一种基于LSTM-Attention网络的风电电网控制方法与流程

本发明涉及风电电网控制技术领域，尤其是涉及一种基于lstm-attention网络的风电电网控制方法。

背景技术：

随着化石燃料开采枯竭和减少温室气体排放的必要性，可再生能源得到广泛开发和利用。在过去的几十年中，风力发电是世界上增长最快的能源之一。由于风能具有随机性，波动性和间歇性的特点，风电的大规模并网将影响电力系统的安全性，稳定性以及电能质量。因此，准确的风力预测不仅具有科学研究价值，还对其在电力系统中的实时调整起着重要作用。

风电预测主要基于风速预测，已有的风速预测技术主要分为物理方法，统计方法和混合方法。物理模型是基于数值天气预报数据，依据大气层空气运动的情况，对风电场进行精确的物理描述，需要大量的计算资源。传统统计方法通常利用历史序列(风电功率、历史风速、风向、气压、温度等)找到测量数据(风电功率或风速)的关系。混合方法是结合不同的模型的有用信息，呈现出优越的性能。

传统的神经网络往往对输入变量和训练样本有着严格的要求，训练样本过多或过少都会影响训练效果。并且，当特征尺寸过大，难以有效提取高质量特征时，神经网络难以获得良好的效果。研究表明，实际应用过程中，并不能提供过多的训练数据，以及合适的训练样本与之相比，深度学习是人工神经网络的发展，可以很好地解决以上问题。通过学习海量数据并具有很强的学习和泛化能力，能够确定哪些特征是必不可少的，哪些特征可以在没有人力的情况下被省略。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于lstm-attention网络的风电电网控制方法。

本发明的目的可以通过以下技术方案来实现：

一种基于lstm-attention网络的风电电网控制方法，包括以下步骤：

s1：针对不同风速数据进行数据预处理；

s2：建立总网络模型；

s3：利用历史数据训练总网络模型；

s4：利用经过训练的网络模型得出风电功率结果；

s5：检验风电功率结果并根据风电功率结果对应措施对风电电网进行不同控制操作。

进一步地，所述步骤s1中的数据预处理包括风速与风电机组输出功率的关系数据预处理、风向与风电机组输出功率的关系数据预处理和空气密度与风电机组输出功率的关系数据预处理。

进一步地，所述风速与风电机组输出功率的关系数据预处理，其描述公式为：

p＝cpaρv1³/2

式中，p为风电机组输出功率，cp为风机功率系数，v1为风速，ρ为空气密度，a为风机扫荡面积。

进一步地，所述风向与风电机组输出功率的关系数据预处理，其描述公式为：

式中，η为风电场效率系数，pm为风电场在预设风速和预设风向下的实际输出功率，pf为风电场在预设风速和预设风向下的理想输出功率。

进一步地，所述空气密度与风电机组输出功率的关系数据预处理，其描述公式为：

式中，p0为标准状态下空气的压力，t为热力学温度，pb为饱和蒸气压，为相对空气湿度。

进一步地，所述步骤s2包括以下分步骤：

s201：建立注意力机制的lstm网络模型；

s202：建立se-cnn网络模型。

进一步地，所述注意力机制的lstm网络模型，其描述公式为：

it＝sigmoid(whiht-1+wxixt+bi)

ft＝sigmoid(whfht-1+wxixt+bf)

ot＝sigmoid(whoht-1+whxxt+wcoct)

ui＝tanh(wshi+bs)

式中，it、ft、ct、ot和ht分别为t时刻lstm中的输入门、遗忘门、记忆单元、输出门和隐藏状态，ct-1为t-1时刻lstm中的记忆单元，whi、wxi、bi、whf、wxi、bf、whc、wxc、bc、who、whx、wco为lstm中的输入门、遗忘门、记忆单元、输出门和隐藏状态各自对应的待训练参数，xt为t时刻输入，ht-1为t-1时刻lstm中的隐藏状态，ui为注意力机制的lstm网络模型输出，αi为第i个概率分布值，v为特征表示，ws为权值矩阵，bs为偏置量，tanh为非线性激活函数，us为随机初始化的时间，hi为第i个隐藏层输出。

