一种新建小样本风电场的短期风电功率预测方法及系统

本发明涉及风电功率预测的，更具体地，涉及一种新建小样本风电场的短期风电功率预测方法及系统。

背景技术：

1、近年来，风能作为一种可再生能源发展迅猛，大批新建风电场陆续并网，风电大规模并网给电力系统的安全稳定运行带来了挑战，风电功率预测可以降低风电的不确定性，为电网调度部门提供依据，因此，准确的风电功率预测对电力系统安全稳定运行具有重要积极意义。

2、目前，每年都会有大量新建、扩建及重建的风电场投入，风力发电具有随机性和波动性，新建风电场没有足够的时间积累历史数据样本，功率预测所需历史数据样本不足，风电功率预测时样本少也会影响风电功率最终的预测精度。由于一定范围内的风电场的风电功率具有一定的关联性，有效的利用邻近风电场的数据，能够提升少样本新建风电场风电功率预测的精度。

3、针对缺少训练数据的新建风电场的风电功率预测，现有技术中提出了一种基于迁移学习深度学习相结合的风电功率预测方法，首先提取新建风电场及其周边风电长的历史风电功率历史样本，使用新建风电场的少量历史样本训练bp-nn，再对周边风电场的大量历史样本预测，根据预测结果计算周边风电场每个历史样本的相关系数，然后根据相关系数将周边风电场的大量历史样本划分为强相关样本、中相关样本及弱相关样本，使用模型迁移方法构建用于新建风电场的预测模型并分别给出预测结果，最后使用b-lstm网络将预测结果集成，输出最终的风电功率预测结果，提升了新建风电场功率预测精度。然而，由于风电波动性大的特点，一般深度学习模型在进行预测时会存在较大的波动，需要对预测的误差进行修正，才能提升风电场功率预测精度。

技术实现思路

1、为解决新建小样本风电场的风电功率预测准确度低的问题，本发明提出一种新建小样本风电场的短期风电功率预测方法及系统，对区域风电场数据信息充分利用，有效减少因风电波动性带来的误差，提升新建少样本风电场风电功率预测的精度。

2、为了达到上述技术效果，本发明的技术方案如下：

3、一种新建小样本风电场的短期风电功率预测方法，所述方法包括以下步骤：

4、s1.获取区域内目标新建风电场及其周边风电场的风电相关数据，并对风电相关数据进行初步处理；

5、s2.将每一个风电场视为一个节点，每个节点对应有自身的风电相关数据，基于风电相关数据的相关性，确定风电场之间的连接关系，建立风电场之间的区域风电场图；

6、s3.构建考虑时空特性的图卷积神经网络，将区域风电场图输入至图卷积神经网络，提取包含区域风电场图对应风电相关数据信息的特征矩阵；

7、s4.构建孪生门控循环协同误差修正预测模型，利用特征矩阵对孪生门控循环协同误差修正预测模型进行预训练；

8、s5.采集目标风电场的小样本历史数据，并利用小样本历史数据对孪生门控循环协同误差修正预测模型进行精调，得到最终的预测模型；

9、s6.采集目标新建风电场日前风电相关历史数据，将日前风电相关历史数据输入最终的预测模型中，预测目标新建风电场当日的风电功率。

10、优选地，步骤s1所述的风电相关数据包括风电场日前风电功率序列数据、风速序列数据、风向序列数据和温度序列数据。

11、优选地，对风电相关数据进行的初步处理包括：将风电场日前风电功率序列数据、风速序列数据、温度序列数据采用min-max归一化处理，获得处理后的的风电功率序列p、风速序列ws和温度序列tem，对风向序列数据采用正余弦处理，获得风向正弦wds和风向余弦wdc，最终得到处理后的风电相关数据表示为：

12、

13、其中，xn表示处理后的区域内第n个风电场的风电相关数据矩阵，和分别表示归一化后第n个风电场的t-n时刻的风电功率、风速、风向正弦、风向余弦和温度。

14、优选地，在步骤s2中，基于软注意力机制对区域内风电场之间以及风电场某时刻与前后两时刻的相关性进行反映，对于任一风电场，基于每一个风电场对应的自身的风电相关数据，选择一个或几个与其相关性最高的风电场，且同时计算同一风电场时刻与前后两个时刻的节点数据的相关性，从而获得该区域每个风电场当前时刻与其前、后两个时刻中对应的风电场节点连接关系，软注意力机制为每个风电场分配0-1之间的风电相关性权重数值，形成该区域内风电场图的联接矩阵，表达式为：

