基于图卷积和循环神经网络的多风场风速时空预测方法与流程

1.本发明涉及一种风速预测方法，尤其涉及一种基于图卷积和循环神经网络的多风场风速时空预测方法。


背景技术：

2.风能是一种清洁、无污染的可再生能源，其具有资源丰富、发电过程洁净等特点，因而得到了较为广泛的推广和应用。然而由于风速的波动性和间歇性，风电功率具有很强的波动性和随机性。目前，风速时空预测方法通常包括基于相关性分析的时空预测模型和基于卷积神经网络的时空预测模型。其中基于相关性分析的时空预测模型是使用如皮尔森系数、互信息等相关性分析方法来对邻近风场历史风速与待预测风场历史风速之间的相关程度进行判断，并通过设定阈值，提取邻近风场历史风速数据中重要特征，与待预测风场自身的历史风速数据共同送入预测模型进行学习训练。此类方法的实现较为简单，但是其破坏了原本多风场风速数据的时空结构，因而无法更充分地提取原始风速数据中的时空特征。基于卷积神经网络的时空预测模型是使用卷积神经网络来对多风场的风速数据进行分析学习，其通过网格划分将多风场的风速数据构建成带通道的二维图谱，二维图谱上的格点表示各个风场的相对位置，而每个格点的纵向通道为每个风场的历史风速数据，卷积神经网络通过卷积核从空间和时间两个层面同时提取多风场风速的时空特征，提取到的时空特征可以直接送入其他模型(如长短期记忆神经网络)进行训练学习，进而实现风速的时空预测。基于卷积神经网络的时空预测模型已在风速预测中得到较多运用，但是其存在一个问题，那就是实际工程中的风场并不一定呈网格状分布，各个风场在二维图谱中的相对位置难以确定。


技术实现要素：

3.发明目的：本发明针对目前卷积神经网络仅能处理欧式空间的数据，而对于非欧式空间的数据则难以处理的问题，提出基于图卷积和循环神经网络的多风场风速时空预测方法。基于图卷积循环神经网络的多风场预测模型具有强大的特征提取能力，能够有效处理非欧数据，使多风场风速的预测精度得到进一步提升。
4.技术方案：本发明提供了基于图卷积和循环神经网络的多风场风速时空预测方法，包括以下步骤：
5.步骤(1)：获得某区域内若干个风场的位置信息和风速数据，使用无向有权图基于所述位置信息和风速数据进行图建模，并对建立的无向有权图使用谱图卷积计算，构造风速图信号序列；
6.其中风速图信号序列建模方法如下：
7.对于某区域内的m个风场，使用一个无向有权图g＝(v，e，a)来对其数据进行建模，其中v＝{v1，v2，
…
，vm}为顶点的集合，每个顶点表示该区域的一个风场，e为边的集合，a为邻接矩阵，其反映了各个顶点之间的连接关系和权重。对于每一个a
ij
∈a，其定义如下所示：
[0008][0009]
其中，d(vi，vj)表示顶点vi与vj之间的距离，即第i个风场与第j个风场的地理距离，表示所有成对顶点距离的标准差，用于消除量纲的影响，pcc(vi，vj)表示基于第i个风场与第j个风场历史风速数据计算得到的皮尔森相关性系数，γ为皮尔森系数的阈值，当pcc(vi，vj)大于等于γ时，则vi与vj有边e
ij
∈e相连，且其权重为当pcc(vi，vj)小于γ时，则vi与vj没有边相连。设置γ阈值的目的是为了获得较为稀疏的风场图，将具有较强相关性的风场顶点连接起来，为后续模型的训练学习提供一部分先验知识，减少模型的训练时间。
[0010]
将位于顶点vi的风场在时刻t的风速记为则在时刻t的风速图信号可记为本发明所要实现的时空预测就是基于历史若干时刻风速图信号序列x
t-k 1
，x
t-k 2
，
…
，x
t
来预测风速图信号x
t 1
，其中k为自然数。
[0011]
进一步的，步骤(1)中对建立的无向有权图使用谱图卷积计算，其中谱图卷积层的计算公式为：
[0012][0013]
其中，q表示卷积核的个数，y
：，q
表示第q个卷积核的输出，x
：，p
表示第p个通道图信号输入，f为卷积核，*g表示图卷积运算，w
