[發明專利]一種基于數模雙驅的風電功率預測方法、裝置和存儲介質

有效

• 申請號: 202210235846.8
• 申請日: 2022-03-11
• 公開（公告）號: CN114298446B
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 丁彥博;竇迅;羅海峰;鄧葉航
• 申請（專利權）人: 南京工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06F30/27
• 代理公司: 南京先科專利代理事務所(普通合伙) 32285
• 代理人: 何靜

本發明提供了一種基于數模雙驅的風電功率預測方法、裝置和存儲介質，本發明利用MC?LSTM網絡首先提取歷史氣象數據和風電出力功率數據的非線性映射關系，搭建數字驅動模型，再利用TCN網絡提取歷史風機運行狀態數據和風電出力功率數據的非線性映射關系，搭建物理驅動模型；最后利用全連接層將兩種驅動方式的輸出層相連接，并利用一個注意力機制層來提高輸出預測圖線的平滑度和精度。本發明提供的預測方法，高效利用了兩種驅動模型，可以使其發揮各自優勢，通過添加注意力機制環節，可以有效提取數據序列在時間上的特征，進一步強化預測的準確度和穩定性。

技術領域

本發明屬于風電功率預測技術領域，尤其涉及一種基于數模雙驅的風電功率預測方法、裝置和存儲介質。

背景技術

海上風力發電技術的不斷發展帶動了海上風力發電裝機容量的增加，海上風力發電功受風機自身運行狀態和氣象環境等因素的影響而具有波動性和間歇性的特點，這使得海上風電的大規模接入會對全網的電力平衡帶來巨大挑戰。精準穩定的海上風電功率預測是保證調度計劃有效進行的重要手段，能有效緩解海上風電大規模入網帶來的電力不平衡問題，對于保障接入電力系統的安全穩定可靠運行具有意義重大。

目前廣泛使用的風電功率預測方法主要分為統計法和物理法，其中，物理法是單純基于風電功率歷史數據和數值天氣預報（Numerical Weather Prediction，NWP）數據的風電功率預測方法；基于物理法的風電功率預測優點在于依賴的數據量小，模型簡單，預測方便快捷，但NWP數據與真實氣象數據間存在著較大的誤差，且NWP數據與風電場存在著空間上的差異，這使得采用物理法的風電功率預測精度普遍偏低。統計法是基于預測值與真實值的誤差來更新、調整模型權重和參數的風電功率預測方法，該方法通常又被分為概率統計模型法、機器學習模型法和深度學習模型法；概率統計模型，相比于物理法能更好地跟隨風電功率的變化趨勢；機器學習模型的預測精度均優于傳統概率模型；深度學習模型能充分挖掘輸入序列的時間和空間特性，進一步提高風電功率預測的精度。統計方法雖然能夠很好的提取出歷史數據的線性和非線性關系，提高風電功率預測精度，但對歷史數據變化規律的一致性有很高的要求；同時，統計法的建模過程帶有“黑箱”性，與物理預測方法一樣都沒有對預測誤差做進一步分析，都存在預測穩定性差的問題。

發明內容

針對現有技術中存在不足，本發明提供了一種基于數模雙驅的風電功率預測方法、裝置和存儲介質，相比于單一預測模型，擁有更高預測精度，預測結果更加穩定。

本發明是通過以下技術手段實現上述技術目的的。

一種基于數模雙驅的風電功率預測方法，包括如下步驟：

步驟1：獲取歷史氣象數據、歷史風機運行狀態數據、風電出力功率數據，依次進行預處理和歸一化處理；

步驟2：利用MSC-LSTM框架提取歷史氣象數據和風電出力功率數據的非線性映射關系，搭建數字驅動模型；

步驟3：利用TCN框架提取風機運行狀態數據和風電出力功率數據的非線性映射關系，搭建物理驅動模型；

步驟4：利用全連接層將數字驅動模型和物理驅動模型的輸出層相連，再利用注意力機制層整合兩種驅動模型的輸出，以獲取最終預測結果。

進一步地，所述步驟2的具體過程為：

步驟2.1：將經步驟1處理后的歷史氣象數據投入多尺度卷積層，多尺度卷積層每個卷積核輸出的數據維度表示為：

其中，表示第個卷積核經過卷積層輸出的數據維度；表示輸入圖像的高度或寬度；表示第個卷積核對應數據維度；表示多尺度卷積網絡對應0填充值；為步長；

最終得到的時序特征數據集記為：