一种基于转折性时段识别的超短期风电功率分段预测方法

1.本发明涉及高集中度风电场超短期风电功率预测技术领域，尤其是涉及一种基于转折性时段识别的超短期风电功率分段预测方法。


背景技术：

2.近年来，随着风电大规模、高集中度的发展，接入电网的风电比重日益增加。但伴随着极端天气的频繁发生，其引起的大幅风速波动可能导致潜在的灾难，特别是在大容量风电场。为了及时制定有效的防控策略，提前预测极端天气下的风电功率显得尤为重要。极端天气对风电场的影响直观体现为短时内风速的重大变化，极端天气功率时段在时序尺度上表现为功率大幅度激烈波动的特征，识别并提取极端天气功率时段成为首要任务。
3.在以转折性天气为代表的极端气象条件下，风电功率在短时间内呈现剧烈波动。现有超短期风电功率单值预测方法缺乏针对极端天气的预测模型，导致预测精度与稳定性较差；其次针对平缓功率时段，传统单值预测方法具有更高的预测精度，针对极端天气功率时段，概率预测方法因能量化预测误差而具有更佳的预测性能，现有方法缺乏基于极端天气时段的预测方法优选策略，无法在全时段兼具单值预测与概率预测的优点。因此，针对传统的“简单气象模式”下的预测需进一步寻找适合“复杂气象模式”下的超短期风电功率预测方法。特别地，应考虑结合转折性天气特性并构建自适应功率突变识别机制，进一步提升模型的泛化能力。
4.当前针对转折性天气下的风电功率突变研究尚局限于对风电爬坡事件描述与预测，现有技术主要采用的方法有：通过多目标适应度函数的遗传算法对概率生成模型参数进行迭代寻优，得到大量预测场景，并通过场景捕捉带内挖掘出的爬坡事件概率特征评价该预测方法，但是该模型尚需要提高在极端天气下的鲁棒性；基于事件检测框架，采用数据驱动算法提高预测精度，但是该模型中功率爬坡事件依然使用传统评价指标，对伪拐点等干扰因素缺乏灵活应对能力；通过集成学习方法不断调整，生成概率预测以量化预测的不确定因素，然而该方法缺乏对风电爬坡事件的精准检测与识别方法，未突出模型在极端天气下的精度改进。综上所述，考虑风电功率突变时段的检测识别与超前预测已取得初步研究成果，但是在突变时段精细化识别等方面仍有一定的提升空间。


技术实现要素：

5.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于转折性时段识别的超短期风电功率分段预测方法。
6.本发明的目的可以通过以下技术方案来实现：
7.一种基于转折性时段识别的超短期风电功率分段预测方法，包括下列步骤：
8.1)提取时序趋势，求取表征风电场原始风电数据的短期发展趋势的ema曲线，采用高斯窗法进行平滑处理后求取各时刻变化率为α；
9.2)基于步骤1)得到的ema曲线，利用ema曲线局部特征差异制定窗口调整策略，设
定检测阈值ε，若窗口与其前一窗口之间分布差异波动小于该检测阈值ε，则扩大窗宽加快检测速度，否则，缩小窗宽以提升检测精度；
10.3)基于步骤2)制定的局部特征差异的窗口调整策略，利用步骤1)求取的α作为判据之一，标记两个窗口内均值出现极小值的位置为拐点；
11.4)改进传统功率突变时段判据，合并相邻同趋势突变时段，完整提取转折性天气突变时段；
12.5)依据自适应转折时段提取结果为划分依据，将时序划分为转折段与平缓段；
13.6)对平缓段采用点预测，采用gru作为点预测的原始算法，引入结合crs算法的改进attention机制，将神经网络模型的过渡特征向量赋予不同的权重，随后将注意力权重传输到gru层，输出gru神经网络的训练结果，读取训练损失曲线、误差曲线，观察收敛过程中训练集、验证集损失曲线纵向间距，结合训练集、验证集绝对误差情况，直观评估网络预测结果收敛性能；
14.7)对转折段采用概率预测，采用时序模式-自适应带宽核密度估计法概率预测；
15.8)将步骤6)和步骤7)组合完成基于转折性时段的超短期风电功率预测，获取预测功率。
16.进一步地，步骤1)中，利用移动均线法提取时序趋势。
