CN117220278B - 一种考虑非平稳时空依赖的长期风电功率预测方法 - Google Patents

Abstract

本发明公开了一种考虑非平稳时空依赖的长期风电功率预测方法，包括：S1、基于历史风电功率数据和风速数据，构建训练样本；S2、构建用于长期风电功率预测的深度时空生成模型；S3、利用训练样本训练所述深度时空生成模型，包括先验模块、后验模块以及生成模块；S4、利用训练好的深度时空生成模型中的先验模块和生成模块对风电预测样本进行预测，获得预测发电功率。本发明通过对风电功率序列的隐状态进行建模，引入了风速数据来计算隐状态的后验分布，通过动态自适应图卷积网络、循环图卷积网络以及随机循环解码网络，用于捕捉同一风电场中多台风力发电机输出功率之间复杂的非平稳时空依赖关系，从而能够准确推断未来时间的隐状态和长期输出功率。

Description

一种考虑非平稳时空依赖的长期风电功率预测方法

技术领域

本发明属于风电功率预测技术领域，具体涉及一种考虑非平稳时空依赖的长期风电功率预测方法。

背景技术

目前用于风电功率预测的方法可以分为两大类，第一大类是基于物理模型的方法，此类方法首先通过大气模型和气象数据预测未来气象情况，如风速和风向，然后构建物理模型，将数值气象预报结果作为输入，估计风力发电机的未来输出功率。第二大类是数据驱动的方法，此类方法将风力发电机的输出功率曲线视为时间序列数据，使用历史风电功率和风速数据来构建预测模型。数据驱动的时间序列预测方法可以进一步分为三个阶段，分别是传统的基于统计的时间序列预测模型，如自回归移动平均模型(ARMA)、指数平滑(ES)等，基于传统机器学习的时间序列预测模型，如支持向量回归(SVR)、梯度提升树模型(GBDT)等，基于深度学习的时间序列预测模型，如循环神经网络(RNN)和Transformer等。

基于数据驱动的风电功率预测方法中，传统的基于统计和机器学习的时间序列预测模型无法有效地捕捉风电功率的非线性时序依赖，因此难以取得准确的预测结果。基于深度学习的预测模型如RNN和Transformer等虽然能够学习到非线性时序依赖关系，但长期风电功率具有非平稳性特征，RNN和Transformer难以捕捉此类特征。并且，同一风电场中，多台风力发电机的输出功率序列在变化模式上存在空间依赖关系，RNN和Transformer等时间序列模型无法建模此类空间依赖关系。

总结来说，现有的基于数据驱动的时间序列预测模型无法有效地捕捉同一风电场中多台风力发电机输出功率之间复杂的非平稳时空依赖关系，因此无法实现准确地长期风电功率预测。

发明内容

针对现有技术中的上述不足，本发明提供的考虑非平稳时空依赖的长期风电功率预测方法解决了现有方法无法有效捕捉多台风力发电机输出功率之间复杂的非平稳时空依赖关系，导致长期风电功率预测准确率较低的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种考虑非平稳时空依赖的长期风电功率预测方法，包括以下步骤：

S1、基于历史风电功率数据和风速数据，构建训练样本；

S2、构建用于长期风电功率预测的深度时空生成模型；

S3、利用训练样本训练所述深度时空生成模型；

其中，深度时空生成模型包括先验模块、后验模块以及生成模块；

S4、利用训练好的深度时空生成模型中的先验模块和生成模块对风电预测样本进行预测，获得预测发电功率。

进一步地，所述步骤S3中，在所述深度时空生成模型中，先验模块、后验模块以及生成模块采用端到端的方式进行训练学习，其学习损失函数为：

式中，为训练样本中过去T时间步的历史输出功率和风速数据，为同一风电场中N台风力发电机过去T时间步的输出功率，/>为t时刻N台风力发电机的输出功率，/>为未来τ时间步的发电功率/>

深度时空生成模型的模型参数

s_i和分别为将原始功率序列和风速序列使用长度为L滑动步长为Δt的滑动窗口分段后的第i段子序列，z_i为第i段子序列对应的隐状态，p_θ为隐状态的先验分布，/>为隐状态的后验分布，KL为KL散度，/>分别为第k个训练样本的真实值和预测值，MSE为均方误差损失；其中，预测值/> z₁，z₂，...，Z_m为历史序列对应得到的m段隐状态，RGC为生成模块中的循环图卷积网络，SRD为生成模块中的随机循环解码网络。

