基于奇异谱分解和时间卷积神经网络的多步风电功率预测方法与流程

1.本发明涉及一种基于奇异谱分解和时间卷积神经网络的多步风电功率预测 方法。适用于风力发电功率预测领域。


背景技术：

2.风能作为新型能源，由于其储量无限、安全、清洁等优点而被广泛应用， 得到各国的大力发，在能源领域具有极大的潜力。风速的非平稳性导致风力发 电功率的随机性和波动性较大，给大规模风力发电并网的安全稳定和经济运行 带来了挑战，因而提高风力发电功率预测的准确度具有重要的意义。
3.短期和超短期预测可以为电力调度和风电发电并网安全提供可靠的电力暂 态信息，因此，风电功率预测研究主要集中在短期和超短期风电功率预测上。 风电功率预测大致分为以下四种类型:(1)物理方法；(2)统计方法；(3)深度学习方 法；(4)混合方法。
4.物理方法主要基于数值天气预报(numerical weather prediction,nwp)，利用 太阳辐照度、风速、温度等气象信息和地理信息进行风电功率预测。由于需要 详细的风电电站地理信息和气象数据，建模过程复杂。统计方法通过建立气象 和其他相关信息与风电功率之间的统计关系，进行风电功率的预测。统计方法 较物理方法建模简单，在早期得到广泛应用。
5.随着深度学习的快速发展，并在各种领域取得重大成功，基于深度学习的 风电功率预测方法开始被大量研究。深度学习方法建模简单，且拥有较高的准 确度，在风电功率预测领域应用广泛。其中，基于bigru网络的时间序列建模 被证明在风电功率预测方面表现良好，比传统统计方法和浅层神经网络方法预 测效果更好。


