CN114444378B 一种区域风电集群的短期功率预测方法 （上海电力大学）

(19)国家知识产权局(12)发明专利(10)授权公告号CN114444378B(65)同一申请的已公布的文献号(73)专利权人上海电力大学地址201306上海市浦东新区沪城环路1851号(72)发明人余光正刘承全汤波陆柳沈凌旭胡越崔朝越(74)专利代理机构上海科盛知识产权代理有限公司31225专利代理师彭瑶审查员孙宁(54)发明名称一种区域风电集群的短期功率预测方法本发明涉及一种区域风电集群的短期功率预测方法，包含时空多重相似性计算和改进神经网络构建两方面，考虑时空相关性的动态特性，从长、短时间尺度计算风电场的空间相关程度，对分类出的强时空相关的子集群，建立了基于点云输入的改进混合神经网络短期预测模型实现子集群的短期功率预测；其中建立了基于改进I-CNN-BILSTM混合神经网络的时空相关性集群短期功率预测模型，并将所有时空相关子集群的短期功率预测结果累加，得到待预测时段的区域风电短期功率预测结果。与现有技术相比，本发明21.一种区域风电集群的短期功率预测方法，其特征在于，包括下列步骤：1)获取区域风电场历史年功率数据，构成以天为单位的风电场日功率样本集，对日功率样本集进行相似性聚类，提取风电场在长期尺度下的日功率曲线典型形态，并将不同的功率曲线形态特征定义为不同日功率模式；2)根据年功率数据形成日功率模式序列，建立不同风电场日功率模式序列的分类矩阵Q,统计分类矩阵中不同风电场联合模式的概率分布形成估计概率矩阵P并计算估计概率矩阵的熵值，根据熵值大小将区域多风电场分类成长期出力模式相似的主集群；3)提取主集群中各风电场在预测时刻前的历史短期功率数据，划分并识别功率波动段类型，采用波动趋势相似距离求解波动趋势相似性，进而聚类出在短期内波动趋势强相关的子集群；4)提取子集群多风电场的历史气象数据和空间坐标数据构成输入特征矩阵，建立基于5)初始化神经网络权值，设定最大迭代次数；6)构建基于点云输入的点卷积神经网络，将特征矩阵输入点卷积神经网络中进行全局特征和局部特征的提取；7)将点CNN网络提取到的特征输入结合SSA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，将经过权重分配的过渡特征向量按时间步输入至BILSTM层，输出改进I-CNN-BILSTM混合神经网络的训练结果，读取训练损失曲线和误差曲线，根据收敛过程中训练集和验证集的损失曲线纵向间距，以及绝对误差的大小，进而评估网络预测结果收敛性能；8)判断当前迭代次数是否达到设定迭代次数，若达到，则迭代终止，输出混合神经网络9)利用上述步骤训练完成的改进I-CNN-BILSTM网络进行对应子集群的短期风电功率10)判断当前是否已完成所有子集群的功率预测，若达到，则进行步骤11),否则，转到步骤4)对剩余子集群进行预测；11)对所有子集群的功率预测值进行叠加计算，得到区域总体的风电功率预测结果；基于改进I-CNN-BILSTM混合神经网络的风电集群短期功率预测模型的具体内容为：a)利用点CNN神经网络提取集群局部与全局空间特征；b)利用结合SSA算法的改进Attention机制实现时序间的权重分配；利用点CNN神经网络提取集群局部与全局空间特征的具体步骤包括：a1)建立风电集群的输入特征矩阵，包括集群中各个风电场的历史气象数据和空间坐标数据；a2)将不规则的风电场位置信息编码至X变换矩阵的权值中，将点云中相关联各点的特征进行排列；a3)构建点云数据特征图G=(α,β),其中顶点α={1,2,…,n}表示点云中每个数据点信a4)设定边缘函数为e=h(xi,x;-×;,θ),其全局特征由构成点云的众多数据点提供，局3部特征由点云中两两点之间的关联信息提供，其中h(xi,x;-x;,0)为进行边缘特征提取的边函数，0为边函数中需要学习和优化的参数，x:和x;为样本数据点；利用结合SSA算法的改进Attention机制实现时序间的权重分配的具体步骤包括：b1)初始化注意力层的权重W;b2)将注意力层权重W输入至樽海鞘群优化算法，将优化后权重集传输至BILSTM神经网b3)根据损失情况选取最优注意力权重集；c1)按照权重剪枝与单元剪枝的方法对BILSTM网络神经元进行剪枝操作，计算公式为：素中最大的k个元素的函数，w。