进一步地，所述隐状态表示风电输出功率s_i的隐状态z_i服从均值为μ_i方差为σ_i的多元高斯分布；其中，均值μ_i和方差z_i的表达式为：

μ_i，σ_i＝DAGCN_θ(s_i，A_i)

式中，DAGCN_θ为先验模块中的动态自适应图卷积网络，θ为动态自适应图卷积网络参数，A_i为网络输入为第i段子序列和该时间段内N台风力发电机的拓扑结构，其表达式为：

A_i＝A_g+A_s

A_g＝softmax(ReLU(E*E^T))

式中，A_g，A_s分别为全局自适应拓扑和第i段时间内的局部拓扑，为N台风力发电机的特征向量，E是可学习的参数矩阵，ReLU(·)和soTtmax(·)均为激活函数，上标d为特征向量的维度，上标T为转置操作符。

进一步地，所述隐状态z_i的先验分布p_θ和后验分布均通过动态自适应图卷积网络计算，计算过程为：

式中，为A_i对应的第i段时间内的风速数据，/>为第i段时间内用风速数据计算得到的局部拓扑，/>为后验模块中的动态自适应图卷积神经网络，上标T为转置操作符。

进一步地，所述循环图卷积网络的输入为历史序列的m个隐状态z₁,z₂,...,z_m，对其进行时空依赖建模，输出用于推断未来输出序列对应的隐状态；

所述循环图卷积网络的基本结构为RGC神经元，所述RGC神经元均包括更新门、重置门以及图卷积块，其计算公式为：

式中，r_t和u_t分别为重置门和更新门，表示图卷积操作，A_t为t时刻的拓扑结构，μ_t、σ_t为每个隐状态z_i对应的高斯分布的均值和方差，h_t和h_t-1为t时间步和t-1时间步RGC神经元中对应的隐藏状态，/>为t时间步RGC神经元中间计算的候选隐藏状态，W_r，W_u，/>为RGC神经元中更新门、重置门以及计算候选隐藏状态时对应的权重参数，b_r，b_u，/>为RGC神经元中更新门、重置门以及计算候选隐藏状态时对应的偏置参数，tanh(·)和ReLU(·)均为激活函数，||表示特征向量拼接操作，⊙表示哈达玛积运算。

进一步地，所述随机循环解码网络通过推断未来输出功率序列对应的隐状态，并对其解码得到输出的预测风电功率，其得到预测风电功率的方法具体为：

A1、将每个RGC神经元循环计算n次，得到每次计算时对应时刻的隐变量；

A2、使用第一多层感知机根据隐变量计算对应时刻隐状态分布的均值和方差；

A3、基于计算的均值和方差，通过重参数化采样得到该时刻的隐状态；

A4、基于采样得到的隐状态，通过第二多层感知机计算得到该时刻输出功率的实际分布；

A5、对输出功率的实际分布进行重采样，并对相邻子序列重叠部分取均值，得到输出的预测风电功率。

进一步地，所述步骤A5中，输出功率的实际分布s′_t表示为：

式中，MLP_s,μ(·)为第二多层感知机，z′_t为通过重参数化采样得到隐状态。

本发明的有益效果为：

(1)本发明通过对风电功率序列的隐状态进行建模，而不是直接对原始的非平稳序列建模，并且引入了风速数据来计算隐状态的后验分布。基于条件变分模型，设计了相应的损失函数来对隐状态进行学习和推断。

(2)本发明所提出的深度时空生成模型中，针对性地设计了三个神经网络结构：动态自适应图卷积网络、循环图卷积网络以及随机循环解码网络，用于捕捉同一风电场中多台风力发电机输出功率之间复杂的非平稳时空依赖关系，并且能够准确推断未来时间的隐状态和长期输出功率。

