一种考虑时空分布特征的风电功率多步预测方法与流程

1.本发明涉及电力技术领域，具体涉及一种考虑时空分布特征的风电功率多步预测方法。


背景技术：

2.近年来，随着化石能源的日益枯竭和低碳环保理念的普及，新能源发电尤其是风力发电所发挥的作用日益突显。作为风电并网的关键技术之一，风电功率预测是指：综合风电场的历史运行数据、机组数据、地理信息和数值天气预报(numerical weather prediction,nwp)数据等信息，结合预先搭建好的预测模型，对风电场未来一段时间的有功功率做出预测。然而，风力发电受气象和地理条件的影响较大，其出力具有很强的随机性、波动性和间歇性，这将给风电功率的精准预测带来巨大挑战。因此，实现风电功率的精准预测，从而辅助开展对风电的科学调度和控制，是推动风电大规模并网的重要前提和必要保证。
3.目前风电功率预测方法主要有物理方法、统计方法和人工智能方法。
4.物理方法主要是从风力发电的物理过程出发，结合风电场的地形信息和nwp数据，获得轮毂高度的风速后，再经风速-功率曲线转换成预测功率。物理方法的优势在于不需要历史运行数据，因此也适用于新建风电场，但对地形信息的分辨率和nwp数据的准确度要求很高。
5.统计方法是基于统计学的思想，从历史功率数据出发，研究其内在的统计规律，其中时间序列分析是典型的统计方法。经典的时间序列模型包括自回归模型、移动平均模型以及自回归移动平均模型等。这些时间序列分析模型简单有效，但对序列往往有平稳性的要求，而且需要大量的历史运行数据作为数据支撑，不适合新建风电场。
6.人工智能方法则是利用神经网络的自适应性和强大的提取非线性特征的能力，搭建预测模型，从海量数据中提取风电功率同其他影响因素之间的非线性函数关系，从而实现功率预测，最早得到应用的是反向传播神经网络(back propagation neural network,bpnn)。为了进一步考虑风电功率序列的动态性，有学者将循环神经网络(recurrent neural network,rnn)应用到风电功率预测中，其中长短期记忆网络(long short-term memory,lstm)和门控循环单元(gatedrecurrent unit,gru)网络引入门控机制来控制信息的传递，避免了rnn存在的“梯度消失/爆炸”问题，更加适合于处理风电功率这样的时间序列。人工智能方法的优势在于可以充分挖掘风电场海量数据之间的非线性特征，从而构建人工神经网络进行精准预测，但由于将风力发电发作一个“黑盒子”，因此模型的可解释性差，甚至无法解释。
7.目前，采用以上方法进行风电功率预测，都有各自的局限性。物理方法建模复杂，对风电场的地形信息的分辨度和nwp数据的准确度要求很高，现有技术很难完全满足。统计方法简单，计算量小，但对时间序列的平稳性要求较高，且需要大量的历史数据作为统计分析的数据来源，不适用于新建风电场。人工智能方法的理论较为先进，但模型的可解释性
差，计算量大，网络的训练过程具有一定的不确定性。此外，现有的风电功率预测技术鲜有考虑风机的地理位置分布对风电功率的影响，从而忽视了风电场功率的空间分布特征；在预测时间尺度上也多集中于超短期预测，尤其是以单步预测为主，无法满足实际工程应用的需求。


技术实现要素：

8.为了解决上述背景技术所存在的至少一技术问题，本发明提供一种考虑时空分布特征的风电功率多步预测方法。
9.为实现上述目的，本发明的技术方案是：
10.一种考虑时空分布特征的风电功率多步预测方法，包括：
11.利用所获取的风电机组数据，对风电机组数据进行聚类，聚类成若干个机组群，以提取出风电场功率的空间分布特征；
12.对每一个机组群的功率序列进行eemd分解，得到若干个风电场功率子序列，提取出风电功率序列的时间分布特征；
13.为每一个机组群的子序列分别建立编码器-解码器多步预测网络模型，该网络模型由两个 gru网络组成，第一个网络提取输入功率序列的有效信息后将其编码成特征向量；第二个网络则对编码器传送过来的特征向量进行解码，获得预测功率序列；
14.将各个机组群的预测功率进行重构，获得风电场总功率的预测曲线。
15.本发明与现有技术相比，其有益效果在于：
16.本发明提取风电场功率的时空分布特征后进行预测，保证了预测尺度和预测精度，多步预测也更贴近实际风电调度任务场景，同时也避免了对单台机组进行建模带来的巨大工作量，组合方法的预测形式也提高了预测准确度。
附图说明
17.图1为本发明实施例提供的考虑时空分布特征的风电功率多步预测方法的流程图；
18.图2为编码器-解码器多步预测模型图；
19.图3为不同预测方法在数据集1的预测曲线对比图；
