趋势样本占比动态调整物理引导项权重的趋势动态感知损失函数;
6、基于风机功率非负与功率上限特性,对所述原始预测功率进行裁剪修正,得到风电功率预测结果。
7、进一步地,本技术所述预先构建的基于物理先验知识引导的三阶段趋势约束感知预测模型的获得方法包括:
8、以长短时记忆网络作为基础模型,采用历史数据对所述基础模型进行基础训练;
9、在基础训练后的基础模型上扩展分别对应上升风和下降风的两个独立趋势分支,将上升风和下降风对应的物理引导项分别与数据损失项融合,并基于融合所得损失函数分别对两个独立趋势分支进行预训练,得到上升风约束模型和下降风约束模型;
10、以所述上升风约束模型和下降风约束模型为基础,根据不同风速趋势样本的占比动态调整对应物理引导项的权重,并将所述上升风约束模型和下降风约束模型的输出结果作为额外输入进行融合,得到所述融合模型。
11、进一步地,本技术所述上升风和下降风对应的物理引导项分别包括对应的物理损失项;
12、所述上升风对应的物理损失项,用于对具有上升风趋势且所述上升风约束模型的预测输出超出上升风对应的功率合理分布区间的样本施加惩罚;
13、所述下降风对应的物理损失项,用于对具有下降风趋势且所述下降风约束模型的预测输出超出下降风对应的功率合理分布区间的样本施加惩罚。
14、进一步地,本技术还包括对所述基础模型、上升风约束模型、下降风约束模型和融合模型进行综合评估,所述综合评估包括预测效果评估和物理一致性分析;
15、所述预测效果评估,包括:在相同训练轮数和优化器的条件下,比较所述基础模型、上升风约束模型、下降风约束模型和融合模型的损失函数收敛行为;比较所述基础模型、上升风约束模型、下降风约束模型和融合模型的单步预测结果;以及比较所述基础模型、上升风约束模型、下降风约束模型和融合模型在不同风速区间下的预测误差分布;
16、所述物理一致性分析,包括:针对所述基础模型、上升风约束模型、下降风约束模型和融合模型,分别确定上升风约束达标率rcc和下降风约束达标率fcc。
17、进一步地,本技术所述功率分布边界为预先基于风机历史运行数据中的风速趋势样本确定的边界;所述风速趋势样本通过比较相邻时刻风速的变化量与阈值进行划分,包括上升风样本、下降风样本和平稳风样本。
18、进一步地,本技术所述功率分布边界的确定包括:
19、分别对所述上升风样本和下降风样本对应的历史运行数据进行平滑处理,并基于平滑处理后的历史运行数据对对应的功率分布边界进行分段拟合,得到上升风和下降风对应的功率分布边界;其中,所述功率分布边界在零功率区间和额定功率区间采用恒值函数表示,在功率上升区间采用多项式与指数函数组合的形式进行拟合。
20、进一步地,本技术还包括对所述原始预测功率进行可解释性分析:
21、将所述风速、风向和温度数据分别作为输入特征,计算各输入特征对应的shapley值,确定各输入特征对所述原始预测功率的贡献。
22、第二方面,本技术提供一种基于物理先验知识引导深度学习的风电功率预测系统,包括:
23、数据模块,用于获取当前的风速、风向和温度数据;
24、预测模块,用于将所述风速、风向和温度数据输入预先构建的基于物理先验知识引导的三阶段趋势约束感知预测模型,得到原始预测功率;所述三阶段趋势约束感知预测模型包括上升风约束模型、下降风约束模型,以及基于所述上升风约束模型和下降风约束模型构建的融合模型;所述上升风约束模型和下降风约束模型分别对应设置物理约束惩罚项,并根据风速、风向和温度数据得到对应的预测输出,所述物理约束惩罚项基于上升风和下降风各自对应的功率合理分布区间设置,所述功率合理分布区间由基于风机历史运行数据确定的功率分布边界与标准功率曲线限定;所述融合模型对上升风约束模型和下降风约束模型对应的预测输出进行融合预测,融合模型采用根据不同风速趋势样本占比动态调整物理引导项权重的趋势动态感知损失函数;
25、修正模块,用于基于风机功率非负与功率上限特性,对所述原始预测功率进行裁剪修正,得到风电功率预测结果。
26、第三方面,本技术提供一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述基于物理先验知识引导深度学习的风电功率预测方法的步骤。
27、第四方面,本技术提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述基于物理先验知识引导深度学习的风电功率预测方法的步骤。
28、与现有技术相比,本技术具有以下有益效果:
29、本技术提出一种基于物理先验知识引导深度学习的风电功率预测方法,通过将基于风机历史运行数据确定的功率分布边界与标准功率曲线共同限定的功率合理分布区间作为物理先验知识,并分别针对上升风约束模型和下降风约束模型设置物理约束惩罚项,能够针对不同风速变化趋势对模型预测输出施加与风机实际运行规律相对应的约束,使模型在利用风速、风向和温度数据进行功率预测的同时,减少预测输出偏离合理功率分布区域的情况,提高预测结果的物理一致性和稳定性;进一步地,通过融合模型综合上升风约束模型和下降风约束模型的预测输出,并利用根据不同风速趋势样本占比动态调整物理引导项权重的趋势动态感知损失函数,使不同趋势对应的物理约束能够随风速趋势样本构成进行调整,有利于适应实际环境中风速趋势的随机变化,增强模型对不同风速变化状态下功率分布特性的适应能力;同时,在模型得到原始预测功率后,依据风机功率非负与功率上限特性进行裁剪修正,可避免负功率或超过风机功率上限的非物理预测值作为最终结果输出,从而使得到的风电功率预测结果处于符合风机运行特性的合理范围内,进一步保证风电功率预测结果的物理合理性。
30、本技术还提出一种基于物理先验知识引导深度学习的风电功率预测系统,一种电子设备和一种计算机可读存储介质,具备上述基于物理先验知识引导深度学习的风电功率预测方法的全部优势。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com