q，p，：
表示与第p个通道图信号输入对应的第q个卷积核的参数，a(
·
)表示激活函数。
[0014]
步骤(2)：将长短期记忆神经网络中的乘法运算替代为图卷积计算，构造图卷积长短期记忆神经网络，并在此基础上建立基于图卷积长短期记忆神经网络的多风场风速时空点预测模型；本专利将长短期记忆神经单元中的乘法运算均替换为谱图卷积运算，改进为图卷积长短期记忆单元(graph convolutional lstm cell，gclstm cell)，其计算公式如下：
[0015]it
＝σ(w
xi
*
g x
t
w
hi
*
g h
t-1
bi)
[0016]ft
＝σ(w
xf
*
g x
t
w
hf
*
g h
t-1
bf)
[0017]ot
＝σ(w
xo
*
g x
t
w
ho
*
g h
t-1
bo)
[0018]ct
＝f
t
⊙ct-1
i
t
⊙
tanh(w
xc
*
g x
t
w
hc
*
g h
t-1
bc)
[0019]ht
＝o
t
⊙
tanh(c
t
)
[0020]
其中，i
t
、f
t
、o
t
分别表示t时刻输入门、遗忘门和输出门矩阵，c
t
和h
t
分别表示t时刻的单元细胞状态和隐藏层状态矩阵，x
t
表示t时刻的长短期记忆单元的输入矩阵，w
xi
、w
xf
、w
xo
、w
xc
分别为长短期记忆网络输入层神经元中输入门、遗忘门、输出门和细胞状态的权重张量，w
hi
、w
hf
、w
ho
、w
hc
分别为长短期记忆网络隐藏层神经元中输入门、遗忘门、输出门和细胞状态的权重张量，bi、bf、bo和bc分别表示输入门、遗忘门、输出门和细胞状态的偏置矩阵，*g表示图卷积运算。
[0021]
步骤(3)：基于多风场的历史风速数据，对多风场风速时空点预测模型的参数进行
训练，得到多风场风速时空点预测模型；其中基于图卷积长短期记忆神经网络的多风场风速时空点预测模型，其训练的误差损失公式为：
[0022][0023]
其中，m表示每批量训练集样本个数，m为风场的个数，表示每批量训练集中第i个样本中第s个风场输出的实际值，表示每批量训练集中第i个样本中第s个风场输出的预测值。
[0024]
步骤(4)：基于迁移学习原理，对步骤(3)中训练完成的点预测模型参数进行迁移，构建多风场风速时空概率预测模型，并做进一步训练，得到多风场风速时空概率预测模型；其中基于图卷积长短期记忆神经网络的多风场风速时空概率预测模型，其模型训练的分位数损失公式为：
[0025][0026]
其中，q表示分位点的个数，表示第j个分位点的分位数损失，fs(w(τj)，b(τj)，xi)表示每批量训练集中第i样本模型输出的第s个风场的τj分位数下的风速预测值，w(τj)和b(τj)是与分位数τj有关的模型参数，即概率预测模型中全连接层的w参数和b参数，xi表示每批量训练集中第i个样本的输入。这里基于迁移学习原理，将点预测模型中gclstm层的参数迁移至概率预测模型中的gclstm层，目的是减少概率预测模型训练所需的时间。
[0027]
步骤(5)：将需要进行风速预测的风场信息通过步骤(1)构造为风速图信号序列，将待预测的风速图信号序列依次输入步骤(3)和步骤(4)训练得到的模型，得到多风场的风速的点预测和概率预测结果。
[0028]
有益效果：与现有技术相比，本发明的技术方案基于某区域内多风场的位置信息和风速数据，采用图建模和谱图卷积计算对数据进行预处理，经池化构建不同池化组合及相应的训练数据池，输入改进后的图卷积风速预测模型，可以深度提取多风场风速数据的时空结构和时空特征，为风电系统调度和需求响应实施提供指导，保障了风力发电系统的安全稳定经济运行。
附图说明
[0029]
图1为本发明基于图卷积和循环神经网络的多风场风速时空预测方法流程示意图；
[0030]
