[發(fā)明專利]基于時空相關性的風電集群功率預測方法

有效

• 申請?zhí)枺?/td>: 202110532494.8
• 申請日: 2021-05-17
• 公開（公告）號: CN113159452B
• 公開（公告）日: 2022-03-01
• 發(fā)明（設計）人: 張家安;劉東;王軍燕;夏云鵬
• 申請（專利權）人: 河北工業(yè)大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 天津翰林知識產權代理事務所(普通合伙) 12210
• 代理人: 張國榮

1.基于時空相關性的風電集群功率預測方法，其特征在于，該方法包括以下步驟：

步驟一：選用Pearson線性相關系數ρ_p、Kendall秩相關系數ρ_k、Spearman秩相關系數ρ_s作為關系參數，對目標風電集群中任意兩個不同風電場的歷史數據進行上述三種相關系數計算；結合Shapley值法，求取上述三種相關系數的權值：以相關系數值與1的差值作為權值計算準則，三種相關系數所有組合的相關性差值為P(p)、P(k)、P(s)、P(p,k)、P(p,s)、P(k,s)、P(p,k,s)，其中：

三種相關系數的Shapley值為：

三種相關系數對應的權值為：

式中，σ_p為Pearson線性相關系數對應的權值；σ_k為Kendall秩相關系數對應的權值；σ_s為Spearman秩相關系數對應的權值；

步驟二：對目標風電集群中任意兩個不同風電場的功率歷史數據，應用步驟一中的計算方法，得到每個風電場與其他風電場發(fā)電功率三種相關系數的權值，然后分別計算該風電場與其它任意一個風電場之間的綜合相關系數，兩個風電場之間的綜合相關系數為：ρ_p*σ_p+ρ_k*σ_k+ρ_s*σ_s；最后求該風電場與其它所有風電場之間的綜合相關系數的均值，該均值為該風電場的平均綜合相關系數；計算每個風電場風能利用系數，將某一風電場的平均綜合相關系數與其風能利用系數加權相加：

式中Cp為單個風電場的風能利用系數；ρ_ave為單個風電場的平均綜合相關系數；σ₁、σ₂為權值，兩者之和為1；

將根據公式(4)計算得到的最大值對應的風電場，確定為標準風電場；

步驟三：構建風電集群時空相關特征矩陣；將步驟二確定的標準風電場編號為1號風電場，對風電集群中的其它風電場依次順延編號，以1號風電場為基準，按照步驟一中的計算方法，分別計算1號風電場與其它風電場之間單一時刻的風速、風向、溫度三種歷史數據各自的三種相關系數及相應的權值，并根據步驟二分別計算單一時刻的三種歷史數據的綜合相關系數；設風電集群中風電場的個數為n，每一種數據的時間坐標相同且維度均為m；

根據1號風電場與其它風電場之間單一時刻的風速、風向、溫度三種數據的綜合相關系數，建立風電集群時空相關特征矩陣，第t個時刻點的風電集群時空相關特征矩陣為：

式中ρ_dir1n為標準風電場與其他風電場間的風向綜合相關系數；ρ_tem1n為標準風電場與其他風電場間的溫度綜合相關系數；ρ_speed1n標準風電場與其他風電場間的風速綜合相關系數；1≤t≤m；

每一個時刻點的風電集群時空相關特征矩陣按上述方法獲得，得到由m個時刻點的風電集群時空相關特征矩陣構成的風電集群時空相關特征矩陣集；

步驟四：利用CNN提取關鍵時空相關特征；CNN包括輸入層、卷積層、子采樣層和全連接層，將步驟三得到的風電集群時空相關特征矩陣集作為卷積神經網絡的輸入；將第t個時刻點的維度為n*n的風電集群時空相關特征矩陣輸入到CNN中，首先卷積層的多個卷積核依次對風電集群時空相關特征矩陣進行特征提取，然后將最后一個卷積核提取得到的特征圖輸入到子采樣層，得到一個新的特征矩陣；將得到的新的特征矩陣輸入到全連接層，全連接層對新的特征矩陣展開，得到一個1×4的一維序列，該一維序列即為第t個時刻點風電集群關鍵時空相關特征；由風電集群時空相關特征矩陣集即可得到m個時刻點的1×4的風電集群關鍵時空相關特征；