17.进一步地，步骤2)中，利用ema曲线局部特征差异制定窗口调整策略的具体步骤包括：
18.21)将原始功率时序切分为若干片段，对每个片段进行转折点检测；
19.22)在转折点检测中，定义diffi为度量第i个窗口与前一窗口的分布差异波动情况，记为其中vsi为待检测数据的第i个窗口数据数据分布的均值波动，dsi为差值波动；
20.23)设定阈值ε，若diffi的值小于或等于阈值ε，则扩大滑动窗宽w，增加检测速度；若diffi的值大于ε，则缩小滑动窗宽w，提升检测精度。
21.进一步地，步骤3)中，采用双重定时间滑动窗进行拐点检测。具体内容为：
22.首先引入步骤1)求取的各时刻变化率α作为判据之一，设定拐点满足条件α＝0；基于ema曲线，建立两个紧密相连的滑动窗口，逐帧更新两个窗口内的数据，标记两个窗口内均值差别达到最小时的结合点处的功率值为拐点，重复上述步骤，获取相应的时序趋势拐点集t
ip
。
23.进一步地，步骤4)中，改进的突变时段判据的表达式为：
[0024][0025]
式中，为拐点集t
ip
中第j点功率值；为拐点集t
ip
中第j 1点功率值；为拐点集t
ip
中经过第j点时刻；为拐点集t
ip
中经过第j 1点的时刻；λ为转折时段突变幅度阈值；β为转折时段突变速率阈值；合并相邻同趋势的突变时段，以完整提取转折时段。
[0026]
进一步地，步骤6)中，gru神经网络的数学表达式为：
[0027]zt
＝σ(wz·
[h
t-1
,x
t
])
[0028]rt
＝σ(wr·
[h
t-1
,x
t
])
[0029][0030][0031]
式中：z
t
为更新门，r
t
为重置门，x
t
为当前输入，为输入和过去隐层状态的汇总，h
t
为隐藏层输出，wz，wr，w为可训练参数矩阵。
[0032]
引入结合crs算法的改进attention机制，将神经网络模型的过渡特征向量赋予不同的权重的具体步骤包括：
[0033]
61)提供注意力层的权重w，权重的具体计算步骤如下：
[0034]
611)对给定任务查询向量q和注意力变量k计算相似度m(q，k)；
[0035]
612)将得到相似度进行softmax操作，进行归一化，得到归一化后相似度ηi：
[0036][0037]
613)针对上述计算所得的权重，对所有求得权重进行加权求和，得到attention向量；
[0038]
62)将提供的注意力层的权重w转换为二进制代码wb，子集wi为注意力权重，将子集传输至gru神经网络，并在gru神经网络根据网络中的预测误差产生相应的损失值；
[0039]
63)根据wb的损失情况选取最优注意力权重子集w
ib
和并对其子集组合进行反复循环；
[0040]
64)重建一个新的注意力权重
[0041]
进一步地，步骤7)中，采用时序模式-自适应带宽核密度估计法概率预测的具体步骤包括：
[0042]
71)基于功率时段特征划分时序模式，划分为剧烈上升、剧烈下降、缓慢上升、缓慢下降和振荡五类；
[0043]
72)采用经验分布估计方法建立各类别在不同天气类型条件下时序模式-风电功率预测误差概率密度分布模型。
[0044]
步骤71)中，以α为划分依据，对天气类型进行划分，计算相应时序模式特征下的功率预测误差概率密度分布，并通过箱线图直观反映分布情况；利用渐进积分均方误差法求得最优窗宽，代入估计函数中，分别拟合各时序特征下的概率密度分布曲线，为区间预测结果呈现提供依据。
[0045]
本发明提供的基于转折性时段识别的超短期风电功率分段预测方法，相较于现有技术至少包括如下有益效果：
[0046]
1)本发明方法针对转折性天气条件下风电功率场景多变的情况，提出一种基于移动均值迭代的功率时序趋势判别方法，充分考虑历史风电功率时序特征，有利于提升转折天气下功率突变时段趋势描述的准确性；
[0047]
2)本发明针对功率时序转折时段提取不充分的问题，提出一种居于局部时序特征差异的滑动窗宽调整策略以提升转折时段提取完整性，并显著提升算法有效性；