技术实现要素：

6.本发明要解决的技术问题是：提供一种基于奇异谱分解和时间卷积神经网 络的多步风电功率预测方法。
7.本发明所采用的技术方案是：一种基于奇异谱分解和时间卷积神经网络的 多步风电功率预测方法，其特征在于：
8.获取历史风速和历史功率；
9.对历史风速和历史功率进行奇异谱分解，分别获得历史风速和历史功率的 多维特征向量；
10.将历史风速和历史功率的多维特征向量输入经训练的风电功率预测模型， 输出风电功率预测结果；
11.所述风电功率预测模型包括时间卷积神经网络层和全连接层，时间卷积神 经网络层用于对历史风速数据和历史功率数据进行时序建模和特征提取，全连 接层用于对时间卷积神经网络层提取的特征进行融合，以获取最终风电功率预 测结果。
12.所述风电功率预测模型的训练，包括：
13.采用mse损失函数计算风电功率预测结果与真实功率之间的损失；将获取 的网络损失反向传播，对风电功率预测模型的权值进行更新，直到网络收敛， 获得训练完成的风电功率预测模型。
14.一种基于奇异谱分解和时间卷积神经网络的多步风电功率预测装置，其特 征在于：
15.数据获取模块，用于获取历史风速和历史功率；
16.数据分解模块，用于对历史风速和历史功率进行奇异谱分解，分别获得历 史风速和历史功率的多维特征向量；
17.结果预测模块，用于将历史风速和历史功率的多维特征向量输入经训练的 风电功率预测模型，输出风电功率预测结果；
18.所述风电功率预测模型包括时间卷积神经网络层和全连接层，时间卷积神 经网络层用于对历史风速数据和历史功率数据进行时序建模和特征提取，全连 接层用于对时间卷积神经网络层提取的特征进行融合，以获取最终风电功率预 测结果。
19.所述风电功率预测模型的训练，包括：
20.采用mse损失函数计算风电功率预测结果与真实功率之间的损失；将获取 的网络损失反向传播，对风电功率预测模型的权值进行更新，直到网络收敛， 获得训练完成的风电功率预测模型。
21.一种存储介质，其上存储有能被处理器执行的计算机程序，其特征在于： 所述计算机程序被执行时实现所述基于奇异谱分解和时间卷积神经网络的多步 风电功率预测方法的步骤。
22.一种多步风电功率预测设备，具有存储器和处理器，存储器上存储有能被 处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述基 于奇异谱分解和时间卷积神经网络的多步风电功率预测方法的步骤。
23.本发明的有益效果是：本发明将历史风速信号和历史功率信号进行奇异值 分解，将分解后的多维特征向量加入到时间卷积神经网络(tcn)中，提升网 络的特征提取能力，提升风电功率预测网络的预测效果。
附图说明
24.图1为实施例的结构框图。
具体实施方式
25.本实施例为一种基于奇异谱分解和时间卷积神经网络的多步风电功率预测 方法，具体包括以下步骤：
26.s1、获取历史风速和历史功率，包括待预测时刻之前n(本例n取8)个时 刻的风速和功率数据。
27.s2、对历史风速和历史功率进行奇异谱分解(ssd)，分别获得历史风速和 历史功率的多维特征向量。
28.ssd(奇异谱分解)是一种新颖的信号处理方法，可以将多分量时间序列分 为几个
子序列。对于多分量时间序列x(n)，ssd总结如下：
29.(1)建立一个新的轨迹矩阵。对于一个给定的具有n个数据点的时间序列 x(n)，假设嵌入维度设置为m且1＜m＜n，我们可以建立一个矩阵x＝ [x
1t
，x
2t
...，x
mt
]
t
，其中xi表示构造的矩阵的第i行，并且 xi＝(x(i)，...x(n)，x(1)，...x(i-1))，i＝1，...，m。
[0030]
具体而言，当嵌入维度m＝3时，时间序列x(n)＝{1、2、3、4、5}的轨迹 矩阵x的表示如下：
[0031][0032]
其中x的左侧的3
×
3矩阵表示轨迹矩阵(即垂直栏中的左侧部分)。通过 将矩阵x的右下角元素(即标记为“*”的元素)移动到矩阵x的左上角，可 以构建新的轨迹方程。也就是说，为了确保矩阵x的有效对角平均，式(1)中 的轨迹矩阵x可以被重新组织为：
[0033][0034]
其中实垂线左侧的矩阵表示新的轨迹矩阵，并且新矩阵的对角元素和原矩 阵相等，旨在延x的第i个对角线进行平均。
[0035]
(2)在迭代j处确定嵌入的维度m。在原始ssd中，嵌入维度m的选择 基于一个经验原则。具体而言，通过在迭代j处计算剩余时间序列的功率谱密度 (psd)来人为的确定嵌入维度m。
[0036]
当迭代j＝1时，如果f
max
/fs＜0.001，则表明分析结果具有较大趋势，则将嵌 入维度m选择为floor(n/3)。
[0037]
其中floor(
·
)表示取整运算，f
max
/fs表示归一化频率，fs是采样频率，f
max
表 示包含psd中最大幅度的主频率。当迭代j＞1时，根据经验将嵌入维度m设置 为1.2
×fmax
/fs。
[0038]
(3)从高频开始依次重建第j个子系列低频。具体的，对于迭代j，将剩余 时间序列的psd的频带[f
max-δf，f
max
δf]视为目标频带，其中δf表示半带宽，并 且有g
(j)
(n)的psd高斯插值确定。根据所有左特征向量在目标频带具有明显峰 值且包含主峰值能量的三阶特征，首先建立一个子集ij(ij＝{i1，...，i
p
})，然后通 过对矩阵矩阵x
ij
＝x
i1
... x
ip
进行对角线平均运算重构对应的子序列。
[0039]
(4)根据错误分析设定停止条件。具体来说，从迭代序列v
(j)
(n)分离出 在下一次迭代中获得残差序列则在残差 序列v
(j 1)
(n)和原始序列行x(n)之间的归一化均方误差(nmse)由下式计算：
[0040]
xi＝si gi aiꢀꢀ
(3)
[0041]
(5)当nmse低于预定义的阈值xi时，它将停止ssd的分解过程。否则， 将剩余项视为原始时间序列以继续迭代，直到满足停止条件为止。最终原始时 间序列x(n)被分解为几个子序列和剩余序列v
(m 1)
(n)。
[0042][0043]
其中m表示子序列的数量，表示第k个子序列。
[0044]
如图1所示，历史风速信号和历史功率信号经过奇异谱分解(ssd)之后，分 别获得k个信号分量，即imf1，imf2，imf3......imfk。
[0045]
s3、将历史风速和历史功率的多维特征向量输入经训练的风电功率预测模 型，输出风电功率预测结果。
[0046]
本实施例中风电功率预测模型包括与历史风速信号和历史功率信号分别分 解获得的k个信号分量对应的时间卷积神经网络和1个全连接层，时间卷积神 经网络用于对历史风速和历史功率的各个信号分量进行时序建模和特征提取， 全连接层用于对所有2k个时间卷积神经网络提取的特征进行融合和决策，以获 取最终风电功率预测结果。
[0047]
时序问题的建模大家一般习惯性的采用循环神经网络(rnn)来建模，这 是因为rnn天生的循环自回归的结构是对时间序列的很好的表示。近年来，基 于卷积神经网络(cnn)的时序问题处理方法受到研究者们的关注。本实施例 采用的深度学习网络结构，是对传统的适用于二维或者多维图像处理领域的卷 积神经网络进行改造获得的时间卷积神经网络(tcn)。
[0048]
tcn的主要创新点是采用了基于空洞卷积核的因果卷积，并设置了残差结 构。式(5)所示为空洞卷积核的公式描述。式(6)所示为残差连接结构的公式描述。
[0049][0050][0051]
本实施例中风电功率预测模型的训练，包括：采用mse损失函数计算风电 功率预测结果与真实功率之间的损失；将获取的网络损失反向传播，对风电功 率预测模型的权值进行更新，直到网络收敛，获得训练完成的风电功率预测模 型。
[0052]
本实施例为一种基于奇异谱分解和时间卷积神经网络的多步风电功率预测 装置，包括数据获取模块、数据分解模块和结果预测模块。
[0053]
本例中数据获取模块用于获取历史风速和历史功率；数据分解模块用于对 历史风速和历史功率进行奇异谱分解，分别获得历史风速和历史功率的多维特 征向量；结果预测模块用于将历史风速和历史功率的多维特征向量输入经训练 的风电功率预测模型，输出风电功率预测结果。
[0054]
本实施例还提供一种存储介质，其上存储有能被处理器执行的计算机程序， 该计算机程序被执行时实现本例中基于奇异谱分解和时间卷积神经网络的多步 风电功率预测方法的步骤。
[0055]
本实施例还提供一种多步风电功率预测设备，具有存储器和处理器，存储 器上存储有能被处理器执行的计算机程序，该计算机程序被执行时实现本例中 基于奇异谱分解和时间卷积神经网络的多步风电功率预测方法的步骤。