15、

16、其中，为(0,1)之间tn时刻某两个风电场之间连接关系的实数，表示(0,1)之间tn与tm时刻之间某风电场不同时刻连接关系的实数；

17、若联接矩阵中某两个风电场或某风电场中相邻时刻的相关系数大于第一阈值，则此两个风电场或同一风电场相邻时刻采用实线连接，否则，此两个风电场或同一风电场相邻时刻不连接，最终形成区域内风电场之间的区域风电场图。

18、优选地，在步骤s2中，基于硬注意力机制对区域内风电场之间以及风电场某时刻与前后两时刻的相关性进行反映，即对于任一风电场，基于每一个风电场对应的自身的风电相关数据，选择一个或几个与其相关性最高的风电场，且同时获得该区域每个风电场当前时刻与其前、后两个时刻中对应的风电场节点连接关系，硬注意力机制为每个风电场分配0或1的风电相关性数值，形成该区域内风电场图的联接矩阵，表达式为：

19、

20、其中，为0或1，表示tn时刻某两个风电场之间连接关系，为0或1，表示tn与tm时刻之间某风电场不同时刻连接关系；

21、若连接矩阵中某两个风电场或某风电场中相邻时刻的相关系数为1，则此两个风电场或同一风电场相邻时刻采用实线连接，否则，此两个风电场或同一风电场相邻时刻不连接，最终形成区域内风电场之间的区域风电场图。

22、优选地，s3的具体过程为：

23、s31.建立一个四层图卷积神经网络，以风电场的历史时间图信号矩阵作为四层图卷积神经网络的输入，其中，历史时间图信号矩阵为区域风电场图中某一时刻之前的若干步某一风电场中包括风电功率序列p、风速序列ws和温度序列tem构成的；表达式：

24、

25、其中，h为历史图信号矩阵序列的时间步数，表示t时刻图g中某一风电场中包括功率序列p、风速序列ws和温度序列tem构成的图信号矩阵；

26、s32.风电场的历史时间图信号矩阵在四层图卷积神经网络的层与层之间传播方式为：

27、

28、其中，e是单位矩阵；是的度矩阵；l是图卷积神经网络中每一层的特征，σ是非线性激活函数；

29、s33.将区域风电场图输入至图卷积神经网络，经过图卷积神经网络四层运算之后，提取包含区域风电场图对应风电相关数据信息的特征矩阵d1，形式为：

30、

31、其中，pt-n、wst-n、wdst-n、wdct-n和temt-n分别表示图卷积神经网络提取的融合区域内所有风电场的t-n时刻的风电功率、风速、风向正弦、风向余弦和温度。

32、优选地，步骤s4构建的孪生门控循环协同误差修正预测模型为结构相同的原生门控循环单元网络和孪生门控循环单元网络，原生门控循环单元网络和孪生门控循环单元网络均为两层门控循环单元网络，原生门控循环单元网络和孪生门控循环单元网络共享参数，神经元的数量分别为4和8，激活函数为tanh，权重参数满足：

33、

34、其中，wr、wz、wh、ur、uz、uh为原生门控循环单元网络的权重参数矩阵，br、bz、bh为偏置参数矩阵，为矩阵乘法，σ为sigmod函数，rt为重置门，zt为更新门，为当前时刻隐含层的候选状态，yt为当前隐含状态，yt-1为前一时刻的隐含状态，xt为当前时刻的该区域风电场的风电相关数据以及前一时刻的风电功率。该方案中构建的孪生门控循环协同误差修正预测模型能够有效减少风电波动性带来的误差，提升新建少样本风电场风电功率预测的精度。

35、优选地，利用特征矩阵对孪生门控循环协同误差修正预测模型进行预训练的过程为：

36、s41.将特征矩阵划分为训练集和测试集，初始化原生门控循环单元网络的参数，具体形式为：

37、θ0＝[wz,wr,wh,uz,ur,uh,bz,br,bh]