[0048]
3)针对气象模式下功率时序特征差异性，提出一种立足于时序特征匹配的点预测-概率区间预测的分段功率预测方法，点预测采用改进gru算法，减少了训练量，概率区间预测采用可变带宽核密度估计法，提升了预测性能。
附图说明
[0049]
图1为实施例中基于转折性时段识别的超短期风电功率分段预测方法的流程示意图；
[0050]
图2为实施例中窗口调整策略示意图；
[0051]
图3为实施例中结合crs的改进attention机制流程示意图；
[0052]
图4为实施例中各时序模式下功率预测误差分布情况。
具体实施方式
[0053]
下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
[0054]
实施例
[0055]
本发明涉及一种基于转折性时段识别的超短期风电功率分段预测方法，该方法基于移动均线法提取时序趋势，通过自适应窗口调整方法实现转折时段划分，考虑不同特征时段采用不同的预测方法，制定点预测-概率预测分段预测策略，对包含转折性天气的全时段风电功率作出精准预测。
[0056]
本发明建立的基于转折性天气的超短期风电功率分段预测模型的主要原理为：
[0057]
转折性天气时段提取方面，极端天气功率时段在时序尺度上表现为功率大幅度激烈波动的特征。为提高转折性天气下风电功率预测精度，识别并提取极端天气功率时段是首要任务，尽可能实现对突变时段的精准完整提取。由于转折性天气下短时间内气象模式变化多样，传统对原功率时序的时序特征提取易造成趋势误判，因此选用移动均值迭代的功率时序趋势判别法提高时段趋势描述的准确性。为了充分提取功率时序转折时段，以定时间滑动窗为代表的传统爬坡提取算法难以准确并完整提取转折功率时段，本发明采用局部时序特征差异的滑动时间窗宽调整策略显著提升算法的有效性。
[0058]
预测方法方面，现行单值预测方法缺乏针对极端天气的预测模型，导致预测精度与稳定性较差。针对平缓功率时段，传统单值预测方法具有更高的预测精度，针对极端天气功率时段，概率预测方法因能量化预测误差而具有更佳的预测性能。因此，本发明提出采用分段预测策略对包含转折性天气的全时段风电功率作出精准预测，即平缓段时序采用点预测，转折段时序采用概率预测。
[0059]
lstm是一种rnn模型，rnn中的每一个单元除了处理当前时间点的输入数据外，还要处理前一个单元的输出，最终输出单一的预测。基本rnn模型只处理前一个单元的输出，这样距离远的单元的输出因为中间经过多次处理，影响逐渐消失。针对上述问题，本发明提出了采用gru算法作为点预测的原始算法，gru是lstm网络的一个简化变体，属于门控循环
神经网络。gru中的更新门是由lstm网络中的遗忘门和输入门合并而成，模型架构更为简单，在保证模型预测精度的同时减少了计算量和训练时间。在现有模型基础上，引入结合crs算法的attention机制指导时序间权重分布。
[0060]
传统的风电功率区间预测往往只考虑预测误差在不同功率水平下的分布情况，忽略了天气类型转变导致的功率突变对预测误差的影响。针对上述问题，本发明基于功率时段特征划分时序模式，划分为剧烈上升、剧烈下降、缓慢上升、缓慢下降、振荡等五类模式。结合不同天气类型时段下风电功率预测误差的分布特点，改善模型的预测性能，采用经验分布估计方法建立各类别在不同天气类型条件下时序模式-风电功率预测误差概率密度分布模型。
[0061]
基于上述原理及设计思路，如图1所示，本发明基于转折性时段识别的超短期风电功率分段预测方法具体包括如下步骤：
[0062]
步骤一、提取时序趋势，首先求取表征原始数据(风电场原始风电数据)短期发展趋势的ema曲线；其次采用高斯窗法进行平滑处理，求取各时刻变化率为α，具体操作如下：
[0063]
11)求取ema曲线
[0064]
ema曲线采用统计处理的方式，对原始数据进行加权平均，然后连成的曲线用于观察数据未来走势的变动趋势。
