[发明专利]基于时空图卷积神经网络的风电场集群短期功率预测方法

说明书

本发明提供一种基于时空图卷积神经网络的风电场集群短期功率预测方法，包括：采集第一目标时间段内历史功率得到历史功率向量时序序列，采集第二目标时间段内天气预报参数向量得到天气预报参数矩阵时序序列；将历史功率向量和天气预报参数矩阵的时序序列输入预测模型，输出第三目标时间段内预测功率向量时序序列；其中，所述预测模型是基于样本历史功率向量和样本天气预报参数矩阵时序序列以及预测功率向量时序序列标签进行训练后得到的，所述预测模型的神经网络结构基于Bi‑GRU网络和图卷积网络构成。本发明提供的方法，实现了使功率预测可以联合考虑历史功率和天气预报参数两种因素，还提高了预测的准确率。

技术领域

本发明涉及风电场集群功率预测技术领域，尤其涉及一种基于时空图卷积神经网络的风电场集群短期功率预测方法。

背景技术

可再生能源，尤其是风能已经成为缓解能源危机的关键。近年来，风电场的装机容量日益增加，而且风电场的接入多以集群的形式进行接入。但是由于风电场的波动性和随机性，风电不仅带来了清洁的能源，也给电网的安全稳定运行带来了一定程度的威胁。因此，对于风速和功率的准确预测是保证风电场并网运行的重要保障。而风电场集群的超短期功率预测，要求对未来4小时的风电功率以不低于15min的间隔进行预测，是调整发电计划、安排调度计划和进行日内交易的基础，更是具有非常重要的意义。

风电场集群超短期功率预测的难点在于对风电场集群内部的复杂时空关联模式进行特征提取，并据此对未来时刻的功率进行预测。而本发明旨在设计了一种基于多模态多任务学习的时空图卷积神经网络，对风电场集群复杂的时空关联模式进行提取，能够较为准确地给出风电场集群内部各个风电场的多步预测功率。

通常情况下单风电场的功率预测可分为物理方法和统计学习方法。图1为现有技术提供的风电场预测模型分类图，物理方法主要利用大气运动方程和风电机组的风速功率转化原理进行功率预测，而统计学习方法包含如图1所示的内容。

如图1所示，第一类预测方法是经典的多变量时间序列预测方法，具有较好的统计学理论依据和基础，本质上是将常规的ARIMA模型在多变量时间序列上进行了拓展，并采用了LASSO的方法进行变量的特征提取。优点是数学意义明确，操作简便，而且模型参数非常方便调节，所以适用于在线应用的场景。工程中多采用此类方法，但缺点是相对于专门设计的神经网络方法或者其它方法误差较大。第二类的预测方法主要采用了概率图模型和高斯过程的思想，将风过程看成高斯过程的组合。因为高斯过程具有在组合和叠加之后仍为高斯过程的良好性质，所以便于求解。优点是精度较高，缺点是计算量较大。第三类的预测方法是机器学习的方法，随着机器学习方法的不同有很多的变种，该方法还包含了基于深度学习的预测方法。例如LSTM，CNN，LSTNet等等。优点是在模型结构设计较好，训练数据充足的情况下，模型的精度较高。缺点是有的深度学习方法训练时间耗时较长，而且需要GPU，适合于离线训练模型，在线应用的场景。第四类预测方法是混合方法。较为典型的方法是采用了时间序列经验模态分解和变分模态分解的方法进行分解，在分解之后的子序列上采用机器学习预测模型。同样也适合于离线训练和在线应用的场景。

风电场集群功率预测也通常包括三种方法。第一种是累加法，通过对每个风电场的功率分别进行预测，然后进行累加。第二种方法是统计升尺度方法，通过选取集群内的代表风电场，通过对代表风电场的功率进行预测，然后乘以一定的系数，得到集群风电场的功率。第三种方法是统计外推法。通过建立历史功率和数值天气预报的数据库，再利用当前历史功率和数值天气预报和历史数据库中的数据进行比较，得到集群预测的结果。当然，部分研究中也提出了统计降尺度方法，通过对气象局提供的数值天气预报进行空间上的降尺度，得到空间上精度更高的数值天气预报，然后结合物理预测方法对风电场集群进行功率预测。