20.图4为不同预测方法在数据集2的预测曲线对比图；
21.图5为本发明方法在t 1、t 6和t 12时刻的预测结果图。
具体实施方式
22.在本技术中，相关缩略语和关键术语定义如下：
23.数值天气预报：numerical weather prediction,nwp
24.反向传播神经网络：backpropagation neural network,bpnn
25.循环神经网络：recurrent neural network,rnn
26.长短期记忆网络：long short-term memory,lstm
27.门控循环单元：gated recurrent unit,gru
28.经验模态分解：empirical mode decomposition,emd
29.集合经验模态分解：ensemble empirical mode decomposition,eemd
30.编码器-解码器：encoder-decoder,ed
31.均方根误差：root mean square error,rmse
32.平均绝对误差：mean absolute error,mae
33.实施例：
34.下面结合附图和实施例对本发明的技术方案做进一步的说明。
35.本发明旨在提出一种实现风电功率多步精准预测的组合方法，该方法融合了统计方法与人工智能方法的优势，在提取风电场功率时空分布特征后实现功率预测，预测结果可以满足风电实际调度任务的需要。首先利用k均值聚类方法对风电机组进行聚类，从而提取风电场功率的空间分布特征。其次采用集合经验模态分解(ensemble empirical mode decomposition, eemd)算法提取功率序列中的不同时间尺度的特征，将波动较大、变化不规律的原始功率序列分解成若干个有规律的子序列，充分提取出风电功率序列的时间分布特征。然后为每一个机组群的子序列分别建立编码器-解码器(encoder-decoder,ed)预测网络，该网络由两个gru 网络组成，第一个网络采用深度gru，充分提取输入功率序列的有效信息后将其编码成特征向量；第二个网络则对编码器传送过来的特征向量进行解码，获得预测功率序列。最后将各个机组群的预测功率进行重构，获得风电场总功率的预测曲线。提取风电场功率的时空分布特征后进行预测，保证了预测尺度和预测精度，多步预测也更贴近实际风电调度任务场景，同时也避免了对单台机组进行建模带来的巨大工作量，组合方法的预测形式也提高了预测准确度。
36.参阅图1所示，本方法主要包括如下步骤：
37.机组聚类步骤
38.考虑到风电场内处于不同位置的风电机组，受到地形、天气等因素的影响不尽相同，因此其出力会有所不同，为了更好地提升预测效果，也为了避免对单台机组进行建模，因此采用聚类方法对风电机组进行聚类，从而提取出风电场功率的空间分布特征。机组聚类的具体计算流程如下：
39.第一步：数据预处理。
40.对原始风速数据进行归一化处理，计算公式如下：
[0041][0042]
式中，v
i，t
和v
′
i，t
分别是第i台风电机组在时刻t的原始风速和归一化后的风速，v
i，min
＝ min{v
i，1
，v
i，2
，...，v
i，t
}和v
i，max
＝max{v
i，1
，v
i，2
，...，v
i，t
}是第i台风电机组的最小和最大风速值，n 是风电机组数量。
[0043]
采用同样的方法，对原始功率数据也进行归一化处理。
[0044]
第二步：确定风电机组的特征向量。
[0045]
选择全年观测的平均风速、风速标准差、平均功率和功率标准差作为单台风电机组的表征，因此每台风电机组的特征向量xi为4维向量，其表达式如下：
[0046]
xi＝[v
i，mean
，v
i，std
，p
i，mean
，p
i，std
]
t
(i＝1，2，...，n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0047]
第三步：k均值聚类。
[0048]
3.1.确定距离公式。
[0049]
选择欧式距离平方作为风电机组特征向量之间距离的衡量，计算公式如下：
[0050]
d(xi，xj)＝||x
i-xj||2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0051]
3.2.预设聚类数分别为k1，k2，...，km[0052]
3.3.初始化：r＝1
[0053]
3.4.确定聚类数：k＝kr[0054]
3.5.机组聚类问题转换成求解最优化问题：
[0055][0056]
