[發(fā)明專利]基于時空圖卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)電場集群短期功率預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202011409788.3
• 申請日: 2020-12-03
• 公開（公告）號: CN112529282A
• 公開（公告）日: 2021-03-19
• 發(fā)明（設(shè)計）人: 梅生偉;張雪敏;凡航;郭琦;王新建
• 申請（專利權(quán)）人: 清華大學(xué);內(nèi)蒙古電力（集團）有限責(zé)任公司電力調(diào)度控制分公司;中國電力科學(xué)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(chǎn)權(quán)代理有限公司 11002
• 代理人: 張睿

1.一種基于時空圖卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)電場集群短期功率預(yù)測方法，其特征在于，包括：

采集直至當(dāng)前時刻第一目標(biāo)時間段內(nèi)風(fēng)電場集群中各風(fēng)電場的歷史功率得到歷史功率向量時序序列，采集從當(dāng)前時刻開始第二目標(biāo)時間段內(nèi)所述各風(fēng)電場的天氣預(yù)報參數(shù)向量得到天氣預(yù)報參數(shù)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(yù)報參數(shù)矩陣時序序列輸入預(yù)測模型，輸出從當(dāng)前時刻開始未來第三目標(biāo)時間段內(nèi)所述風(fēng)電場集群的預(yù)測功率向量時序序列；

其中，所述預(yù)測模型是基于樣本歷史功率向量時序序列、樣本天氣預(yù)報參數(shù)矩陣時序序列和對應(yīng)的未來第三目標(biāo)時間段內(nèi)預(yù)測功率向量時序序列標(biāo)簽進行訓(xùn)練后得到的，所述預(yù)測模型訓(xùn)練時使用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)基于雙向門控循環(huán)單元GRU網(wǎng)絡(luò)和圖卷積網(wǎng)絡(luò)構(gòu)成。

2.根據(jù)權(quán)利要求1所述的基于時空圖卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)電場集群短期功率預(yù)測方法，其特征在于，還包括：

所述預(yù)測模型訓(xùn)練時使用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)還包括位于圖卷積網(wǎng)絡(luò)之后的特征融合網(wǎng)絡(luò)和多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)；

其中，所述特征融合網(wǎng)絡(luò)用于采用多模態(tài)學(xué)習(xí)特征拼接法將所述圖卷積網(wǎng)絡(luò)輸出的處理后歷史功率特征和處理后的天氣預(yù)報進行特征融合得到各風(fēng)電場的功率拼接天氣特征，所述多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)用于對各風(fēng)電場設(shè)計不同任務(wù)層結(jié)構(gòu)以及損失函數(shù)。

3.根據(jù)權(quán)利要求2所述的基于時空圖卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)電場集群短期功率預(yù)測方法，其特征在于，所述多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)用于對各風(fēng)電場設(shè)計不同任務(wù)層結(jié)構(gòu)以及損失函數(shù)，具體包括：

將所述各風(fēng)電場的功率拼接天氣特征分別輸入對應(yīng)于各風(fēng)電場的任務(wù)層網(wǎng)絡(luò)，其中，所述任務(wù)層網(wǎng)絡(luò)為根據(jù)各風(fēng)電場功率需求設(shè)計的全連接層網(wǎng)絡(luò)；

通過如下公式基于各任務(wù)層網(wǎng)絡(luò)的預(yù)測損失確定所述預(yù)測模型的損失函數(shù)L：

其中，n表示所述風(fēng)電場集群中風(fēng)電場的總個數(shù)，是第i個風(fēng)電場的預(yù)測功率，H為所述預(yù)測功率向量時序序列中的時步個數(shù)，是所述風(fēng)電場集群中第i個風(fēng)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(fēng)電場集群中第i個風(fēng)電場的全連接層網(wǎng)絡(luò)的待調(diào)參數(shù)。

4.根據(jù)權(quán)利要求1-3所述的基于時空圖卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)電場集群短期功率預(yù)測方法，其特征在于，所述預(yù)測模型訓(xùn)練時使用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)基于雙向門控循環(huán)單元GRU網(wǎng)絡(luò)和圖卷積網(wǎng)絡(luò)構(gòu)成，具體包括：

所述預(yù)測模型訓(xùn)練時使用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的特征提取模塊包括雙向門控循環(huán)單元GRU網(wǎng)絡(luò)和圖卷積網(wǎng)絡(luò)；

所述預(yù)測模型訓(xùn)練時，將樣本歷史功率向量時序序列和樣本天氣預(yù)報參數(shù)矩陣時序序列輸入所述雙向門控循環(huán)單元GRU網(wǎng)絡(luò)輸出升維后功率特征和升維后天氣預(yù)報特征，所述升維后功率特征和升維后天氣預(yù)報特征輸入圖卷積網(wǎng)絡(luò)輸出再降維后功率特征和再降維后天氣預(yù)報特征。

5.根據(jù)權(quán)利要求4所述的基于時空圖卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)電場集群短期功率預(yù)測方法，其特征在于，所述升維后功率特征和升維后天氣預(yù)報特征輸入圖卷積網(wǎng)絡(luò)輸出再降維后功率特征和再降維后天氣預(yù)報特征，具體包括：

所述圖卷積網(wǎng)絡(luò)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(fēng)電場集群的鄰接矩陣，n表示所述風(fēng)電場集群中風(fēng)電場的總個數(shù)，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(yù)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(wǎng)絡(luò)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(wǎng)絡(luò)中的圖卷積總層數(shù)為N+1，I_n為維度為n的單位矩陣。

6.根據(jù)權(quán)利要求5所述的基于時空圖卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)電場集群短期功率預(yù)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(yù)報參數(shù)矩陣時序序列和所述預(yù)測功率向量時序序列中的時步步長均相等，且第三目標(biāo)時間段時長低于預(yù)設(shè)閾值。