附图说明

图1为本发明提供的考虑非平稳时空依赖的长期风电功率预测方法流程图。

图2为本发明提供的深度时空生成模型总体框架图。

图3为本发明提供的隐状态建模时的先验分布计算示意图。

图4为本发明提供的隐状态建模时的后验分布计算示意图。

图5为本发明提供的循环图卷积网络结构示意图。

图6为本发明提供的随机循环解码网络示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

实施例1：

本发明实施例提供了一种考虑非平稳时空依赖的长期风电功率预测方法，如图1所示，包括以下步骤：

S1、基于历史风电功率数据和风速数据，构建训练样本；

S2、构建用于长期风电功率预测的深度时空生成模型；

S3、利用训练样本训练所述深度时空生成模型；

其中，深度时空生成模型包括先验模块、后验模块以及生成模块；

S4、利用训练好的深度时空生成模型中的先验模块和生成模块对风电预测样本进行预测，获得预测发电功率。

在本发明实施例的步骤S1中，在构建的训练样本中，同一风电场中N台风力发电机过去T时间步的输出功率序列记为其中为t时刻N台风力发电机的输出功率；过去T时间步的对应风速序列记为/>其中/>为t时刻N台风力发电机记录的风速值；长期风电功率预测问题可以定义为根据过去T时间步观察的历史输出功率和风速情况/>预测未来τ时间步的发电功率/>形式化定义为Θ为深度时空生成模型需要学习的参数。

在本发明实施例的步骤S2中，构建的深度时空生成模型的总体框架如图2所示，在训练阶段，对先验模块，后验模块以及生成模块中的参数进行学习，模型训练完成后，将学习得到的先验模块和生成模块应用于长期风电预测任务。

在本发明实施例的步骤S3中，在训练阶段中，在深度时空生成模型中，先验模块、后验模块以及生成模块采用端到端的方式进行训练学习，其学习损失函数为：

式中，为训练样本中过去T时间步的历史输出功率和风速数据，为同一风电场中N台风力发电机过去T时间步的输出功率，/>为t时刻N台风力发电机的输出功率，/>为未来τ时间步的发电功率/>

深度时空生成模型的模型参数

s_i和分别为将原始功率序列和风速序列使用长度为L滑动步长为Δt的滑动窗口分段后的第i段子序列，z_i为第i段子序列对应的隐状态，p_θ为隐状态的先验分布，/>为隐状态的后验分布，KL为KL散度，/>分别为第k个训练样本的真实值和预测值，MSE为均方误差损失；其中，预测值/> z₁,z₂,...,z_m为历史序列对应得到的m段隐状态，RGC为生成模块中的循环图卷积网络(RecurrentGraphConvolutionNetwork)，SRD为生成模块中的随机循环解码网络。

其中，s_i＝X_{(i-1)*Δt:(i-1)*Δt+L}，在上述设计的损失函数中，本实施例中的深度时空生成模型的关键是准确建模该隐藏状态，并推断未来隐状态，从而预测未来输出功率；其中，循环图卷积网络RGC(RecurrentGraphConvolutionNetwork)，用于捕捉历史隐状态的时空依赖关系，随机循环解码网络SRD(StochasticRecurrentDecodingNetwork)，用于推断未来序列对应的隐状态并将推断得到的未来隐状态解码成输出功率序列。

在本实施例中，隐状态表示在一段时间内，风电输出功率s_i的隐状态z_i服从均值为μ_i方差为σ_i的多元高斯分布，如图3所示；其中，均值μ_i和方差z_i的表达式为：

μ_i,σ_i＝DAGCN_θ(s_i,A_i)

式中，DAGCN_θ为先验模块中的动态自适应图卷积网络(DynamicAdaptiveGraphConvolutionNetwork)，该网络是接受功率数据和拓扑作为输入，输出隐状态的分布参数，θ为动态自适应图卷积网络参数，该网络参数为θ通过端到端地方式学习，A_i为网络输入为第i段子序列和该时间段内N台风力发电机的拓扑结构，其表达式为：

A_i＝A_g+A_s

A_g＝softmax(ReLU(E*E^T))

式中，A_g，A_s分别为全局自适应拓扑和第i段时间内的局部拓扑，为N台风力发电机的特征向量，E是可学习的参数矩阵，ReLU(·)和softmax(·)均为激活函数，上标d为特征向量的维度，上标T为转置操作符。其中，激活函数ReLU(x)＝max(0,x)，在本实施例中，可以选择目前流行的图卷积神经网络(GCN)和图注意力网络(GAT)作为DAGCN的具体实现，计算均值和方差。

在本实施例中，隐状态z_i的后验分布与先验分布的计算过程一样均通过动态自适应图卷积网络计算，如图4所示，计算过程为：

式中，为A_i对应的第i段时间内的风速数据，/>为第i段时间内用风速数据计算得到的局部拓扑，/>为后验模块中的动态自适应图卷积神经网络，该网络接受风速数据和拓扑作为输入，输出隐状态的分布参数，上标T为转置操作符。

