一种分区模态分解多时空卷积网络风电场出力预测方法

1.本发明属于电力系统人工智能领域，涉及一种数值计算与人工智能结合的方法，适用于电力系统的风电场出力预测。


背景技术：

2.现有用于风电场出力预测的时间序列模型通过学习负荷数据的时间序列特性进行预测，但却无法对非线性映射进行学习，也不具备对数据的非线性关系进行拟合的能力；特征学习模型通过学习数据的非线性映射关系进行预测，但却无法对时间序列特性进行学习，不具备对数据的时序特性进行考察的能力。上述两类模型无法同时学习负荷的非线性关系和时间序列特性，预测精确度低。
3.另外，风电场的出力受多种因素影响，数据成因复杂，在不经分解地使用原始数据进行分析、预测的情况下，会使所得结果的准确度降低，不利于运行调度部门制定、调整风电调度计划和制定运行方式。
4.因此，提出一种分区模态分解多时空卷积网络风电场出力预测方法，具备学习负荷数据的时间序列特性与非线性映射的能力，能精准地对风电场出力进行预测。


技术实现要素：

5.本发明提出一种分区模态分解多时空卷积网络风电场出力预测方法，该方法将分区、模态分解和多时空卷积网络进行结合，用于风电场出力的预测；所提分区模态分解多时空卷积网络方法在使用过程中的步骤为：
6.步骤(1)：输入风电场原始数据a，包括风电场的原始出力数据、历史运行数据、场站基本数据、气象预测数据、气象实测数据；
7.步骤(2)：在风电场原始数据完成输入后，对数据进行空间尺度上的划分，将原始数据分为n个子区域，各子区域的原始数据为a1,a2,...,a
n
，且：
[0008][0009]
式中n为任一子区域，n∈[1,n]且n∈r；
[0010]
步骤(3)：在风电场原始数据完成空间尺度上的划分后，对各分区分别进行模态分解，每个子区域划分为m个模态，对于任一子区域n，其各个模态的出力数据分别为a
n,1
,a
n,2
,...,a
n,m
；
[0011][0012]
式中m为子区域n的任一模态，m∈[1,m]且m∈r；
[0013]
步骤(4)：在风电场原始数据完成模态分解后，对各模态进行时间尺度上的划分，分为t个时间尺度，完成数据的多时空尺度化，而后输入多时空卷积网络；对于任一子区域n的任一模态m，其各个时间尺度数据为a
n,m,1
,a
n,m,2
,...,a
n,m,t
，各时间尺度的具体长度记为t1,t2,...,t
t
；
[0014]
在模态分解和多时空分解结束后，a1,a2,...,a
n
均用矩阵表示；对于任一分区的数据，其数据形状都相同；记数据长度为q，则任意的分区n的通式a
n
为：
[0015][0016]
其中：
[0017][0018]
式中，t0为所预测的时间长度，t
i
为对应分区n的时间尺度；
[0019]
步骤(5)：将步骤(4)得到的数据输入多时空卷积网络进行训练，使多时空卷积网络具有对风电场出力进行预测的能力；而后多时空卷积网络计算输出各模态在各时空尺度下的预测结果，对于任一子区域n的任一模态m，其预测数据为a
′
n,m
，其各个时间尺度的预测数据为a
′
n,m,1
,a
′
n,m,2
,...,a
′
n,m,t
，有：
[0020][0021]
式中，t为子区域n的模态m的任一时间尺度，t∈[1,t]且t∈r；
[0022]
多时空卷积网络的卷积层，用于使网络的输出结果和输入数据维度一致；残差块堆叠结构，用于加深神经网络层数，防止训练困难，使多时空卷积网络具有信息记忆能力和拟合数据非线性关系的能力，每个残差块都包含一个分支，用来引出一系列的转换函数f，该转换函数的输出又被添加到下一残差块的输入中：
[0023]
o＝activation(z+f(z))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0024]
式中，z为残差块的输入；f(z)为转换函数的输出；o为残差块的输出；
[0025]
残差块中又包括：因果扩展卷积层、权重归一化、relu、dropout和1
×
1卷积；其中，因果扩展卷积层中的因果卷积的输入输出关系为：
[0026]
y0,...,y
b
＝f(x0,...,x
b
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0027]
式中，x0,...,x
b
为长度为b的时间序列数据；y0,...,y
b
为对应每一时刻的输出；
[0028]
因果扩张卷积层满足下列关系：
[0029][0030]
式中，x
i
为第i个输入数据；x
s
‑
d
·
i
为第s
‑
d
·
i个输入数据；s
‑
d
·
i表示过去的方向；d为扩张系数；k为过滤因子即卷积核，k
‑
1用在求和符号∑中，在式中用以表示使i遍历从i＝0到i＝k
‑
1的k个值；s为网络层标号；f(i)为对应x
i
的输出；f(s)为卷积层输出；
[0031]