进一步地，所述se-cnn网络模型中的压缩和奖惩网络子模块，其描述公式为：

s＝σ(w2δ(w1z))

式中，w和h分别表示图像的宽度和高度，zc为压缩通道的第c个元素压缩量，uc(i,j)为第i个通道第j个元素的输出，i和j均为自然数，w1和w2表示两个fc层，s为奖惩量，σ为sigmoid函数，δ为relu函数，z为压缩通道的所有压缩量。

进一步地，所述步骤s2中的总网络模型包括多个超参数，所述多个超参数包括注意力机制的lstm输入层维数、隐藏层个数、se_cnn的conv1d层卷积核数量和大小以及输出层维数。

与现有技术相比，本发明具有以下优点：

(1)精度高，本发明中首先，在对原始nwp数据进行标准化处理后作为预测模型的输入；其次，利用注意力机制的lstm网络和se_cnn网络分别提取时间序列nwp数据的整体特征和局部特征后进行特征融合，并利用分类器预测风速；最后，利用历史风速和风电功率的关系得到风电功率，该结果精度高，且获取速度快。

(2)学习能力和泛化能力强，首先，在对原始nwp数据进行标准化处理后作为预测模型的输入；其次，利用注意力机制的lstm网络和se_cnn网络分别提取时间序列nwp数据的整体特征和局部特征后进行特征融合，并利用分类器预测风速；最后，利用历史风速和风电功率的关系得到风电功率，具有很强的学习和泛化能力，具有克服rnn无法掌握长期规律和捕捉长期特征的缺点，能够提取时间序列中的有用特征，提高网络表示能力，在风电电网技术领域具有先进性和实用性。

附图说明

图1为本发明中的lstm结构示意图；

图2为本发明中注意力机制的lstm结构示意图；

图3为se网络模块示意图；

图4为本发明的总体网络模型结构示意图；

图5为本发明的总体网络模型结构与其他网络模型的比较图1；

图6为本发明的总体网络模型结构与其他网络模型的比较图2。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

1.风电场输出功率的影响因素

1.1风速和风电机组输出功率的关系

风力涡轮机的输出功率取决于风速，风速在一段时间范围内变化，并取决于区域天气状况，季节变化和环境因素。穿过风力涡轮机的转子叶片(a)的总扫掠面积的风功率可以定义为：

p＝cpaρv1³/2

式中，p为风电机组输出功率(kw)，cp为风机功率系数，v1为风速(m/s)，ρ为空气密度(kg/m³)，a为风机扫荡面积(m²)。

通常，测量的风速数据是接近地球表面的速度，因此修改风速以获得风力机轴高度的速度，公式如下：

其中，vh(t)是风塔测量的风速；h1和h0分别是风轮机轴的高度和风塔的高度；α是风切变指数(一般为1/7)。

1.2风向和风电机组输出功率的关系

风电场由很多风电机组组成，由于风能被风电机组风轮吸收，风轮后面的风速降低，这就是尾流。由于上风向的风电机组尾流的影响，下风向风电机组捕获的风能减少，相应风电机组的出力也降低。为了进一步定量分析风向对风电场输出功率的影响，定义风电场的效率系数：

