[发明专利]基于双重时空特征提取的风电功率运行趋势预测方法

说明书

本发明属于电力系统运行与控制技术领域，涉及一种基于双重时空特征提取的风电功率运行趋势预测方法，包括：获取原始风电生数据集，并将空数据等剔除，获得风电场群清洗数据集；将生成的3D张量数据输入双重时空特征提取模型，获得关键气象‑功率双重时空提取特征图，并输入循环记忆运行趋势预测模型，获得风电功率超短期运行趋势预测值。本申请基于深度可拆分卷积，更好地对海量数据进行快速处理；强化一重时空互联特征运行趋势中局部重要信息的贡献程度，剔除冗余，获取与未来预测功率密切相关的二重时空互联特征；利用循环周期类神经网络易于处理非线性、运行趋势数据和学习速度快等优势，实现超短期风电功率运行趋势的预测。

技术领域

本发明属于电力系统运行与控制技术领域，涉及一种基于双重时空特征提取的风电功率运行趋势预测方法。

背景技术

近年来，中国的可再生能源中的风能和太阳能发电技术发展迅猛，伴随着大规模风力发电和光伏发电设备的接入，对电力系统运行控制的安全稳定运行提出了更高的标准和要求。然而，由于新能源风力发电和光伏发电本身具有不确定性、随机性和波动性等不稳定因素，导致海量新能源的并网运行给电力系统运行控制及电网调度计划制定等方面带来一系列深刻影响。

按照预测模型划分，风电场群功率预测方法可分为：物理方法、统计学方法以及组合预测方法。其中，物理方法主要依赖数值气象预报气象数据和风场所处的地理环境，借助风速功率曲线进行风电功率预测。统计学方法则利用数理统计手段通过挖掘风电运行数据潜在的自相关关系和互相关关系，捕获历史风电数据特征，并通过外推法进行功率预测。组合预测方法是通过融合各家之长，采用线性或者非线性组合的方式，旨在提高模型的整体预测水平。由于物理方法受制于数值天气预报精度及其更新频率，而统计学方法通常对运行趋势平稳性和线性程度要求较高，难以应对风电自身强随机性及波动性问题，因而两者在海量非线性风电数据预测中，无法兼顾计算时效和预测精度，进而很难对实际电力系统的平稳运行带来可行性验证。而组合预测方法由于结合了多元预测模型的优势，克服了单体预测模型的局限性，在目前风电功率预测领域受到了广泛的推广和关注。

近几年，极限学习机、支持向量机和多元线性回归等机器学习方法在非线性系统控制方面的不断发展为风电功率预测问题提供了新的解决方案。但是，由于其对运行趋势问题的针对性不强，且处理能力有限，因而面对海量运行趋势数据下所构成预测方法的有效性和时效性无法得到充分保障。因此，如何利用大规模运行趋势数据信息开展新能源功率预测方法的研究是解决：在高比例新能源接入下，电网安全稳定运行问题的有效手段和重要保障。

此外，受大气物理运动影响，数值天气预报数据与实测风电功率之间随时间维度及空间维度延伸呈现出不同的时空关联规律。因此，为了准确刻画不同时间断面及不同空间地理位置下，数值天气预报数据与风电功率之间的耦合映射关系，有必要从海量运行趋势数据集中深入挖掘两者在时间维度和空间维度延伸过程中的时空关联特征。为了消除大规模高维数据处理中的计算冗余度和参数复杂度，传统特征提取手段常采用皮尔逊相关性分析方法计算出不同气象因素与实际功率之间的相关性程度，确定与风电功率相关性程度较大的气象特征类别，并将相关程度不大的气象类别予以剔除。这种特征提取方法在单一风电场功率预测过程中的准确度较高，但由于忽略了不同场站之间气象因素的空间相关性对风电集群功率预测的影响，因而无法代表整个风电集群的相关性程度。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于双重时空特征提取的风电功率运行趋势预测方法。该方法在超短期风电功率预测时，一方面基于深度可拆分卷积，采用符合风电场群时空维度变换的拆分卷积核尺寸，更好地对海量数据集进行快速处理以获取一重时空互联特征；同时，结合贡献力分配层优化预测模型的训练性能，强化一重时空互联特征运行趋势中局部重要信息的贡献程度，剔除影响权重较低的冗余信息，获取与未来预测功率密切相关的二重时空互联特征。另一方面，充分利用了循环周期类神经网络易于处理非线性、运行趋势数据问题，且学习速度快等优势，实现超短期风电功率运行趋势的预测。

本发明所采用的技术方案是：综合考虑如下因素：