[0065]
求取t的n日平滑移动平均值yn，y
n-1
为n-1日的平滑移动平均值，即ema曲线求取如下：
[0066][0067]
12)求取α
[0068]
时序上升或下降趋势没有改变之前，时序斜率能直观反映时序变化趋势，可以通过对时序的斜率跟踪寻求功率时序变化趋势的指标。针对上述求得的ema曲线，先对曲线采用高斯窗法进行平滑处理，再由当前时刻变化率计算出初始功率突变灵敏度因子α，计算公式如下：
[0069][0070]
其中，y
smooth,n
(t)为t时刻经过平滑处理前的ema值。y
smooth,n-1
(t-δt)为时序上升或下降趋势改变δt后，经过平滑处理后的ema值。
[0071]
13)趋势提取
[0072]
当原始功率位于短期均线上方时，α＞0，当原始功率位于短期均线下方时，α＜0。再根据短期均线与原始功率之间的聚合与分离情况，进一步结合均线本身时序特征，可以由图像对预测对象的高点及低点进行直观的判断。
[0073]
步骤二、提出一种自适应时间窗转折时段划分方法快速识别转折功率时段。首先针对上一步骤得到的ema曲线，利用ema曲线局部特征差异来计算出相邻窗口的分布差异，然后设定检测阈值，若窗口与其前一窗口之间分布差异波动小于该值，则扩大窗宽加快检测速度，若大于该值则缩小窗宽以提升检测精度。
[0074]
多数功率突变检测算法通过待检测局部数据分布与标准数据分布的差异大小来判断功率时序突变是否存在，基于时序特征进行窗口调整策略可以加快对转折性时段的提
取。
[0075]
基于局部特征差异的窗口调整方法具体步骤为：
[0076]
a)引入原始滑动窗口模型，先将原始功率时序切分为若干片段，然后对每个片段进行转折点检测；
[0077]
b)在转折点检测中，计算待检测数据的第i个窗口数据数据分布的均值波动vsi和差值波动dsi，表达式分别如下：
[0078][0079][0080]
式中，ui代表第i个窗口内的数据，u代表整个原始功率时序，var和std分别代表方差与标准差。max(u)、min(u)分别代表整个原始功率时序的最大值和最小值。
[0081]
c)计算第i个窗口与前一窗口的分布差异diffi。
[0082][0083]
d)如图2所示，针对上式求取的分布差异diffi，设定阈值ε＝0.2。若diffi的值小于或等于ε，则属于相同数据特征，扩大滑动窗宽w；若diffi的值大于ε，则处于转折性时段，缩小滑动窗宽w，最终达到自适应窗口调整的目的。
[0084]
采用自适应窗口调整方法识别功率突变时段，以便进一步提取得到拐点集，大大增加了检测速度，提升检测精度。
[0085]
步骤三、对趋势中的拐点采用双重定时间滑动窗的方法进行检测，首先基于上述制定的局部特征差异的窗口调整策略，引入α作为判据之一，标记两个窗口内均值出现极小值的位置为拐点；然后改进传统功率突变时段判据，合并相邻同趋势突变时段，完整提取转折性天气突变时段。
[0086]
对趋势中拐点集提取的具体步骤如下：
[0087]
a)在振荡出力时段下会出现拐点误判的情况，本发明方法引入α作为判据之一，即拐点必须满足条件α＝0；
[0088]
b)在ema曲线的基础上，建立2个紧密相连的滑动窗口，逐帧更新2个窗口内数据，本发明取用滑动窗均值作为差值比较的基准，拐点检测评分sc计算方式如下：
[0089][0090]
式中：x
1,i
为前一个窗口内的全部功率数据，x
2,i
为后一个窗口内的全部功率数据。当2个窗口内均值差别达到最小时标记结合点处的功率值为拐点，重复上述步骤，最终得到相应的时序趋势拐点集t
ip
。
[0091]
接着对传统功率时段判据作出改进，改进的突变时段判据如下：
[0092][0093]
式中，为拐点集t
ip
中第j点功率值；为拐点集t
ip
中第j 1点功率值；为拐点集t
ip
中经过第j点时刻；为拐点集t
ip
