[发明专利]一种基于数模双驱的风电功率预测方法、装置和存储介质

说明书

本发明提供了一种基于数模双驱的风电功率预测方法、装置和存储介质，本发明利用MC‑LSTM网络首先提取历史气象数据和风电出力功率数据的非线性映射关系，搭建数字驱动模型，再利用TCN网络提取历史风机运行状态数据和风电出力功率数据的非线性映射关系，搭建物理驱动模型；最后利用全连接层将两种驱动方式的输出层相连接，并利用一个注意力机制层来提高输出预测图线的平滑度和精度。本发明提供的预测方法，高效利用了两种驱动模型，可以使其发挥各自优势，通过添加注意力机制环节，可以有效提取数据序列在时间上的特征，进一步强化预测的准确度和稳定性。

技术领域

本发明属于风电功率预测技术领域，尤其涉及一种基于数模双驱的风电功率预测方法、装置和存储介质。

背景技术

海上风力发电技术的不断发展带动了海上风力发电装机容量的增加，海上风力发电功受风机自身运行状态和气象环境等因素的影响而具有波动性和间歇性的特点，这使得海上风电的大规模接入会对全网的电力平衡带来巨大挑战。精准稳定的海上风电功率预测是保证调度计划有效进行的重要手段，能有效缓解海上风电大规模入网带来的电力不平衡问题，对于保障接入电力系统的安全稳定可靠运行具有意义重大。

目前广泛使用的风电功率预测方法主要分为统计法和物理法，其中，物理法是单纯基于风电功率历史数据和数值天气预报（Numerical Weather Prediction，NWP）数据的风电功率预测方法；基于物理法的风电功率预测优点在于依赖的数据量小，模型简单，预测方便快捷，但NWP数据与真实气象数据间存在着较大的误差，且NWP数据与风电场存在着空间上的差异，这使得采用物理法的风电功率预测精度普遍偏低。统计法是基于预测值与真实值的误差来更新、调整模型权重和参数的风电功率预测方法，该方法通常又被分为概率统计模型法、机器学习模型法和深度学习模型法；概率统计模型，相比于物理法能更好地跟随风电功率的变化趋势；机器学习模型的预测精度均优于传统概率模型；深度学习模型能充分挖掘输入序列的时间和空间特性，进一步提高风电功率预测的精度。统计方法虽然能够很好的提取出历史数据的线性和非线性关系，提高风电功率预测精度，但对历史数据变化规律的一致性有很高的要求；同时，统计法的建模过程带有“黑箱”性，与物理预测方法一样都没有对预测误差做进一步分析，都存在预测稳定性差的问题。

发明内容

针对现有技术中存在不足，本发明提供了一种基于数模双驱的风电功率预测方法、装置和存储介质，相比于单一预测模型，拥有更高预测精度，预测结果更加稳定。

本发明是通过以下技术手段实现上述技术目的的。

一种基于数模双驱的风电功率预测方法，包括如下步骤：

步骤1：获取历史气象数据、历史风机运行状态数据、风电出力功率数据，依次进行预处理和归一化处理；

步骤2：利用MSC-LSTM框架提取历史气象数据和风电出力功率数据的非线性映射关系，搭建数字驱动模型；

步骤3：利用TCN框架提取风机运行状态数据和风电出力功率数据的非线性映射关系，搭建物理驱动模型；

步骤4：利用全连接层将数字驱动模型和物理驱动模型的输出层相连，再利用注意力机制层整合两种驱动模型的输出，以获取最终预测结果。

进一步地，所述步骤2的具体过程为：

步骤2.1：将经步骤1处理后的历史气象数据投入多尺度卷积层，多尺度卷积层每个卷积核输出的数据维度表示为：

其中，表示第个卷积核经过卷积层输出的数据维度；表示输入图像的高度或宽度；表示第个卷积核对应数据维度；表示多尺度卷积网络对应0填充值；为步长；

最终得到的时序特征数据集记为：