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

本发明涉及一种区域风电集群的短期功率云输入的改进混合神经网络短期预测模型实现CNN-BILSTM混合神经网络的时空相关性集群短23)提取主集群中各风电场在预测时刻前的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改进I-CNN-BILSTM混合神经网络的短期6)构建基于点云输入的点卷积神经网络，将特征矩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b)利用结合SSA算法的改进Attention机制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a2)将不规则的风电场位置信息编码至X变换矩阵的权值征进行排列；3b2)将注意力层权重W输入至樽海鞘群优化算法，将优ccol和Nrow分别代表参数矩阵列数与行数；c2)引入靶向比例γ和删除概率α,选择最小的γ|θ|个权重作为dropout的候选权值，采用ACFSFDP算法对日功率样本集进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11)将归一化的历史风电功率数据形成以天12)将样本局部密度ρi与距离δi的乘积组成综合评价指标γ,并依据该综合评价指标选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22)统计分类矩阵Q中各联合模式出现的概率，4采用波动趋势相似距离求解波动趋势相似性的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P2,i＝1,2,…k.j＝1,2,…l不同波动类型序列的波动趋势相似距离为设定距离最小阈值5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、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[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6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7[0024]S201：将风电场历史一年的日功率数据按照S1的聚类结,i＝1,2,…k.j＝1,2,…l[0035]不同波动类型序列的波动趋势相似距离为L(Z7,Z2)=r(K,I),设定距离最小阈期出力模式和短期出力波动相似性的时空相关[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[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9[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[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[0081]D)按照γi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定阈值Hmin的风电场归属于同一集群。根据熵值大小将区域多风电场分类成长期出力模式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，[0106]通过将提取到的分段功率序列的波动指标输入到k-means算法进行聚类计算，可,i＝1,2,…k.j＝1,2,…l[0117]波动类型序列的波动模式匹配距离L(zr,ZA)=r(K,I),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-混合神经网络的过渡特征向量赋予不同的权重，之后将权重型特征向量输入到BILSTM层，[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