为权重矩阵W第0列列向量，W。为权重矩阵的第i行、第0列元c2)引入靶向比例γ和删除概率α,选择最小的γθ|个权重作为dropout的候选权值，随后以删除概率α独立地去除候选集合中的权值。2.根据权利要求1所述的区域风电集群的短期功率预测方法，其特征在于，步骤1)中，3.根据权利要求2所述的区域风电集群的短期功率预测方法，其特征在于，采用ACFSFDP算法对日功率样本集进行相似性聚类的具体步骤包括：11)将归一化的历史风电功率数据形成以天为单位的样本集，计算样本的局部密度pi、拓扑关系和距离δ;12)将样本局部密度p与距离δ的乘积组成综合评价指标γ,并依据该综合评价指标选择聚类中心；13)建立用以确定最优聚类簇数的自适应指标Fk,逐步增加聚类中心数，将自适应指标出现的唯一最大峰值对应的聚类中心数目减一，作为最佳聚类簇数。4.根据权利要求1所述的区域风电集群的短期功率预测方法，其特征在于，步骤2)的具体步骤包括：21)将风电场历史一年的日功率数据按照步骤1)的聚类结果形成日功率模式序列，利用区域所有风电场的多组日功率模式序列构成分类矩阵Q,矩阵行向量为对应风电场在N天的日功率模式序列，矩阵的第k列向量表示不同风电场日功率曲线的联合模式；22)统计分类矩阵Q中各联合模式出现的概率，形成估计概率矩阵P,估计概率矩阵P的元素p;代表Q中各列出现(i,j)的概率，计算估计概率矩阵的熵值H=-∑p.;1n(pi),将熵值H小于设定阈值H:n的风电场归属于同一集群；并根据熵值大小将区域多风电场分类成长期出力模式相似的主集群。5.根据权利要求1所述的区域风电集群的短期功率预测方法，其特征在于，步骤3)中，431)制定描述功率波动的特征参数，包括反映32)提取风电场在预测时刻前三天的历史短期功率序列，根据波动参数将功率时间序={Z₁,…,z;,…},其中z∈{a,b,c,d};33)由主集群中所有风电场的波动类型序P₂,其波动类型序列为ZR={z,…,z,…,z}和ZB={7,…,z,,…z,},其中zi,z;∈{a,b,c,不同波动类型序列的波动趋势相似距离为L(Zp,ZB)=r(k,l),,设定距离最小阈值5一种区域风电集群的短期功率预测方法技术领域[0001]本发明涉及风电功率预测技术领域，尤其是涉及一种区域风电集群的短期功率预测方法。背景技术[0002]随着风电的大规模开发形成区域性的风电集群，风电集群式并网给电力系统安全稳定运行与调度控制等造成较多影响。一方面，由于大规模不确定性的风电接入，系统需要提前预留足够的备用容量来应对风电的波动性和系统调峰问题；另一方面，大规模风电的出力波动性，其并网容易造成电网电压和频率的波动，影响电网的电能质量。提高区域风电集群的功率预测精度，是应对上述问题的有效手段。精确的区域大规模风电功率预测是提高电力系统运行稳定性和风电消纳能力的重要方法，区域大规模风电的空间分布范围广、场站数量多，因风资源的持续性和场站所处地形的相似性使得区域多风电场出力存在时空相关特性，场站间的复杂时空相关性增加了区域风电功率预测的难度。[0003]在风电场建设较为集中的区域内，特定风电场的风速值和功率值不仅在时间上有一定的自相关性，而且在空间上受到其他处于不同位置的风电场以及所处空间的拓扑结构和环境条件的影响。传统的基于风电场自身历史功率和气象数据的预测模型忽略了区域多风电场站间的时空相关性，难以对区域多风电场的聚合功率做出精准预测。因此，针对传统的集群预测需进一步结合时空相关性信息，增强短期功率预测精度。