式中，η为风电场效率系数，pm为风电场在预设风速和预设风向下的实际输出功率，pf为风电场在预设风速和预设风向下的理想输出功率。

1.3空气密度与风电机组输出功率的关系

空气密度和湿度、温度、压强密切相关。因此在风电功率预测中要考虑温度、湿度和压强，其关系公式为：

式中，p0为标准状态下空气的压力，t为热力学温度，pb为饱和蒸气压，为相对空气湿度。

2.1注意力机制的lstm网络

循环神经网络(recurrentneuralnetwork，rnn)是一种用于处理时间序列问题并获得良好性能的神经网络。更具体地说，当处理后续输入数据时，先前输入所携带的信息可以保持在网络内。rnn在语音识别，自然语言和机器翻译等任务中被广泛应用。因其固有的时间依赖性，rnn的特性适用于风电预测任务。但它具有在反向传播期间消失梯度问题的缺点，在长时间序列预测中，rnn仍将陷入无法掌握长期规律和捕捉长期特征的两难境地，从而限制了rnn处理相当长的时间序列信息的能力。长期短期记忆(lstm)作为rnn的扩展，能够通过用特殊设计的块替换简单的激活节点来学习长期依赖性，每个块包含一个循环连接单元，一个输入门，一个遗忘门和一个输出门，基本结构如图1所示。因此，lstm自然能够学习输入序列的长期和短期依赖性，使lstm适用于考虑长期背景的风电预测任务。人类的视觉系统始终关注不同数据的相关局部信息，注意机制起着非常重要的作用。为了使模型能够更多地关注时间序列中的重要信息，本发明提出了一种注意力机制的lstm网络结构，如图2所示，图中输入序列为一段时间的气象数据表示，将每个输入传入lstm单元，得到对应隐藏层的输出。这里，在隐藏层引入注意力机制，计算各个输入分配的注意力概率分布值，注意力机制将会产生注意力权重矩阵和特征表示，结合图1和图2，得出注意力机制的lstm网络模型，其描述公式为：

it＝sigmoid(whiht-1+wxixt+bi)

ft＝sigmoid(whfht-1+wxixt+bf)

ot＝sigmoid(whoht-1+whxxt+wcoct)

ui＝tanh(wshi+bs)

式中，it、ft、ct、ot和ht分别为t时刻lstm中的输入门、遗忘门、记忆单元、输出门和隐藏状态，ct-1为t-1时刻lstm中的记忆单元，whi、wxi、bi、whf、wxi、bf、whc、wxc、bc、who、whx、wco为lstm中的输入门、遗忘门、记忆单元、输出门和隐藏状态各自对应的待训练参数，xt为t时刻输入，ht-1为t-1时刻lstm中的隐藏状态，ui为注意力机制的lstm网络模型输出，αi为第i个概率分布值，v为特征表示，ws为权值矩阵，bs为偏置量，tanh为非线性激活函数，us为随机初始化的时间，hi为第i个隐藏层输出。

最后，利用softmax函数得到预测类别。

2.2se_cnn网络

se_cnn网络由卷积神经网络(cnn)和se块级联而成。卷积神经网络是一种广泛用于计算机视觉任务的前馈型神经网络。多层cnn已被应用于解决诸如图像分类，视频识别和自然语言处理等问题。通过利用许多滤波器对输入的宽度和高度进行卷积，从而在一个卷积层产生滤波器的激活图。可堆叠若干卷积层以产生输入的更高级抽象。因此，卷积层可以用作模型重要构建块，将包含风速和风力时间序列的原始输入数据转换为可以由更高层使用的特征图。由于直接从数据中学习滤波器的参数，因此在特征提取阶段期间几乎不需要先验知识。压缩和奖惩网络模块(squeeze-and-excitationblocks，se)设法计算输出卷积通道的权重，通过强调重要特征和抑制通道之间的无用特征使网络更有效。压缩和奖惩网络模块示意图如图3所示。首先使用全局平均池来生成通道向量，将全局空间信息压缩成一个通道描述符，这个描述符嵌入了通道特征响应的全局分布，使后面的网络层获得全局感受野的信息。为了充分利用前一阶段的通道聚合信息，获取各通道信息的依赖关系。通过基于通道依赖性的筛选机制为每个通道学习特定采样的激活，控制每个通道的激励，因此，结合图3，se-cnn网络模型中的压缩和奖惩网络子模块，其描述公式为：

s＝σ(w2δ(w1z))