38、孪生门控循环单元网网络的参数也是θ0；

39、s43.利用训练集训练原生门控循环单元网络，训练好的原生门控循环单元网络对应的模型参数为：

40、θ1＝[wz,wr,wh,uz,ur,uh,bz,br,bh]

41、s44.利用训练好的原生门控循环单元网络对图卷积神经网络提取到的特征矩阵中所有数据的任意时间点进行功率预测，得到所有时间点对应的风电功率预测值，并计算风电功率预测值与相应时间点对应的风电功率实际值的差值，得到相应时间点原生门控循环单元网络预测的误差值δp，形式为：

42、δp＝[δpt-1δpt-2...δpt-n]

43、s45.利用误差值δp替换图卷积神经网络提取到的特征矩阵d1中对应时间点的风电功率，得到一个新的输入特征矩阵，以作为孪生门控循环单元网络的输入特征矩阵，新的输入特征矩阵d2的形式为：

44、

45、其中，δpt-n、wst-n、wdst-n、wdct-n和temt-n分别表示t-n时刻原生门控循环单元对图卷积神经网络提取的融合区域内所有风电场的t-n时刻的风电功率的预测误差、风速、风向正弦、风向余弦和温度；

46、s46.利用新的输入特征矩阵d2对孪生门控循环单元网络进行预训练，利用训练好的孪生门控循环单元网络对图卷积神经网络提取到的特征矩阵中所有数据的任意时间点进行功率预测，得到所有时间点对应的风电功率预测值，并计算风电功率预测值与相应时间点对应的风电功率实际值的差值，得到相应时间点原生门控循环单元网络预测的误差值；

47、s47.以原生门控循环单元网络的功率输出与孪生误差预测门控循环单元网络的误差预测输出之和作为孪生门控循环协同误差修正预测模型最终的预测输出；

48、s48.利用测试集测试孪生门控循环协同误差修正预测模型的训练效果。该方案可以提升模型的泛化性。

49、优选地，步骤s5所述利用小样本历史数据对孪生门控循环协同误差修正预测模型进行精调的过程为：

50、采集目标风电场的小样本历史数据，将小样本历史数据输入步骤s4已预训练好的孪生门控循环协同误差修正预测模型中，重新训练一次孪生门控循环协同误差修正预测模型，从而精调孪生门控循环协同误差修正预测模型的模型参数。

51、本技术还提出一种新建小样本风电场的短期风电功率预测系统，所述系统包括：

52、风电场数据获取及处理单元，用于获取区域内目标新建风电场及其周边风电场的风电相关数据，并对风电相关数据进行初步处理；

53、区域风电场图构建单元，用于将每一个风电场视为一个节点，每个节点对应有自身的风电相关数据，基于风电相关数据的相关性，确定风电场之间的连接关系，建立风电场之间的区域风电场图；

54、特征矩阵提取单元，用于构建考虑时空特性的图卷积神经网络，将区域风电场图输入至图卷积神经网络，提取包含区域风电场图对应风电相关数据信息的特征矩阵；

55、模型构建及预训练单元，用于构建孪生门控循环协同误差修正预测模型，利用特征矩阵对孪生门控循环协同误差修正预测模型进行预训练；

56、模型精调单元，用于采集目标风电场的小样本历史数据，并利用小样本历史数据对孪生门控循环协同误差修正预测模型进行精调，得到最终的预测模型；

57、预测单元，用于采集目标新建风电场日前风电相关历史数据，将日前风电相关历史数据输入最终的预测模型中，预测目标新建风电场当日的风电功率。

58、与现有技术相比，本发明技术方案的有益效果是：

59、本发明提出一种新建小样本风电场的短期风电功率预测方法及系统，首先获取区域内目标新建风电场及其周边风电场的风电相关数据，在经过初步处理后，获得风电场之间的区域风电场图，然后构建考虑时空特性的图卷积神经网络以提取区域风电场图内的信息，从而获取包含该区域所有风电场数据的特征，弥补新建风电场的小样本的不足，最后构建孪生门控循环协同误差修正预测模型使用获取的特征进行预训练，有效减少因风电波动性带来的误差，然后利用目标风电场数据对模型进行精调，更适用于目标风电场所在区域内的任意新建风电场，提升新建少样本风电场风电功率预测的精度。