[發(fā)明專利]一種基于圖卷積神經網絡的風電功率預測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010598496.2
• 申請日: 2020-06-28
• 公開（公告）號: CN111784041A
• 公開（公告）日: 2020-10-16
• 發(fā)明（設計）人: 蒲天驕;李燁;王新迎;孫英云;董驍翀;董雷
• 申請（專利權）人: 中國電力科學研究院有限公司;國家電網有限公司;國網天津市電力公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04
• 代理公司: 北京中巡通大知識產權代理有限公司 11703
• 代理人: 李曉曉

1.一種基于圖卷積神經網絡的風電功率預測方法，其特征在于，包括：

對風電數據進行采樣構建樣本集，使用風電預測模型對樣本集進行風電功率預測，其中，風電預測模型包括時序卷積神經網絡層和以風電圖數據結構圖為基礎的圖卷積神經網絡層；風電圖數據結構為節(jié)點包含外界交互的全連接有向圖結構。

2.根據權利要求1所述的一種基于圖卷積神經網絡的風電功率預測方法，其特征在于，

獲取區(qū)域內各個風電站的經緯度，根據經緯度，計算風電站之間的距離，根據風電站的距離，構建風電圖數據結構。

3.根據權利要求2所述的一種基于圖卷積神經網絡的風電功率預測方法，其特征在于，依據風電圖數據結構構建距離倒數矩陣，依據距離倒數矩陣構建圖卷積神經網絡層。

4.根據權利要求3所述的一種基于圖卷積神經網絡的風電功率預測方法，其特征在于，距離倒數矩陣D(i,j)為節(jié)點間的距離倒數信息，使用d_ij描述第i節(jié)點與第j節(jié)點之間的距離，距離倒數矩陣D(i,j)對角線元素為0，非對角線元素為節(jié)點間距離的倒數

5.根據權利要求1所述的一種基于圖卷積神經網絡的風電功率預測方法，其特征在于，獲取各個風電站的歷史風功率實測數據，以L步歷史數據作為預測輸入信息、K步后的實測數據作為預測目標信息，構建樣本集。

6.根據權利要求1或5所述的一種基于圖卷積神經網絡的風電功率預測方法，其特征在于，考慮區(qū)域內有N個風電站，風電站i在t時刻的風電出力記為P_i^t；以L步長歷史數據作為預測輸入信息，對K步后的風電站出力值進行預測；輸入信息為N個風電站從(t-L+1)時刻至t時刻的歷史風電功率值；目標信息為N個風電站在(t+K)時刻的風電功率預測值；一組目標信息與輸出信息構成一個樣本，通過對N個風電站的歷史風功率實測數據進行平移采樣獲得眾多樣本，構建樣本集。

7.根據權利要求1所述的一種基于圖卷積神經網絡的風電功率預測方法，其特征在于，圖卷積神經網絡層的數學表達式為：

D_O＝diag(∑_iD(i,j)+Θ₁(i,i))

式中g_θ(Λ)為圖卷積核信號，x為輸入信息，θ為卷積核參數；Θ₁與Θ₂為自適應參數矩陣，D(i,j)為距離倒數矩陣；

時序卷積神經網絡層的數學表達式為：

式中f(t)為時序卷積核信號，x為輸入信息，k為卷積核的長度，t為時間，s為可變的參數，s＝0,1,2，……，k-1。

8.根據權利要求1所述的一種基于圖卷積神經網絡的風電功率預測方法，其特征在于，風電預測模型包括至少三個時空卷積層，每個時空卷積層由一層圖卷積神經網絡層與一層時序卷積神經網絡層結合形成，除末端的時空卷積層，其他的每個時空卷積層均采用了殘差網絡連接；每個時空卷積層的輸出均被提取，最后將所有時空卷積層的輸出值進行疊加作為風電預測模型的輸出值。

9.根據權利要求1所述的一種基于圖卷積神經網絡的風電功率預測方法，其特征在于，風電預測模型的函數如下：

式中N為區(qū)域內風電站數量，為預測模型對風電站i的預測值，P_i為風電站i的預測目標信息。

10.一種基于圖卷積神經網絡的風電功率預測系統(tǒng)，其特征在于，包括：

預測模塊，對風電數據進行采樣構建樣本集，使用風電預測模型對樣本集進行風電功率預測，其中，風電預測模型包括時序卷積神經網絡層和以風電圖數據結構圖為基礎的圖卷積神經網絡層；風電圖數據結構為節(jié)點包含外界交互的全連接有向圖結構。