图2为本发明风速数据图建模结果的示意图；
[0031]
图3为本发明图卷积长短期记忆单元结构的示意图；
[0032]
图4为本发明基于gclstm的多风场风速时空预测模型结构图；
[0033]
图5为本发明实施例中每个风场不同模型全年的点预测指标对比图，包括rmse指标、mae指标和nse指标对应的曲线图；
[0034]
图6为本发明实施例中每个风场分别在(a)春季、(b)夏季、(c)秋季和(d)冬季时段中不同模型的概率预测效果图。
具体实施方式
[0035]
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本技术所附权利要求所限定的范围。
[0036]
本发明提供了基于图卷积和循环神经网络的多风场风速时空预测方法，如图1所示，该方法包括以下步骤：
[0037]
步骤(1)：获得某区域内若干个风场的位置信息和风速数据，使用无向有权图来对其数据进行图建模，并对建立好的无向有权图使用谱图卷积计算，实现风速图信号的初步分析处理，构造风速图信号序列。
[0038]
步骤(2)：将长短期记忆神经网络中的乘法运算替代为图卷积计算，构造图卷积长短期记忆神经网络，并在此基础上搭建基于图卷积长短期记忆神经网络(graph convolutional lstm，gclstm)的多风场风速时空点预测模型；
[0039]
步骤(3)：基于多风场的历史风速数据，对多风场风速时空点预测模型的参数进行训练，得到多风场风速时空点预测模型；
[0040]
步骤(4)：基于迁移学习原理，对步骤(3)中训练完成的点预测模型参数进行迁移，构建多风场风速时空概率预测模型，并做进一步训练，得到多风场风速概率预测模型；
[0041]
步骤(5)：将需要进行风速预测的风场信息通过步骤(1)构造为风速图信号序列，将待预测的风速图信号序列依次输入步骤(3)和步骤(4)训练得到的模型，得到多风场的风速的点预测和概率预测结果。
[0042]
下面结合具体实施例，详细说明使用本发明中的方法进行多风场风速预测的具体实施过程。以美国密歇根湖附近76个风场风速数据为例，按1小时的采样频率获取从2004年1月1日至2006年12月31日的风速数据，表1展示了76个风场的地理位置信息。为测试模型泛化能力和预测精度，将每月最后三天的数据作为测试集，其余数据作为训练集，提前6个小时预测76个风场中的风速数据，所用预测误差评价指标为纳什效率系数anse，平均绝对误差mae和均方根误差rmse。具体实施步骤如下：
[0043]
步骤(1)中，风速图信号序列建模方法以及图卷积计算方法如下：
[0044]
1.1对于某区域内的m个风场，使用一个无向有权图g＝(v，e，a)来对其数据进行建模，其中v＝{v1，v2，
…
，vm}为顶点的集合，每个顶点表示该区域的一个风场，e为边的集合，a为邻接矩阵，其反映了各个顶点之间的连接关系和权重。对于每一个a
ij
∈a，其定义如下所示：
[0045][0046]
其中，d(vi，vj)表示顶点vi与vj之间的距离，即第i个风场与第j个风场的地理距离，表示所有成对顶点距离的标准差，用于消除量纲的影响，pcc(vi，vj)表示基于第i个风场与第j个风场历史风速数据计算得到的皮尔森相关性系数，γ为皮尔森系数的阈值，当pcc(vi，vj)大于等于γ时，则vi与vj有边e
ij
∈e相连，且其权重为当pcc(vi，vj)小于γ时，则vi与vj没有边相连。设置γ阈值的目的是为了获得较为稀疏的风场图，将具有较强相关性的风场顶点连接起来，为后续模型的训练学习提供一部分先验知识，减
少模型的训练时间。
[0047]
将位于顶点vi的风场在时刻t的风速记为则在时刻t的风速图信号可记为本发明所要实现的时空预测就是基于历史若干时刻风速图信号序列x
t-k 1
，x
t-k 2
，
…
，x
t
来预测风速图信号x
t 1
