[發明專利]基于時空圖卷積神經網絡的風電場集群短期功率預測方法

在審

• 申請號: 202011409788.3
• 申請日: 2020-12-03
• 公開（公告）號: CN112529282A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 梅生偉;張雪敏;凡航;郭琦;王新建
• 申請（專利權）人: 清華大學;內蒙古電力（集團）有限責任公司電力調度控制分公司;中國電力科學研究院有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 張睿

1.一種基于時空圖卷積神經網絡的風電場集群短期功率預測方法，其特征在于，包括：

采集直至當前時刻第一目標時間段內風電場集群中各風電場的歷史功率得到歷史功率向量時序序列，采集從當前時刻開始第二目標時間段內所述各風電場的天氣預報參數向量得到天氣預報參數矩陣時序序列；

將所述歷史功率向量時序序列和所述天氣預報參數矩陣時序序列輸入預測模型，輸出從當前時刻開始未來第三目標時間段內所述風電場集群的預測功率向量時序序列；

其中，所述預測模型是基于樣本歷史功率向量時序序列、樣本天氣預報參數矩陣時序序列和對應的未來第三目標時間段內預測功率向量時序序列標簽進行訓練后得到的，所述預測模型訓練時使用的神經網絡結構基于雙向門控循環單元GRU網絡和圖卷積網絡構成。

2.根據權利要求1所述的基于時空圖卷積神經網絡的風電場集群短期功率預測方法，其特征在于，還包括：

所述預測模型訓練時使用的神經網絡結構還包括位于圖卷積網絡之后的特征融合網絡和多任務學習網絡；

其中，所述特征融合網絡用于采用多模態學習特征拼接法將所述圖卷積網絡輸出的處理后歷史功率特征和處理后的天氣預報進行特征融合得到各風電場的功率拼接天氣特征，所述多任務學習網絡用于對各風電場設計不同任務層結構以及損失函數。

3.根據權利要求2所述的基于時空圖卷積神經網絡的風電場集群短期功率預測方法，其特征在于，所述多任務學習網絡用于對各風電場設計不同任務層結構以及損失函數，具體包括：

將所述各風電場的功率拼接天氣特征分別輸入對應于各風電場的任務層網絡，其中，所述任務層網絡為根據各風電場功率需求設計的全連接層網絡；

通過如下公式基于各任務層網絡的預測損失確定所述預測模型的損失函數L：

其中，n表示所述風電場集群中風電場的總個數，是第i個風電場的預測功率，H為所述預測功率向量時序序列中的時步個數，是所述風電場集群中第i個風電場的功率拼接天氣特征，d_out為所述功率拼接天氣特征的維度，W_oi是所述風電場集群中第i個風電場的全連接層網絡的待調參數。

4.根據權利要求1-3所述的基于時空圖卷積神經網絡的風電場集群短期功率預測方法，其特征在于，所述預測模型訓練時使用的神經網絡結構基于雙向門控循環單元GRU網絡和圖卷積網絡構成，具體包括：

所述預測模型訓練時使用的神經網絡結構中的特征提取模塊包括雙向門控循環單元GRU網絡和圖卷積網絡；

所述預測模型訓練時，將樣本歷史功率向量時序序列和樣本天氣預報參數矩陣時序序列輸入所述雙向門控循環單元GRU網絡輸出升維后功率特征和升維后天氣預報特征，所述升維后功率特征和升維后天氣預報特征輸入圖卷積網絡輸出再降維后功率特征和再降維后天氣預報特征。

5.根據權利要求4所述的基于時空圖卷積神經網絡的風電場集群短期功率預測方法，其特征在于，所述升維后功率特征和升維后天氣預報特征輸入圖卷積網絡輸出再降維后功率特征和再降維后天氣預報特征，具體包括：

所述圖卷積網絡的特征傳遞過程通過下列公式表示：

其中，A∈R^n×n，A表示風電場集群的鄰接矩陣，n表示所述風電場集群中風電場的總個數，為鄰接矩陣的度矩陣，X^(l)∈R^n×d，d是升維后功率特征的維度或升維后天氣預報特征的維度，X^(l)是第l層圖卷積的輸入特征，X^(l+1)∈R^n×h是所述圖卷積網絡中第l層圖卷積的輸出特征和l+1層圖卷積的輸入特征，l＝1,2,…,N,所述圖卷積網絡中的圖卷積總層數為N+1，I_n為維度為n的單位矩陣。

6.根據權利要求5所述的基于時空圖卷積神經網絡的風電場集群短期功率預測方法，其特征在于，所述歷史功率向量時序序列、所述天氣預報參數矩陣時序序列和所述預測功率向量時序序列中的時步步長均相等，且第三目標時間段時長低于預設閾值。