中经过第j 1点的时刻；λ为转折时段突变幅度阈值；β为转折时段突变速率阈值；不仅考虑突变时段幅值的变化，且考虑突变速率，从而排除伪拐点的存在。
[0094]
最后合并相邻同趋势的突变时段，完整提取功率转折时段。
[0095]
步骤四、依据自适应转折时段提取结果为划分依据，将时序划分为转折段与平缓段，对于平缓段采用基于gru算法的点预测，对转折段采用时序模式-自适应带宽核密度估计法概率预测。
[0096]
步骤五、将gru网络提取的时序特征输入结合crs算法的改进attention机制中，将神经网络模型的过渡特征向量赋予不同的权重，之后将经过权重管理的过度特征向量按时间步输入到gru层，输出改进gru神经网络的训练结果，读取训练损失曲线、误差曲线，观察收敛过程中训练集、验证集损失曲线纵向间距，结合训练集、验证集绝对误差情况，直观评估网络预测结果收敛性能。
[0097]
以下为三种常见拟合状态代表的收敛情况：
[0098]
1)当训练集损失曲线几乎无下降，此时为欠拟合状态，为不收敛状态；
[0099]
2)当训练集损失曲线持续下降，验证集损失曲线到某一时刻不再下降，此时为过拟合状态，为收敛状态但非完美收敛；
[0100]
3)当训练集、验证集损失曲线无明显间距时为完美拟合状态，且为完美收敛。
[0101]
进一步地，本发明对传统的gru模型进行改进优化，结合crs算法的attention机制，具体内容如下：
[0102]
由于输入模型的特征数量众多，为了突出更关键的影响因素，帮助模型做出更加准确的判断，本发明提出一种改进attention机制，将神经网络模型的过渡特征向量赋予不同的权重。传统的attention机制中先输入到网络的内容携带的信息会被后输入的信息覆盖掉，语义向量可能无法完全表示整个序列的信息。因此针对上述不足，本发明提出了一种结合crs(competitive random search)算法的改进attention机制(improved attention mechanism)，其弥补了在同一时间尺度上，网络对不同相关因素特征关注的不足，提升了网络对各种相关因素的注意力程度。
[0103]
crs是用来在注意力层中生成最优参数组合的。图3中介绍了crs的运行过程，crs由“i、ii、iii、iv”四个部分组成。
[0104]“i”提供注意力层的权重w；然后通过“ii”中转换为二进制代码，子集wi为注意力权重，被传输到gru神经网络，并在那里根据网络中的预测误差产生相应的损失值。然后，根据“iii”中wb的损失情况来选取最优注意力权重子集w
ib
和并对其子集组合进行反复循环。最终，在“iv”中重建了一个新的注意力权重
[0105]
crs详细步骤如下：
[0106]
1)随机生成长度m＝n(n为模型输入特征维数)的注意力权重集，
[0107]
2)将子集wi输入注意力层，将w转化为二进制编码：
[0108]
3)根据gru模型的真值y和预测值来计算预测误差：
[0109]
4)根据误差反馈，选择最优注意力权重子集w
ib
和每个子集由二进制字符串组成，并均匀地划分为n段。相应地，w
ib
和由w
ib
＝(f
i1
,f
i2
,...f
in
)和表示。f
i1
和分别是w
ib
和的一部分。
[0110]
5)随机抽取部分w
ib
和例如，选择两者的第n-1段f
in-1
和然而所选分段的数目并不固定。
[0111]
6)获取f
in-1
和的遗传重组。f
in-1
和由长度为6的二进制码表示，两者在相应的6个索引上随机交换，得到重组段
[0112]
7)模拟了一个基因突变，并逆转了的基因型。例如，0被反转为1。然后取代了在w
ib
中相应的f
in-1
，形成新的插入到wb中。
[0113]
8)wb被解码以获得更新的注意力权重集合：w
′
＝(w
′1,w
′2,...,w
′k,...,w
′m)。
[0114]
9)重复步骤2)～8)直到达到预设定的时间数k为止。