，本发明中k设置为6。
[0048]
1.2对建立好的无向有权图使用谱图卷积计算，其中谱图卷积层的计算公式为：
[0049][0050]
其中，q表示卷积核的个数，y
：，q
表示第q个卷积核的输出，x
：，p
表示第p个通道图信号输入，f为卷积核，*g表示图卷积运算，w
q，p，：
表示与第p个通道图信号输入对应的第q个卷积核的参数，a(
·
)表示激活函数，p表示图信号输入的通道数，即具有p个顶点特征。
[0051]
本专利使用2004年1月1日至2005年12月31日的风速数据进行图建模，本文设置γ阈值为0.85，最终获得的风场图包含76个节点，1305条边，如图2所示，该图是以弹性布局(spring layout)绘制的。此外，上述数据还用于模型的训练和验证，其中训练集和验证集的比例为9∶1，2006年1月1日至12月31日的风速数据用作模型的测试集。
[0052]
步骤(2)中对长短期记忆网络进行改进，所提图卷积长短期记忆神经网络原理如下：
[0053]
2.1长短期记忆神经网络是循环神经网络的一种变体，使用长短期记忆单元替换原始循环神经网络中的隐藏单元，长短期记忆单元中具有三个门结构，分别为输入门、遗忘门和输出门，可以有效控制细胞状态和隐藏层状态的更新，其内部计算公式如下：
[0054]it
＝σ(ω
xi
x
t
ω
hiht-1
bi)
[0055]ft
＝σ(ω
xf
x
t
ω
hfht-1
bf)
[0056]ot
＝σ(ω
xo
x
t
ω
hoht-1
bo)
[0057]ct
＝f
t
⊙ct-1
i
t
⊙
tanh(ω
xc
x
t
ω
hcht-1
bc)
[0058]ht
＝o
t
⊙
tanh(c
t
)
[0059]
其中，i
t
、f
t
、o
t
分别表示t时刻输入门、遗忘门和输出门向量，c
t
和h
t
分别表示t时刻的单元细胞状态和隐藏层状态向量，xi表示t时刻的长短期记忆单元的输入向量，ω
xi
、ω
hi
、ω
xf
、ω
hf
、ω
xo
、ω
ho
、ω
xc
和ω
hc
为权重矩阵，bi、bf、bo和bc为偏置向量，σ(
·
)表示sigmoid函数，tanh(
·
)表示双曲正切函数。
[0060]
2.2本专利将长短期记忆神经单元中的乘法运算均替换为谱图卷积运算，改进为图卷积长短期记忆单元(graph convolutional lstmcell，gclstm cell)，其基本计算公式如下：
[0061]it
＝σ(w
xi
*
g x
t
w
hi
*
g h
t-1
bi)
[0062]ft
＝σ(w
xf
*
g x
t
w
hf
*
g h
t-1
bf)
[0063]ot
＝σ(w
xo
*
g x
t
w
ho
*
g h
t-1
bo)
[0064]ct
＝f
t
⊙ct-1
i
t
⊙
tanh(w
xc
*
g x
t
w
hc
*g h
t-1
bc)
[0065]ht
＝o
t
⊙
tanh(c
t
)
[0066]
其中，i
t
、f
t
、o
t
分别表示t时刻输入门、遗忘门和输出门矩阵，c
t
和h
t
分别表示t时刻的单元细胞状态和隐藏层状态矩阵，x
t
表示t时刻的长短期记忆单元的输入矩阵，w
xi
、w
xf
、wxo
、w
xc
分别为长短期记忆网络输入层神经元中输入门、遗忘门、输出门和细胞状态的权重张量，w
hi
、w
hf
、w
ho
、w
hc
分别为长短期记忆网络隐藏层神经元中输入门、遗忘门、输出门和细胞状态的权重张量，bi、bf、bo和bc分别表示输入门、遗忘门、输出门和细胞状态的偏置矩阵，*g表示图卷积运算。本专利所提的图卷积长短期记忆单元的基本结构如图3所示。
[0067]
步骤(2)和步骤(3)搭建了基于图卷积长短期记忆神经网络的多风场风速时空点预测模型，步骤(4)基于迁移学习原理搭建了概率预测模型，其模型的基本结构如图4所示，多风场风速时空点预测模型训练的误差损失公式为：