在本实施例中，在计算得到先验分布的均值和方差后，需要从分布中采样得到隐状态z_i，为了保证模型端到端运行，本发明采用一种流行的重参数化(reparameterization)技巧进行采样。

在本实施例中，在于先验模块中的循环图卷积网络(RecurrentGraphConvolutionNetwork，RGC)基于门控循环单元(Gated Recurrent Unit)和图卷积网络(GraphConvolution Network)构建，输入为历史序列的m个隐状态z₁,z₂,...,z_m，对其进行时空依赖建模，输出用于推断未来输出序列对应的隐状态；本实施例中的循环图卷积网络工作方式与循环神经网络是一样的，只是将里面的乘法操作换成了图卷积操作。本实施例中的RGC网络的结构如图5所示，基本结构为RGC神经元，

所述RGC神经元均包括更新门、重置门以及图卷积块，其计算公式为：

式中，r_t和u_t分别为重置门和更新门，表示图卷积操作，A_t为t时刻的拓扑结构，μ_t、σ_t为每个隐状态z_i对应的高斯分布的均值和方差，h_t和h_t-1为t时间步和t-1时间步RGC神经元中对应的隐藏状态，/>为t时间步RGC神经元中间计算的候选隐藏状态，W_r，W_u，/>为RGC神经元中更新门、重置门以及计算候选隐藏状态时对应的权重参数，b_r，b_u，/>为RGC神经元中更新门、重置门以及计算候选隐藏状态时对应的偏置参数，tanh(·)和ReLU(·)均为激活函数，||表示特征向量拼接操作，⊙表示哈达玛积运算。

其中，t时刻的拓扑结构A_t为：

激活函数

在本实施例中，随机循环解码网络(StochasticRecurrentDecodingNetwork)通过推断未来输出功率序列对应的隐状态，并对其解码得到输出的预测风电功率，SRD网络的结构如图6所示，预测目标x_T:T+τ对应个隐状态需要推断，其得到预测风电功率的方法具体为：

A1、将每个RGC神经元循环计算n次，得到每次计算时对应时刻的隐变量；

A2、使用第一多层感知机根据隐变量计算对应时刻隐状态分布的均值和方差；计算公式为：

μ′_t＝MLPμ_μ(H_t)，σ′_t＝MLP_σ(h_t)

式中，h_t为隐变量；

A3、基于计算的均值和方差，通过重参数化采样得到该时刻的隐状态；

A4、基于采样得到的隐状态，通过第二多层感知机计算得到该时刻输出功率的实际分布；

其中，输出功率的实际分布s′_t表示为：

式中，MLP_s,μ(·)为第二多层感知机，z′_t为通过重参数化采样得到隐状态；

A5、对输出功率的实际分布进行重采样，并对相邻子序列重叠部分取均值，得到输出的预测风电功率；

其中，对输出功率的实际分布进行采样得到s′_t(t＝m+1,m+2,...,m+n)后，对相邻子序列重叠部分取均值，从而得到最后的预测序列

在本发明实施例中，在所述步骤S3中，训练深度时空生成模型的参数设置方式为：

损失函数为优化器使用目前流行的Adam优化器，学习率设置为0.001，最大迭代次数设置为100，可以采用early-stop技术提前结束训练，等待次数设置为5次，所有神经网络的隐藏层神经元设置为128。模型需要对输入的原始风电功率序列和风速序列进行分段，滑动窗口长度L和滑动步长△t是两个重要的超参数。建议根据具体数据集的时间粒度进行设置，例如，如果数据集的时间粒度是小时，则建议L设置为24，滑动步长△t设置为12，在计算得到隐状态的分布后，采样次数推荐设置为50次，取均值作为采样结果。

在本实施例中，在模型训练完成后，将先验模块中的DAGCN网络，RGC网络以及SRD网络用于后续长期风电功率预测任务。

本发明实施例考虑风电输出功率的非平稳时空依赖关系，提出了用于长期风电功率预测的深度时空生成模型，由于风电功率序列是非平稳的时间序列，模型通过对相对平稳的风力发电机输出功率的隐状态进行建模，构建了基于条件变分自编码器的生成模型用于推断未来输出功率的隐状态，为了准确对隐状态建模，引入了风速数据作为后验概率，为了捕捉同一风电场中多台风力发电机输出功率之间复杂的时空依赖关系，模型中构建了动态自适应循环卷积神经网络结构和随机循环解码网络。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (1)