式中，w和h分别表示图像的宽度和高度，zc为压缩通道的第c个元素压缩量，uc(i,j)为第i个通道第j个元素的输出，i和j均为自然数，w1和w2表示两个fc层，s为奖惩量，σ为sigmoid函数，δ为relu函数，z为压缩通道的所有压缩量。

3.基于lstm-attention网络的短期风电功率预测模型

选择历史风电数据和nwp数据作为预测模型的样本。注意力机制的lstm预测模型的网络拓扑结构如图4所示。在本发明中，预测模型分为两个部分：注意力机制的lstm网络和se_cnn网络。首先，在对原始nwp数据进行标准化处理后作为预测模型的输入；其次，利用注意力机制的lstm网络和se_cnn网络分别提取时间序列nwp数据的整体特征和局部特征后进行特征融合，并利用分类器预测风速；最后，利用历史风速和风电功率的关系得到风电功率。

建立的网络模型共有5个超参数：注意力机制的lstm输入层维数、隐藏层个数，se_cnn的conv1d层卷积核数量和大小以及输出层维数。在多次训练网络后，最佳参数设置如下：输入层维数为5，即输入变量个数，隐藏层个数设为8，三个conv1d层都设为16组卷积核，卷积核大小分别设为8×8、5×5和3×3，其后紧跟一个batchnormalization函数和一个relu激活函数，其中，前两个conv1d层后又嵌入se块来提取有效特征。由于本预测任务是根据历史数据预测下一步的风速，因此输出维数设为1。为了避免网络训练时的过度拟合问题，并确保网络的泛化能力足够好，全连接层后增加设值为0.2的dropout层。

4.案例分析研究

在本发明中，使用noaa提供的加州某风电场的数据进行案例研究，以验证所提出的方法，2010年至2011年的数据包含风力测量数据和风电场的nwp数据，包括100米的空气密度，压力，温度，风速和风向，采样时间间隔是5分钟，处理和规范化原始数据。

4.1预测结果误差评估标准

本发明将使用平均绝对误差mae和均方根误差rmse并研究预测精度。其定义如下：

其中，n为预测的数量；yi为当时的标准化实际观察值；为同一时期的预测标准化值；i为预测点序列编号。

4.2预测模型的结果

基于python平台的keras深度学习框架构建lstm-attention预测模型。本发明选取2010年3月21日至2011年3月31日的数据，共计2880个采样点，以90％数据作为训练集，10％数据作为测试集。使用adam算法确定权重参数的迭代更新方法以选择优化程序，计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率，迭代次数为100。风电功率预测结果如图5所示。表1显示了lstm和lstm-attention方法的mae和rmse结果。

表1lstm和lstm-attention的预测误差

可以看出，lstm和lstm-attention方法的预测结果均接近实际风电功率曲线，此外lstm-attention的预测精度高于基于原始nwp数据的lstm模型。lstm-attention模型还可以降低网络的复杂性并增强模型的泛化能力。

4.3与不同模型的比较

本发明将lstm-attention模型与bp神经网络和自回归积分滑动平均模型(arima)模型进行了比较。不同模型的预测结果如图6所示。表2显示了不同预测模型的误差结果。

表2不同预测模型的误差结果

正如从图6和表2可以看出，对于相同的测试集中，lstm-attention模型是接近实际风电功率曲线。与bp神经网络和arima模型相比，lstm-attention模型的误差分别减少了约0.2％和0.09％。

综上所述，本发明的流程步骤为：

1：针对不同风速数据进行数据预处理；

2：建立总网络模型；

3：利用历史数据训练总网络模型；

4：利用经过训练的网络模型得出风电功率结果；

5：检验风电功率结果并根据风电功率结果对应措施对风电电网进行不同控制操作。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。