[0068][0069]
其中，m表示每批量训练集样本个数，m为风场的个数，表示每批量训练集中第i个样本中第s个风场输出的实际值，表示每批量训练集中第i个样本中第s个风场输出的预测值。
[0070]
多风场风速时空概率预测模型训练的分位数损失公式为：
[0071][0072]
其中，q表示分位点的个数，本实施例设置为21个，即0.01，0.05，0.10，...，0.95，0.99，主要是为了减少模型训练时间，xi表示每批量训练集中第i个样本的输入，fs(w(τj)，b(τj)，xi)表示每批量训练集中第i样本模型输出的第s个风场的τj分位数下的风速预测值，w(τj)和b(τj)是与分位数τj有关的模型参数，即概率预测模型中全连接层的参数。这里基于迁移学习原理，将点预测模型中gclstm层的参数迁移至概率预测模型中的gclstm层，减少概率预测模型训练所需的时间。
[0073]
本专利使用多个风场平均的均方根误差(averagermse，armse)、纳什效率系数(average nse，anse)和平均绝对误差(average mae，amae)来评价多风场风速的时空点预测的效果，其表达式如下所示：
[0074][0075][0076][0077]
其中，n为测试集的样本个数。
[0078]
本专利使用多个风场的平均分位数得分(average quantile score，aqs)来综合评价模型概率密度预测效果，其表达式如下：
[0079]
[0080]
其中，表示对应于第i个样本模型输出的第s个风场τj分位数下的风速预测值。平均分位数得分值越小说明概率预测效果越好。
[0081]
为了验证所提点预测模型的有效性，本专利选择了ann和lstm作为对比模型，由于ann和lstm无法处理图信号样本，故单独为每个风场建立一个ann和lstm模型。本专利选择2006年1月、4月、7月、10月的多风场风速数据来比较模型在不同季节的预测效果。表2给出了不同模型在不同季节以及全年的预测指标。从表中可以看出，本专利所提模型在不同季节以及全年均具有最优的点预测指标，这说明充分利用邻近风场的历史风速信息能够有效提高风速预测的准确性。此外，从无量纲的anse指标可以看出，本专利所提模型在冬季的预测性能最好，anse指标达到了0.9335，而在夏季的预测性能最差，anse指标仅为0.7753，其他对比模型也具有相似的特点，这可能是由于气候原因导致夏季的风速波动性和随机性较其他季节更强，因而其可预测性相对较弱。
[0082]
图5展示了对于每个风场不同模型全年的点预测指标。图中本文所提模型的rmse指标曲线和mae指标曲线明显低于其他两个对比模型，而nse指标曲线明显高于两个对比模型，可以看出本专利所提模型通过融合邻近风场历史风速信息，每个风场的预测准确性都得到了提升。
[0083]
为了验证所提概率预测模型的有效性，本专利同样选择使用分位数损失优化的ann和lstm网络作为对比模型。表3展示了不同模型在不同季节以及全年的概率预测指标。从表中可知，本文所提模型的在不同季节的平均概率指标aqs均为最优，表现出较好的概率预测性能，说明融合邻近风场的历史风速信息同样有助于风速的概率预测。从表中还可以看出，本文所提模型在冬季的概率预测性能最优，而在夏季的概率预测性能相对较差。
[0084]
图6以1号风场为例，展示了本专利所提模型在不同季节代表月前5天的概率预测结果。从图上可知，表示实际值的黑色虚线在不同季节均大多落在置信区间内，这说明本文所提模型具有较好的预测可靠性。
[0085]
表1区域内76个风场地理位置信息
[0086][0087]
表2不同模型不同季节的点预测指标
[0088][0089]
表3不同模型在不同季节的概率预测指标(aqs)
[0090]