[發(fā)明專利]基于端到端模型的爬坡預測方法

在審

• 申請?zhí)枺?/td>: 202210043642.4
• 申請日: 2022-01-14
• 公開（公告）號: CN116484991A
• 公開（公告）日: 2023-07-25
• 發(fā)明（設計）人: 張媛媛;陳彥如;王浩;岳凱峰;趙萬檳;李亞潔;劉宜珈;李京鵬;胡翔;陳良銀
• 申請（專利權(quán)）人: 四川大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/0442
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于端到端模型的爬坡預測方法。其方法主要包括數(shù)據(jù)預處理、預測模型訓練、模型預測和風電功率爬坡檢測四部分；預測模型訓練包括主預測模型訓練模塊和誤差修正模型訓練模塊，模型預測包括主模型預測模塊和誤差模型修正模塊；主預測模型訓練模塊用于將歷史風電功率數(shù)據(jù)、歷史風速數(shù)據(jù)和預報風速數(shù)據(jù)作為模型輸入；誤差修正模型訓練模塊用于將主模型輸出的風電功率預測殘差序列作為數(shù)據(jù)集對誤差修正模型進行訓練測試；主模型預測模塊用于對風電功率進行預測；誤差模型修正模塊用于將主預測模型的輸出作為殘差模型輸入，預測殘差修正初步預測值；風電功率爬坡檢測模塊用于風電功率預測序列的爬坡檢測，得到爬坡預測特征量。

技術(shù)領(lǐng)域

本發(fā)明屬于風電功率預測領(lǐng)域，尤其涉及風電功率爬坡預測，具體是一種基于端到端模型的爬坡預測方法。

背景技術(shù)

風電功率爬坡事件是指在短時間間隔內(nèi)風電功率的較大波動，會嚴重影響電網(wǎng)系統(tǒng)的安全穩(wěn)定運行。因此對于電力系統(tǒng)的安全穩(wěn)定運行而言，對風電功率爬坡事件的預測方法進行研究極為必要。基于間接預測的爬坡事件預測方法是指首先通過風電功率預測得到未來風電功率時序數(shù)據(jù)，然后利用風電功率爬坡檢測方法對該預測序列進行爬坡檢測，最終得到預測爬坡事件。在間接預測方法中，風電爬坡預測性能的好與壞，很大程度上取決于風電功率預測模型的預測精度。因此亟需一種科學有效的風電功率爬坡預測方法。

現(xiàn)有的基于間接預測的風電功率爬坡檢測方法中，基于序列分解的方法由于其過程繁瑣導致預測運行緩慢，而神經(jīng)網(wǎng)絡模型可以以相對較好的精度快速提供預測結(jié)果。但現(xiàn)有的基于神經(jīng)網(wǎng)絡的風電功率爬坡預測模型的輸入只利用歷史風電功率數(shù)據(jù)，很難學習到突變的特征，容易造成預測結(jié)果的滯后性。同時隨著預測步長變大，功率預測的精度越小，最終導致爬坡預測準確度越低。

綜上所述，設計一種能實現(xiàn)解決預測滯后性問題和預測步長較大時的預測精度低問題的風電爬坡預測方法尤為重要。

發(fā)明內(nèi)容

針對上述問題，本發(fā)明提供一種基于端到端模型的爬坡預測方法，實現(xiàn)分鐘級別的短時爬坡預測。

本發(fā)明解決上述問題所采用的基于端到端模型的爬坡預測方法，由數(shù)據(jù)預處理、預測模型訓練、模型預測和風電功率爬坡檢測四部分組成；其中預測模型訓練部分包括主預測模型訓練模塊和誤差修正模型訓練模塊，模型預測部分主要包括主模型預測模塊和誤差模型修正模塊；其中所述主預測模型訓練模塊，用于將歷史風電功率數(shù)據(jù)、歷史風速數(shù)據(jù)和預報風速數(shù)據(jù)作為模型輸入，對主模型輸入進行訓練；所述誤差修正模型訓練模塊，用于將主模型中的風電功率預測模型輸出的風電功率預測殘差序列作為數(shù)據(jù)集對誤差修正模型進行訓練測試；所述主模型預測模塊，用于對未來4小時的風電功率進行預測；所述誤差模型修正模塊用于將主預測模型的輸出作為殘差模型輸入，預測殘差并修正初步預測值；所述風電功率爬坡檢測模塊，用于風電功率預測序列的爬坡檢測，最后得到爬坡預測特征量。

進一步的是，所述主預測模型訓練模塊由端到端模型構(gòu)成，該端到端模型中編碼器和解碼器都采用雙向長短時記憶神經(jīng)網(wǎng)絡模型作為主要模型結(jié)構(gòu)，并添加注意力機制學習每個步長特征的貢獻程度；

進一步的是，所述主預測模型訓練模塊的輸入包括將歷史理論功率值、歷史實際功率值、歷史風速、歷史風向和預報風速；

進一步的是，所述主預測模型訓練模塊將與風電功率相關(guān)性更高的預報風速作為神經(jīng)網(wǎng)絡模型的輸入，使模型不再只關(guān)注歷史風電功率數(shù)據(jù)，避免預測滯后性現(xiàn)象的產(chǎn)生；

進一步的是，所述主預測模型訓練模塊的輸入取過去一周的歷史數(shù)據(jù)，輸出未來4個小時的風電功率預測值；

進一步的是，所述誤差修正模型訓練模塊的輸入包括當前主模型的功率預測序列和歷史預測殘差序列將時間卷積網(wǎng)絡作為基礎(chǔ)結(jié)構(gòu)，解決長期依賴問題，擴大感受野；

進一步的是，所述風電功率爬坡檢測模塊對上述預測模型輸出的風電功率序列進行爬坡檢測，最后輸出爬坡特征量。