[0004]现有对考虑时空相关性的风电预测主要采用的方法有：通过不同的机器学习方法将邻近地点的测量信息集成到目标站点的功率预测模型中，对区域所有场站分别建立预测模型并将结果叠加，该方法不适用于大规模风电区域；建立区域多风电场的输入时空特征图，通过深度神经网络挖掘时空关系，但模型对关联程度复杂的大规模风电场的处理能力有待提升；通过稀疏控制的向量自回归模型中加入空间相关性约束对大规模风电集群进行预测，提升了整体的预测精度，但仅考虑了静态相关性忽略了短时风速风向变化导致的动态相关性。综上所述，基于时空相关性的区域风电预测在近年来已成为国内外学者研究的热点，但仍有提升空间。特别地，在不同时间尺度上提取区域多风电场间的动态时空相关性，然后对强相关的集群建立时空集成预测模型，可提高区域的短期功率预测精度。在预测方法方面，现有技术主要采用的方法有：提出一种基于卷积神经网络(CNN)和门控循环单元据的时间结构，导致整体预测效果较差；同时，卷积神经网络适用于规则化网格数据，对不规则分布的点云数据处理能力不足，提取到的集群时空特征较少造成集群的预测精度偏发明内容[0005]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区域风电集群的短期功率预测方法。6[0006]本发明的目的可以通过以下技术方案来实现：[0007]一种区域风电集群的短期功率预测方法，该方法包括如下步骤：[0008]S1:获取区域风电场历史年功率数据，构成以天为单位的风电场日功率样本集，对日功率样本集进行相似性聚类，提取风电场在长期尺度下的日功率曲线典型形态，并将不同的功率曲线形态特征定义为不同日功率模式。[0009]S2:根据年功率数据形成日功率模式序列，建立不同风电场日功率模式序列的分类矩阵Q,统计分类矩阵中不同风电场联合模式的概率分布形成估计概率矩阵P并计算估计概率矩阵的熵值，根据熵值大小将区域多风电场分类成长期出力模式相似的主集群。[0010]S3:提取主集群中各风电场在预测时刻前的历史短期功率数据，划分并识别功率波动段类型，采用波动趋势相似距离求解波动趋势相似性，进而聚类出在短期内波动趋势强相关的子集群。[0011]S4:提取子集群多风电场的历史气象数据和空间坐标数据构成输入特征矩阵，建立基于改进I-CNN-BILSTM混合神经网络的短期功率预测模型。所述历史气象数据包括风[0013]S6:构建基于点云输入的点卷积神经网络，将特征矩阵输入点卷积神经网络中进行全局特征和局部特征的提取。[0014]S7:将点CNN网络提取到的特征输入结合SSA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，将经过权重分配的过渡特征向量按时间步输入至BILSTM层，输出改进I-CNN-BILSTM混合神经网络的训练结果，读取训练损失曲线和误差曲线，根据收敛过程中训练集和验证集的损失曲线纵向间距，以及绝对误差的大小，进而评估网络预测结果收敛性能。[0015]S8:判断当前迭代次数是否达到设定迭代次数，若达到，则迭代终止，输出混合神[0016]S9:利用上述步骤训练完成的改进I-CNN-BILSTM网络进行对应子集群的短期风电功率预测，获取子集群的预测功率。[0017]S10:判断当前是否已完成所有子集群的功率预测，若达到，则进S4对剩余子集群进行预测。[0018]S11:对所有子集群的功率预测值进行叠加计算，得到区域总体的风电功率预测结[0019]进一步地，S1中，采用ACFSFDP算法对日功率样本集进行相似性聚类。具体步骤包[0020]S101:将归一化的历史风电功率数据形成以天为单位的样本集，计算样本的局部密度p、拓扑关系和距离δ;[0021]S102:将样本局部密度p与距离δ的乘积组成综合评价指标γ,并依据该综合评价指标选择聚类中心；[0022]S103:建立用以确定最优聚类簇数的自适应指标F,逐步增加聚类中心数，将自适应指标出现的唯一最大峰值对应的聚类中心数目减一，作为最佳聚类簇数。