步驟五：建立基于小波神經網絡的功率預測模型；采用具有三層結構的WNN，具體包括輸入層、隱含層和輸出層；WNN的輸入為x，對應一個時刻點的1×4的風電集群關鍵時空相關特征，輸出為Y，對應一個時刻點的風電集群功率的預測值；S為輸入的維數，為4；K為輸出的維數，K＝1；ω_sh為輸入層到隱含層權值；ω_hk—隱含層到輸出層權值，輸入樣本數量為U；設定最大訓練次數為R、網絡預測誤差的閾值和學習率，初始化小波神經網絡參數：用[-1，1]區(qū)間內的隨機值初始化輸入層第s個節(jié)點到隱含層第h個節(jié)點的權值ω_sh、隱含層第h個節(jié)點到輸出層第k個節(jié)點的權值ω_hk、隱含層第h個節(jié)點的伸縮因子α_h、隱含層第h個節(jié)點的平移因子β_h；

小波基函數為：

隱含層第h個節(jié)點的輸出為：

α_h—伸縮因子；β_h—平移因子，G(h)為隱含層，S—輸入層節(jié)點的個數；

小波神經網絡的輸出為：

H—隱含層節(jié)點的個數；

網絡預測誤差為：

—期望輸出，為一個時刻點的風電集群功率的實際值；輸入樣本量為U，每一個樣本u計算后得到對應一個輸出Y，每一個輸出Y對應一個期望輸出根據每一個輸入u得到的網絡預測誤差對ω_sh、ω_hk、α_h、β_h進行修正，修正具體過程如下：

ξ為學習率，為常數；

將修正后的ω_sh、ω_hk、α_h、β_h的值作為下一個輸入的小波神經網絡的初始值，將小波神經網絡完成U個輸入的網絡預測、U-1次ω_sh、ω_hk、α_h、β_h的修正的過程稱為一次訓練；

將一次訓練中的最后一個輸入得到的網絡預測誤差與網絡預測誤差的閾值對比，若小于閾值，則停止計算，將最后一次小波神經網絡運算時的ω_sh、ω_hk、α_h、β_h的值作為最優(yōu)取值，并保存該取值下的小波神經網絡為功率預測模型；若最后一個輸入得到的網絡預測誤差大于閾值，則根據最后一個輸入得到的網絡預測誤差繼續(xù)對最后一次小波神經網絡運算時的ω_sh、ω_hk、α_h、β_h進行修正，并將修正后的值作為下一次訓練的初始值；不斷的進行訓練，直至該次訓練為第R次訓練，或者該次訓練的最后一個輸入得到的網絡預測誤差小于閾值，則將該次訓練時最后一次小波神經網絡運算時的ω_sh、ω_hk、α_h、β_h的值作為最優(yōu)取值，并保存最優(yōu)取值下的小波神經網絡為功率預測模型；利用步驟四得到的m個時刻點的1×4的風電集群關鍵時空相關特征以及對應的m個時刻點的風電集群功率對WNN進行訓練，即可得到功率預測模型；

步驟六：利用功率預測模型進行功率預測

獲取風電集群的未來Z個時刻點的天氣預報的風速、風向、溫度三種數據，以1號風電場為基準，按照步驟一中的計算方法，分別計算1號風電場與其它風電場之間單一時刻的風速、風向、溫度三種數據各自的三種相關系數及相應的權值，分別計算單一時刻的三種數據的綜合相關系數，并根據步驟三中所述的方法，建立該Z個時刻點的風電集群時空相關特征矩陣；然后根據步驟四中所述的方法，將該Z個時刻點的風電集群時空相關特征矩陣作為CNN的輸入，獲得該Z個時刻點的1×4的風電集群關鍵時空相關特征；最后將該Z個時刻點的1×4的風電集群關鍵時空相關特征依次輸入到步驟五中獲得的功率預測模型中，獲得該Z個時刻點的風電集群功率的預測值。