[0115]
进一步地，gru神经网络的数学表达式为：
[0116]zt
＝σ(wz·
[h
t-1
,x
t
])
[0117]rt
＝σ(wr·
[h
t-1
,x
t
])
[0118][0119][0120]
式中：z
t
更新门，r
t
重置门，x
t
为当前输入，输入和过去隐层状态的汇总，h
t
为隐藏层输出，wz，wr，w为可训练参数矩阵。
[0121]
步骤七、针对时许突变时段，采用时序模式-自适应带宽核密度估计法概率预测方法具体步骤如下：
[0122]
1)基于功率时段特征划分时序模式，划分为剧烈上升、剧烈下降、缓慢上升、缓慢下降、振荡等五类模式；
[0123]
2)采用经验分布估计方法建立各类别在不同天气类型条件下时序模式-风电功率预测误差概率密度分布模型，具体内容如下：
[0124]
21)假设总体变量x存在一组容量为m的样本观测值x1,x2,
…
x
p
…
xm，将其按照从小到大的顺序重新排列后得到次序统计量x1′
,x2′
,
…
x
p
′…
xm′
对于任意实数x，其经验分布表达式为：
[0125][0126]
22)针对相应时序模式特征计算功率预测误差概率分布，求取基于多种气象模式误差分布的箱线图。例如附图4所示，方块左右边界分别为50％分位数对应点位，中心位置刻度线为该类模式误差中位数，外部点为野值(异常值)，该图直观体现各时序模式下功率预测误差分布情况；
[0127]
23)由经验分布的出原始预测误差概率分布f
error
，估算计算fe核密度的公式如下：
[0128][0129]
式中，n为一组数据的样本数量；h为窗宽，也称光滑参数；k(u)为核函数，u＝h-1
(e-ei)；ei为预测误差数据中的第i个样本值。
[0130]
24)选用高斯核函数代入估计表达式中，高斯核函数具体表达式如下：
[0131][0132]
代入表达式中为：
[0133][0134]
25)首先引入积分均方误差以判断估计所得的概率密度函数和真实的概率密度函数fe(x)两者存在的差异，表达式如下：
[0135][0136]
其中mise表示为主项amise的和，当h
→
0，nh
→
∞时，定义amise表达式为：
[0137][0138]
式中，amise为关于窗宽h的表达式，当amise取到最小值时达到最优h值，即
可得最优窗宽h
x
表达式如下：
[0139][0140]
3)分别拟合各时序特征下的概率密度分布曲线，为区间预测结果呈现提供理论依据。
[0141]
传统区间预测只考虑历史功率水平来对误差进行分类，而考虑时序模式分类的物理动态过程能够有地提高区间预测的预测精度。本发明提出了一种基于时序模式分类和蒙特卡洛法的短期区间预测方法效果最佳，在不同的置信水平下，均能得到大于预设置信水平的区间覆盖率。
[0142]
步骤八、建立点预测-概率预测分段预测模型，量化分析全时段点预测、概率预测与分段预测点预测、概率预测的结果精度。
[0143]
本发明方法考虑包含转折性天气的全时段风电功率预测。首先提出基于移动均值迭代的功率时序趋势判别法，并采用高斯窗法对ema曲线进行平滑处理，提取转折性天气趋势；其次，提出基于局部时序特征的窗口调整策略自适应调节时间窗宽，采用双重定时间滑动窗的拐点检测策略，结合判据获取拐点集，提取并划分转折性天气突变时段。提出的点预测与概率区间预测的时序分段预测算法，对全时段进行功率预测：对转折段时序采用改进gru算法点预测，提出结合crs算法的改进attention机制，将神经网络模型过渡特征向量赋予不同的权重；对平缓段时序采用概率预测，采用经验分布估计法建立时序模式-功率预测误差概率密度分布模型，基于可变带宽核密度估计法进行风电功率概率预测。该模型既契合突变性天气的典型特征，又显著提升了全时段功率预测的泛化能力和预测性能。
[0144]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。