式中，cr为聚类数为kr时的分类结果，是第l个类的均值或中心，c(i)＝l表示所有属于第l个类的风电机组集合。
[0057]
3.6.计算聚类结果的轮廓系数：
[0058][0059]
式中，a(xi)表示特征向量xi与其他各类样本的平均距离的最小值，b(xi)表示特征向量xi与同类内所有样本间距离的平均值。
[0060]
3.7.令r：＝r 1，返回3-4。
[0061]
3.8.遍历所有预设聚类数，选择轮廓系数高的结果作为最终的聚类结果。原始的n台风电机组，聚类成k
*
个机组群。
[0062][0063]
功率序列分解步骤
[0064]
对于每一个机组群的功率序列进行eemd分解，获得不同时间尺度的特征，将波动较大的原始序列转换成若干个波动较小、有规律的子序列，eemd分解具体计算流程如下：
[0065]
第一步：为第g个机组群原始功率序列x添加不同的白噪声hi，获得nh个添加噪声后的序列yi：
[0066]
yi＝x hi(i＝1，2，...，nh)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0067]
第二步：对nh个添加噪声后的功率序列依次进行emd分解
[0068]
2-1.令i＝1
[0069]
2-2.对第i个添加噪声的序列yi进行分解，令s＝yi。
[0070]
2-3.令k＝0，
[0071]
2-4.找出序列所有极大值点和极小值点，利用插值法拟合成上包络线s
max
和下包络线 s
min
[0072]
2-5.计算均值包络线：
[0073]
2-6.原始信号与均值包络线作差，得到中间信号：
[0074]
若满足本征模函数判定条件，则为原始序列的1个子序列分量，记为imf
i，t
；否则令k：＝k 1，返回至2-4，直到满足条件，获得子序列分量。其中本征模函数判定条件为：
[0075][0076]
其中和分别为前后两次的中间信号，当sd介于0.2～0.3时，满足本征模函数判定条件。
[0077]
2-7.将原始序列减去分量imf
i，t
，得到残差信号sr：
[0078]
sr＝s-imf
i，t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0079]
若sr的极值点数目小于序列长度或者为单调函数时，emd分解终止。否则，令s＝sr，返回至步骤2-3。
[0080]
最终得到所有的mg个子序列分量，该序列的分解结果为：
[0081][0082]
令i：＝i 1，返回至2-2，继续对下一个添加噪声后的序列进行emd分解，直到i＝nh。
[0083]
第三步：将nh个添加噪声后的功率序列的emd分解结果进行平均处理，获得原始功率序列x的eemd分解结果如下：
[0084][0085]
编码器-解码器多步预测模型步骤
[0086]
为每个机组群的每一个eemd分量构建编码器-解码器多步预测模型，该模型由两个gru 网络组成，其结构如图2所示。第一个网络是编码器，采用深度gru，可以充分提取输入序列的有效信息，并将其编码成特征向量；第二个网络是解码器，在接收到编码器传送过来的特征向量后，解码器开始工作，将特征向量通过gru单元解码后，经过全连接层转换成所需的维度，获得第一个功率预测值，然后将该预测值作为输入传送到下一个gru单元，得到第二个功率预测值，依次类推，最终完成整个功率序列的预测。编码器-解码器多步预测模型的计算表达式如下：
[0087]ht
＝f
enc
(x
t
，h
t-1
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0088][0089][0090]
式中，x
t
表示输入历史功率，t为输入步长，表示预测功率，f
enc
、f
dec
和f
out
分别表示编码器、解码器和全连接层函数。
[0091]
其中，gru网络是具有门控机制的rnn，主要由重置门和更新门组成，两个门控机制的表达式为：
[0092]rt
＝σ(w
xr
x
t
w
hrht-1
br)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0093]ut
＝σ(w
xu
x
t
w
huht-1
bu)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0094]
式中，σ表示sigmoid激活函数，x
t
为当前时刻的输入，h
t-1
为上一时刻的隐层状态，br和bu均为偏置。
[0095]
隐层状态是gru的循环变量，其计算公式如下：
