[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

本發明提供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，包括：采集第一目標時間段內歷史功率得到歷史功率向量時序序列，采集第二目標時間段內天氣預報參數向量得到天氣預報參數矩陣時序序列；將歷史功率向量和天氣預報參數矩陣的時序序列輸入預測模型，輸出第三目標時間段內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和樣本天氣預報參數矩陣時序序列以及預測功率向量時序序列標簽進行訓練后得到的，所述預測模型的神經網絡結構基于Bi?GRU網絡和圖卷積網絡構成。本發明提供的方法，實現了使功率預測可以聯合考慮歷史功率和天氣預報參數兩種因素，還提高了預測的準確率。

技術領域

本發明涉及風電場集群功率預測技術領域，尤其涉及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。

背景技術

可再生能源，尤其是風能已經成為緩解能源危機的關鍵。近年來，風電場的裝機容量日益增加，而且風電場的接入多以集群的形式進行接入。但是由于風電場的波動性和隨機性，風電不僅帶來了清潔的能源，也給電網的安全穩定運行帶來了一定程度的威脅。因此，對于風速和功率的準確預測是保證風電場并網運行的重要保障。而風電場集群的超短期功率預測，要求對未來4小時的風電功率以不低于15min的間隔進行預測，是調整發電計劃、安排調度計劃和進行日內交易的基礎，更是具有非常重要的意義。

風電場集群超短期功率預測的難點在于對風電場集群內部的復雜時空關聯模式進行特征提取，并據此對未來時刻的功率進行預測。而本發明旨在設計了一種基于多模態多任務學習的時空圖卷積神經網絡，對風電場集群復雜的時空關聯模式進行提取，能夠較為準確地給出風電場集群內部各個風電場的多步預測功率。

通常情況下單風電場的功率預測可分為物理方法和統計學習方法。圖1為現有技術提供的風電場預測模型分類圖，物理方法主要利用大氣運動方程和風電機組的風速功率轉化原理進行功率預測，而統計學習方法包含如圖1所示的內容。

如圖1所示，第一類預測方法是經典的多變量時間序列預測方法，具有較好的統計學理論依據和基礎，本質上是將常規的ARIMA模型在多變量時間序列上進行了拓展，并采用了LASSO的方法進行變量的特征提取。優點是數學意義明確，操作簡便，而且模型參數非常方便調節，所以適用于在線應用的場景。工程中多采用此類方法，但缺點是相對于專門設計的神經網絡方法或者其它方法誤差較大。第二類的預測方法主要采用了概率圖模型和高斯過程的思想，將風過程看成高斯過程的組合。因為高斯過程具有在組合和疊加之后仍為高斯過程的良好性質，所以便于求解。優點是精度較高，缺點是計算量較大。第三類的預測方法是機器學習的方法，隨著機器學習方法的不同有很多的變種，該方法還包含了基于深度學習的預測方法。例如LSTM，CNN，LSTNet等等。優點是在模型結構設計較好，訓練數據充足的情況下，模型的精度較高。缺點是有的深度學習方法訓練時間耗時較長，而且需要GPU，適合于離線訓練模型，在線應用的場景。第四類預測方法是混合方法。較為典型的方法是采用了時間序列經驗模態分解和變分模態分解的方法進行分解，在分解之后的子序列上采用機器學習預測模型。同樣也適合于離線訓練和在線應用的場景。

風電場集群功率預測也通常包括三種方法。第一種是累加法，通過對每個風電場的功率分別進行預測，然后進行累加。第二種方法是統計升尺度方法，通過選取集群內的代表風電場，通過對代表風電場的功率進行預測，然后乘以一定的系數，得到集群風電場的功率。第三種方法是統計外推法。通過建立歷史功率和數值天氣預報的數據庫，再利用當前歷史功率和數值天氣預報和歷史數據庫中的數據進行比較，得到集群預測的結果。當然，部分研究中也提出了統計降尺度方法，通過對氣象局提供的數值天氣預報進行空間上的降尺度，得到空間上精度更高的數值天氣預報，然后結合物理預測方法對風電場集群進行功率預測。