1.一种考虑非平稳时空依赖的长期风电功率预测方法，其特征在于，包括以下步骤：

S1、基于历史风电功率数据和风速数据，构建训练样本；

S2、构建用于长期风电功率预测的深度时空生成模型；

S3、利用训练样本训练所述深度时空生成模型；

其中，深度时空生成模型包括先验模块、后验模块以及生成模块；

S4、利用训练好的深度时空生成模型中的先验模块和生成模块对风电预测样本进行预测，获得预测发电功率；

所述步骤S3中，在所述深度时空生成模型中，先验模块、后验模块以及生成模块采用端到端的方式进行训练学习，其学习损失函数为：

式中，为训练样本中过去T时间步的历史输出功率和风速数据，为同一风电场中N台风力发电机过去T时间步的输出功率，/>为t时刻N台风力发电机的输出功率，/>为未来τ时间步的发电功率/>

深度时空生成模型的模型参数

s_i和分别为将原始功率序列和风速序列使用长度为L滑动步长为Δt的滑动窗口分段后的第i段子序列，z_i为第i段子序列对应的隐状态，p_θ为隐状态的先验分布，/>为隐状态的后验分布，KL为KL散度，/>分别为第k个训练样本的真实值和预测值，MSE为均方误差损失；其中，预测值/> z₁,z₂,...,z_m为历史序列对应得到的m段隐状态，RGC为生成模块中的循环图卷积网络，SRD为生成模块中的随机循环解码网络；

所述隐状态表示风电输出功率s_i的隐状态z_i服从均值为μ_i方差为σ_i的多元高斯分布；其中，均值μ_i和方差z_i的表达式为：

μ_i,σ_i＝DAGCN_θ(s_i,A_i)

式中，DAGCN_θ为先验模块中的动态自适应图卷积网络，θ为动态自适应图卷积网络参数，A_i为网络输入为第i段子序列和该时间段内N台风力发电机的拓扑结构，其表达式为：

A_i＝A_g+A_s

A_g＝softmax(ReLU(E*E^T))

式中，A_g，A_s分别为全局自适应拓扑和第i段时间内的局部拓扑，为N台风力发电机的特征向量，E是可学习的参数矩阵，ReLU(·)和softmax(·)均为激活函数，上标d为特征向量的维度，上标T为转置操作符；

所述隐状态z_i的先验分布p_θ和后验分布均通过动态自适应图卷积网络计算，计算过程为：

式中，为A_i对应的第i段时间内的风速数据，/>为第i段时间内用风速数据计算得到的局部拓扑，/>为后验模块中的动态自适应图卷积神经网络，上标T为转置操作符；

所述循环图卷积网络的输入为历史序列的m个隐状态z₁,z₂,...,z_m，对其进行时空依赖建模，输出用于推断未来输出序列对应的隐状态；

所述循环图卷积网络的基本结构为RGC神经元，所述RGC神经元均包括更新门、重置门以及图卷积块，其计算公式为：

式中，r_t和u_t分别为重置门和更新门，表示图卷积操作，A_t为t时刻的拓扑结构，μ_t、σ_t为每个隐状态z_i对应的高斯分布的均值和方差，h_t和h_t-1为t时间步和t-1时间步RGC神经元中对应的隐藏状态，/>为t时间步RGC神经元中间计算的候选隐藏状态，W_r，W_u，/>为RGC神经元中更新门、重置门以及计算候选隐藏状态时对应的权重参数，b_r，b_u，/>为RGC神经元中更新门、重置门以及计算候选隐藏状态时对应的偏置参数，tanh(·)和ReLU(·)均为激活函数，||表示特征向量拼接操作，⊙表示哈达玛积运算；

所述随机循环解码网络通过推断未来输出功率序列对应的隐状态，并对其解码得到输出的预测风电功率，其得到预测风电功率的方法具体为：

A1、将每个RGC神经元循环计算n次，得到每次计算时对应时刻的隐变量；

A2、使用第一多层感知机根据隐变量计算对应时刻隐状态分布的均值和方差；

A3、基于计算的均值和方差，通过重参数化采样得到该时刻的隐状态；

A4、基于采样得到的隐状态，通过第二多层感知机计算得到该时刻输出功率的实际分布；

A5、对输出功率的实际分布进行重采样，并对相邻子序列重叠部分取均值，得到输出的预测风电功率；

所述步骤A5中，输出功率的实际分布s′_t表示为：

式中，MLP_s,μ(·)为第二多层感知机，z′_t为通过重参数化采样得到隐状态。