[0096]
[0097][0098]
式中，表示隐层状态的候选状态，h
t
表示隐层状态，
⊙
表示向量元素点乘，tanh表示双曲正切激活函数；
[0099]
sigmoid激活函数和tanh激活函数的具体表达式如下：
[0100][0101][0102]
下面结合一个仿真实例来对本方法进行进一步的验证说明：
[0103]
数据来源
[0104]
采用某风电场的真实数据进行测试，该风电场由23台额定功率为1.5mw的风机组成，额定装机容量为34.5mw。数据集包含了来自不同风机的多位置风速数据和功率数据，时间跨度为2019年2月1日0时至2019年11月30日23时50分，时间分辨率为10分钟。
[0105]
采用python3.6作为编程语言，深度学习架构基于pytorch框架和scikit-learn算法，程序运行环境为intel i9-10900处理器，nvidia-quadro-p1000显卡，绘图工具采用matplotlib绘图模块。
[0106]
算例结果
[0107]
将原始数据集划分为两个样本子集，第一个样本子集为2019年2～5月的数据(数据集1)，第二个样本子集为2019年8～11月的数据(数据集2)，每一个样本子集均按照7:1:2的比例划分为训练集、验证集和测试集。利用当前时刻前12个时刻的历史功率作为模型的输入序列，来预测后12个时刻的风电功率，同时将预测结果同传统的基于bpnn模型和gru模型的预测方法进行对比。
[0108]
各个模型在数据集1和数据集2上的预测表现分别如图3和图4所示，评价指标对比结果如表1所示。由图3和图4可以看到，所提模型的预测功率曲线基本同真实曲线相吻合，而基于bpnn和gru模型的预测功率曲线明显出现误差。从预测误差来看，在数据集1上，所提模型预测结果的rmse为0.0376，比bpnn和gru分别下降了68.18％和66.48％；在数据集2上，所提模型预测结果的rmse为0.0287，比bpnn和gru分别下降了73.15％和 70.95。从预测准确率来看，所提模型在两个数据集上的准确率分别为96.24％和97.13％，比 bpnn模型分别提升了9.14％和8.76％；比gru模型分别提升了8.40％和7.78％。测试结果表明，所提方法在超前2小时的多步功率预测中相较于传统预测模型有了很大的提升。
[0109]
表1不同预测方法的预测误差对比
[0110][0111]
表2给出了各预测模型在各个预测步上的预测误差，两个数据集t 1(超前单步)、t 6 (第1小时)、t 12(第2小时)的预测功率曲线如图5所示。由表2可以看到，随着预测步数
的增加，预测误差也逐渐增加，数据集1上的rmse为0.0221～0.0540，mae为0.0162～0.0384，相关系数r为0.956～0.993；数据集2上的rmse为0.0123～0.0403，mae为 0.0085～0.0309，相关系数r为0.987～0.999。所提模型在第1小时(t 6)和第2小时(t 12) 的预测准确率均超过了94％，且相关系数r均在0.95以上。
[0112]
表2所提方法在各预测步的误差统计
[0113][0114][0115]
不同预测场景下的预测结果
[0116]
为进一步验证所提方法在不同应用场景下的预测性能，对各种方法在超前1h、超前2h、超前3h和超前4h这四个场景下的预测性能做验证，表3给出了预测结果。由表3可以看到，随着预测时间的增加，各个模型的预测误差都有所上升，但所提模型在各个场景下预测性能均优于其他模型，rmse为0.0193～0.0435，相关系数r也在0.98以上，准确率为95.65％～98.07％，预测准确率比bpnn提升了7.36％～12.18％，比gru提升了6.45％～11.88％。这说明了所提方法在不同预测场景下都具有良好的表现，可以适用于风电功率的超短期预测。
[0117]
表3各种方法在不同预测场景下的预测误差
[0118][0119]
综上，与现有技术相比，本发明具有以下优点：
[0120]
1)所提方法利用历史运行数据进行预测，无需额外采集nwp数据和地形数据，减少
了数据采集的工作量。
[0121]
2)所提方法属于多步预测范畴，相比于单步预测，能为风电调度提供更多信息，更贴近实际风电调度任务场景。
[0122]
3)所提方法预测精度高，稳定性强，在两个数据集上超前1～4小时预测任务中的准确率均在95％以上，预测误差远低于bpnn和gru的误差。
[0123]
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。