步骤(6)：对多时空卷积网络计算得出的各模态在各时空尺度下的预测结果进行综合计算，得出总预测结果；
[0032]
对各模态的各个时间尺度下的预测结果a
′
n,m,1
,a
′
n,m,2
,...,a
′
n,m,t
根据时间尺度的不同进行相应比例的叠加，得出各分区的各模态预测结果，对于任一子区域n，其各个模态的出力预测数据分别为a
′
n,1
,a
′
n,2
,...,a
′
n,m
，计算过程为公式(5)所述；
[0033]
对各分区的各模态预测结果a
′
n,1
,a
′
n,2
,...,a
′
n,m
进行叠加，得出各分区的预测结
果a
′1,a
′2,...,a
′
n
，计算过程为：
[0034]
a
′
n
＝a
′
n,1
+a
′
n,2
+...+a
′
n,m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0035]
对各分区预测结果a
′1,a
′2,...,a
′
n
进行叠加，得出总预测结果a
′
；计算过程为：
[0036]
a
′
＝a
′1+a
′2+...+a
′
n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0037]
得出总预测结果a
′
。
[0038]
本发明相对于现有技术具有如下的优点及效果：
[0039]
(1)将模态分解与多时空卷积网络相结合，提高了对风电场出力预测结果的准确性。
[0040]
(2)有利于对风电场出力进行更精准的规划，提高其利用率。
[0041]
(3)有利于节约能源，减少碳排放，有助于实现“碳达峰”及“碳中和”。
附图说明
[0042]
图1是本发明方法的风电场出力预测框架图。
[0043]
图2是本发明方法的多时空卷积网络流程图。
具体实施方式
[0044]
本发明提出的一种分区模态分解多时空卷积网络风电场出力预测方法，结合附图详细说明如下：
[0045]
图1是本发明方法的风电场出力预测框架图。实现风电场出力预测的具体步骤：
[0046]
步骤1，输入风电场原始数据。风电场原始数据包括风电场的原始出力数据、历史运行数据、场站基本数据、气象预测数据、气象实测数据。
[0047]
步骤2，在风电场原始数据完成输入后，对数据进行空间尺度上的划分，而后进行下一步处理。
[0048]
步骤3，在风电场原始数据完成空间尺度上的划分后，对各分区分别进行模态分解，将数据划分为若干个不同的模态，而后进行下一步处理。
[0049]
步骤4，在风电场原始数据完成模态分解后，对各模态进行时间尺度上的划分，完成数据的多时空尺度化，而后输入多时空卷积网络。
[0050]
步骤5，多时空卷积网络计算输出各模态在各时空尺度下的预测结果，而后进行下一步处理。
[0051]
步骤6，对多时空卷积网络计算得出的各模态在各时空尺度下的预测结果进行综合计算，得出总预测结果。综合计算包括：对各模态的各个时间尺度下的预测结果根据时间尺度的不同进行相应比例的叠加，得出各分区的各模态预测结果；对各分区的各模态预测结果进行叠加，得出各分区的预测结果；对各分区预测结果进行叠加，得出总预测结果。
[0052]
图2是本发明方法的多时空卷积网络流程图。数据输入多时空卷积网络，先依次经过两个完全相同的残差块。残差块用于加深神经网络层数，防止训练困难，使多时空卷积网络具有信息记忆能力和数据非线性关系拟合能力。数据输入残差块，分别经由两种计算过程：
[0053]
路径一如下：
[0054]
首先，经过因果扩展卷积层，以处理时间序列数据。在因果卷积中，某一时刻的输
出只和前一层中该时刻及更早时刻的元素做卷积操作。扩张卷积则使顶层的输出能够表示更大范围的输入，从而有效地扩展了卷积网络的感受野，同时解决时间序列数据过长导致的梯度弥散问题。时间顺序为自左向右，下一层任一时刻的输出仅和上一层中该时刻及之前时刻的输入做卷积操作，数据依次经过每一个隐藏层，最终到达输出层；
[0055]
其次，进行权重归一化操作，用于对卷积滤波器进行加权归一化；
[0056]
而后，进行relu操作，即由relu激活函数进行数据处理，用于进行归一化；
[0057]
然后，进行dropout操作，用于进行正则化，防止由于神经网络层数过多导致的过拟合；
[0058]
上述处理结束后，再按相同顺序再次经过上述四个模块进行处理，路径一结束；
[0059]
路径二如下：
[0060]
数据输入1
×
1卷积，即一维卷积处理后，路径二结束。意义在于，如果网络已经学习到较饱和的准确率，或者误差变大时，那么接下来的学习目标就转变为恒等映射的学习，以保持在后面的层次中不会造成准确度下降。
[0061]
最后，路径一和路径二的结果择优输出当前残差块，进入第二个残差块。
[0062]
数据依次经过两个完全相同的残差块后，输入卷积层，以保证网络的输出结果和输入数据维度一致，而后将数据输出。