一种考虑时空分布特征的风电功率多步预测方法与流程

技术特征：
1.一种考虑时空分布特征的风电功率多步预测方法，其特征在于，包括：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；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；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，第一个网络用于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；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。2.如权利要求1所述的考虑时空分布特征的风电功率多步预测方法，其特征在于，所述风电机组数据包括风机功率、风速数据。3.如权利要求2所述的考虑时空分布特征的风电功率多步预测方法，其特征在于，所述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包括：第一步：分别对风机功率、风速数据进行归一化处理；第二步：确定风电机组的特征向量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：x
i
＝[v
i,mean
,v
i,std
,p
i,mean
,p
i,std
]
t
(i＝1,2,...,n)第三步：k均值聚类：3-1.确定距离公式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：3-2.预设聚类数分别为k1,k2,
…
,k
m
；3-3.初始化：r＝1；3-4.确定聚类数：k＝k
r
；3-5.机组聚类问题转换成求解最优化问题：式中，c
r
为聚类数为k
r
时的分类结果，是第l个类的均值或中心，c
l
表示所有属于第l个类的风电机组集合；3-6.计算聚类结果的轮廓系数：式中，a(x
i
)表示特征向量x
i
与其他各类样本的平均距离的最小值，b(x
i
)表示特征向量x
i
与同类内所有样本间距离的平均值；3-7.令r:＝r 1，返回步骤3-4；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；4.如权利要求3所述的考虑时空分布特征的风电功率多步预测方法，其特征在于，所述对风速数据进行归一化处理，计算公式如下：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。5.如权利要求1或3所述的考虑时空分布特征的风电功率多步预测方法，其特征在于，所述对每一个机组群的功率序列进行eemd分解包括：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h
i
，获得n
h
个添加噪声后的序列y
i
：y
i
＝x h
i
(i＝1,2,...,n
h
)第二步：对n
h
个添加噪声后的功率序列依次进行emd分解；第三步：将n
h
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。6.如权利要求5所述的考虑时空分布特征的风电功率多步预测方法，其特征在于，所述第二步，对n
h
个添加噪声后的功率序列依次进行emd分解包括如下步骤：2-1.令i＝1；2-2.对第i个添加噪声的序列y
i
进行分解，令s＝y
i
；2-3.令k＝0，2-4.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
；2-5.计算均值包络线：2-6.原始信号与均值包络线作差，得到中间信号：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，返回至步骤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：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；
2-7.将原始序列减去分量imf
i,t
，得到残差信号s
r
：s
r
＝s-imf
i,t
若s
r
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＝s
r
，返回至步骤2-3；最终得到所有的m
g
个子序列分量，该序列的分解结果为：令i:＝i 1，返回至步骤2-2，继续对下一个添加噪声后的序列进行emd分解，直到i＝n
h
。7.如权利要求6所述的考虑时空分布特征的风电功率多步预测方法，其特征在于，所述原始功率序列x的eemd分解结果为：8.如权利要求1所述的考虑时空分布特征的风电功率多步预测方法，其特征在于，所述编码器-解码器多步预测网络模型的计算表达式如下：h
t
＝f
enc
(x
t
,h
t-1
))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。9.如权利要求8所述的考虑时空分布特征的风电功率多步预测方法，其特征在于，所述编码器和解码器均为gru网络，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：r
t
＝σ(w
xr
x
t
w
hr
h
t-1
b
r
)u
t
＝σ(w
xu
x
t
w
hu
h
t-1
b
u
)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，b
r
和b
u
均为偏置。10.如权利要求9所述的考虑时空分布特征的风电功率多步预测方法，其特征在于，隐层状态是gru的循环变量，其计算公式如下：其计算公式如下：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；sigmoid激活函数和tanh激活函数的具体表达式如下：

技术总结
本发明公开了考虑时空分布特征的风电功率多步预测方法，包括：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；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；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；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。本方法保证了预测尺度和预测精度，更加贴近实际风电调度任务场景。际风电调度任务场景。际风电调度任务场景。


技术研发人员：刘明波 张思毅 雷振兴 林舜江 谢敏
受保护的技术使用者：华南理工大学
技术研发日：2021.11.05
技术公布日：2022/2/8