[发明专利]一种风电场风力发电机组风速预测方法

说明书

本发明公开了一种风电场机组风速预测方法。针对现有风电场机组风速预测技术中存在的预测精度不高、不适用于大数据处理、建模过程复杂的问题；本发明包括以下步骤：步骤1、获取风电场各机组信息，对数据进行预处理；步骤2、基于图网络的空间特征提取；步骤3、基于门控循环单元神经网络的时间特征提取；步骤4、时空特征融合，实现风电场各风机风速的预测。优点是从风电场机组的空间分布特征以及风速数据的时间特征两方面结合考虑构建技术方案，提出了一种风电场机组风速预测方法，实现了对全场机组风速的有效预测。

技术领域

本发明涉及风电技术领域，尤其涉及一种风电场风力发电机组风速预测方法。

背景技术

风速作为风能的一种重要衡量指标，其变化对于风力发电机组控制、风电场发电量等具有着重要影响。因此，对风电场机组风速进行预测，提高风力发电机组风速预测精度，对于风力发电机组控制优化、电网调度等具有着重要意义。

现有的风电场机组风速预测方法主要可以分为以下几类：1.基于数理统计分析的风速预测技术，例如自回归模型，ARIMA模型等，这类技术主要根据历史时序数据的关系分析实现风速数据的预测；2.基于机器学习模型的风速预测技术，例如支持向量机、反向传播神经网络、Xgboost等，这类技术主要通过数据特征挖掘实现风速数据的预测；3.基于机理模型的风速预测技术，这类技术主要通过对风速影响因素建模实现风速的预测。

虽然上述方法均可实现风电场机组风速的预测，但是也存在一定的局限性。例如，基于数理统计分析的风速预测技术容易受历史数据中异常数据影响，且无法适用于大数据处理；基于机器学习模型的风速预测技术相比于数理统计技术有着更强的数据特征分析能力，但是大部分技术依旧仅考虑时间特征影响且无法挖掘数据深层特征；基于机理模型的风速预测技术，需要采集大量数据且计算过程复杂。

例如，一种在中国专利文献上公开的“一种基于卷积循环神经网络的风电场内多点位风速预测方法”，其公开号CN110889535A，公开日2020-03-17，包括以下步骤：步骤一：采集风电场的运行数据，采集的数据包括多台风电机组位置处的实测风速和实测风向；步骤二：根据步骤一所采集的数据建立基于卷积循环神经网络的风电场内多点位风速预测模型的卷积模块；步骤三：根据步骤一建立基于卷积循环神经网络的风电场内多点位风速预测模型的LSTM模块；步骤四：将卷积模块和LSTM模块的输出连接，步骤五：以平均绝对误差(MAE)损失函数指标训练神经网络模型。该技术方案采用基于卷积循环神经网络的风电场内多点位风速预测模型的LSTM模块，LSTM模块在并行处理上存在劣势，当处理的数据过多时会导致预测精度不高且计算费时的问题。

发明内容

本发明为克服现有风电场机组风速预测技术中存在的预测精度不高、不适用于大数据处理、建模过程复杂的问题，从数据驱动角度出发，结合风电场机组潜在的空间特征及风速数据时间特征构建技术方案，提供了一种风电场机组风速预测方法。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

本发明包括以下步骤：

步骤1、获取风电场各机组信息，对数据进行预处理：收集风电场各机组地理位置信息、风速信息，对地理位置信息以及风速信息进行数据预处理；

步骤2、基于图网络的空间特征提取：基于风电场各机组地理位置信息构建图网络，通过图卷积操作进行风电场机组空间特征信息提取；

步骤3、基于门控循环单元神经网络的时间特征提取：基于风电场各机组风速信息，通过门控循环单元神经网络进行风电场机组风速信息的时间特征提取；

步骤4、时空特征融合，实现风电场各风机风速的预测：将风电场各机组空间特征与各机组风速时间特征进行特征融合处理，基于时空融合特征通过多层全连接层网络实现风电场各风机风速的预测。