7[0024]S201:将风电场历史一年的日功率数据按照S1的聚类结果形成日利用区域所有风电场的多组日功率模式序列构成分类矩阵Q,矩阵行向量为对应风电场在N[0028]S302:提取风电场在预测时刻前三天的历史短期功率序列，根据波动参数将功率序列Zp={z₁,…,z;,…},其中[0029]S303:由主集群中所有风电序列P₁P₂,其波动类型序列为ZR={z,…,z,…,z}和Z₂={2,…,z,,…7},其中z,z∈[0035]不同波动类型序列的波动趋势相似距离为L(Zp,ZB)=r(k,I[0038]a1)建立风电集群的输入特征矩阵，包括集群中各个风电场的历史气象数据和空8[0040]a3)构建点云数据特征图G=(α,β),其中顶点a={1,2,…,n}表示点云中每个数据[0041]a4)设定边缘函数为e=h(x;,x;-xi,θ),其全局特征由构成点云的众多数据点提供，局部特征由点云中两两点之间的关联信息提供，其中hxi,x;-×;,θ)为进行边缘特征提取[0042]b)利用结合SSA算法的改进Attention机制实现时序间的权重分配[0043]b1)初始化注意力层的权重W;[0044]b2)将注意力层权重W输入至樽海鞘群优化算法，将优化后权重集传输至BILSTM神经网络，在BILSTM神经网络根据网络中的预测误差产生相应损失值；[0045]b3)根据损失情况选取最优注意力权重集。[0047]c1)按照权重剪枝与单元剪枝的方法对BILSTM网络神经元进行剪枝操作，计算公有元素中最大的k个元素的函数，w。为权重矩阵W第0列列向量，W为权重矩阵的第i行、第0列元素，Nco₁和Nr分别代表参数矩阵列数与行数；[0051]c2)引入靶向比例γ和删除概率α,选择最小的γlθ|个权重作为dropout的候选权[0052]本发明提供的区域风电集群的短期功率预测方法，相较于现有技术至少包括如下[0053]一、本发明考虑区域风电场的时空相关性，通过时空多重相似性方法进行时空相关性集群划分，并通过日功率模式的联合分布聚类出长时间尺度下空间相关的主集群，进而在主集群中识别短期功率波动相似度匹配出兼顾长、短时间尺度的时空相关子集群，具有对风电场间的动态时空相关性更强的识别能力；[0054]二、本发明提出改进I-CNN-BILSTM混合神经网络集群预测模型，该模型建立基于风电集群点云输入的点卷积神经网络，有效利用风电场的空间位置信息，提高网络提取空间特征的完整性；同时，该模型提出一种结合SSA算法的改进At序列间的关联信息，并结合改进Targeteddropout算法，有利于混合模型的拟合和优化，提高了风电集群的预测精度。附图说明[0055]图1为实施例中区域风电集群的短期功率预测流程示意图；[0056]图2为实施例中区域三座邻近风电场的历史长期出力曲线；[0057]图3为实施例中区域三座邻近风电场的短期出力波动曲线；9[0058]图4为实施例中ACFSFDP算法提出的自适应指标与聚类中心数变化情况示意图；[0059]图5为实施例中结合SSA改进的Attention机制流程示意图。具体实施方式[0060]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。[0062]本发明涉及一种区域风电集群的短期功率预测方法，该方法包含时空多重相似性计算和改进神经网络构建两方面，考虑时空相关性的动态特性，从长、短时间尺度计算风电场的空间相关程度，对分类出的强时空相关的子集群，建立了基于点云输入的改进混合神经网络短期预测模型实现子集群的短期功率预测，可进一步提高集群预测精度。[0063]本发明建立的基于点云输入的改进混合神经网络短期预测模型进行子集群的短期功率预测的主要原理为：[0064]时空多重相似性聚类方面：因为风速等气象环境因素的长期持续性和短期多变性会导致区域多风电场在出力规律上存在动态时空相关性。为提高大规模广域分布和出力时空关联影响下区域风电集群的功率预测精度，需将整体区域分解为多个存在强时空耦合相关性的风电子集群，并构建有效提取时空特征的集群功率预测模型。图2示出了三座风电场的历史长期出力曲线，由图2分析多风电场的历史长期出力曲线，不难看出位置邻近且地形一致的多风电场在长期出力水平和出力模式方面有着较强的相似性，在以天为时间尺度下，强相关风电场的日功率曲线在形态特征上具有高度相似性，因此可利用日功率曲线相似匹配方法分类出长时间尺度下空间相关的风电集群。由图3所示的分钟级时间分辨率的短期出力序列可知，在风速突变阶段，长期模式相关的风电集群的出力关联性发生较大变化。为有效提取预测时刻的强相关性子集群，本发明提出一种波动趋势相似性度量的相关性分析方法，对不同场站功率序列进行波动段识别与划分，并进行波动类型匹配距离计算，分类出兼顾长期模式与短期波动相似的时空相关性风电子集群，将其作为时空预测模型的预测对象。[0065]预测算法方面：点CNN-BILSTM混合模型对集群特征数据构成的特征矩阵，充分利中的长期依赖关系这一缺陷。由于用于集群风电功率的特征如风速、风向、温度、空间位置等是相对独立的特征时间序列，因此较难描述各项特征时序间的内在联系，单一使用点CNN或BILSTM均无法同时提取序列间相关特性与特征时序长期规律。传统的CNN-BILSTM是将改进以消除上述弊端。[0066]风电集群往往是不规则的点云分布，直接应用传统CNN提取集群数据会损失风电场固有的空间位置信息，无法提取到完整的时空特征信息。针对上述问题，本发明提出了改卷积层与BILSTM层中引入SSA算法改进Attention机制，并使用一种基于剪枝策略的索密度峰值聚类算法(ClusteringbyFastSearchandFindofDensityPeaks,以自动确定最优聚类中心数，提出的自适应快速搜索密度峰值聚类算法(AdaptiveClusteringbyFastSearchandFindofDensityPeaks,ACFSFDP)将日功率曲线提取[0079]C)选择样本密度较大且样本间距离较远的样本作为聚类中心，以综合评价指标Y;值确定聚类中心。[0081]D)按照γ值大小的排列顺序，将剩余样本分配到它最近邻且密度比它大的样本[0087]11)将归一化的历史风电功率数据形成以天为单位的样本集，计算样本的局部密[0090]12)将样本局部密度与距离的乘积组成综合评价指标γ,并依据此指标选择聚类代表Q中各列出现(i,j)熵值H小于设预测时刻前三天的短期功率序列进行波动趋势判别，提出描述功率波动程度的特征参数，D)高功率占比Q:出力水平在额定容量75%以上的时间与T的比值；E)低功率占比Q₁:出力水平在额定容量20%以下的时间与T的比值；个数；5为波动段内均值；T。和T₁分别为输出功率在[0106]通过将提取到的分段功率序列的波动指标输入到k-meaZB={z,…,z,…z,},其中z,z;∈{a,b,c,d},计算模式匹配距离d(z,z):[0117]波动类型序列的波动模式匹配距离L(Zp,Zp)=r(k,1),由匹配距离L聚类出波度和海拔的空间坐标数据为基础，构建集群输入矩阵，建立基于点云输入的改进I-CNN-[0134]SSA算法是用来在注意力层生成最优参数组合的，通过模拟樽海鞘群中领导者和[0147]5)重复上述过程直至达到设定的最大迭代次数，由更新后的参数计算预测误改进型dropout算法，根据快速逼近权重重要性的度量对权重或神经元进行排序，并将法，采用日功率曲线模式的联合分布匹配长期出力相关的风电主集群；其次，考虑相关性在时间域的动态变化，提出短期功率序列的波动趋势相似性度量方法，通过分段识别功率波动类型和类型序列的趋势相似距离，分类出兼顾长期模式相关和短期波动相似的风电子集群，子集群风电场在预测时刻具有强时空相关性。提出的I-CNN-BILSTM混合神经网络模型，考虑集群风电场点云分布的空