一种风电功率预测方法、系统、设备及介质与流程

本发明属于电力能源，特别涉及一种基于granger因果检验的注意力机制和卷积神经网络结合长短期记忆神经网络的风电功率预测方法、系统、设备及介质。

背景技术：

1、中国风能资源丰富，发展风电技术是适应当前我国发展趋势的必然选择。由于风能本身具有随机性、波动性、周期性等特点，会造成风力发电机输出功率的波动性和随机性，大规模的风电并网势必会对电网的稳定运行产生不利影响。因此，风电功率预测技术在一定程度上能有效解决上述问题，对于电力系统的运维、调度以及电力市场的稳定运行具有十分重要的意义。

2、国内外学者一直致力于用多种方法提升风电功率的预测效果。最初被成功应用的有物理模型法和统计模型法，近年来，随着计算机算力的快速成长，以人工神经网络为代表的人工智能法以及融合以上多种方法的组合模型法也逐渐被应用到风电预测中。常见的组合模型可以分为四类：(1)将预测模型和优化算法结合进行风电功率预测；(2)将预测模型和数据挖掘算法结合进行风电功率预测；(3)将预测模型和数据挖掘算法、优化算法三者结合进行风电功率预测；(4)将注意力机制和其它模型结合进行风电功率预测。

3、前三类组合模型在建模时，主要依据是降低人工调整模型参数的主观性或者是降低原始数据冗余度和不稳定性等，但在进行预测时，该类模型无法充分挖掘时间序列数据的内在相关性，并且在数据较多时，由于无法并行计算导致模型的训练速度较慢。

4、而注意力机制不通过循环计算而是直接建立模型输入与输出之间的关系，因此能并行计算，运算速度较常规模型有较大提升，并且也具备很强的捕获远程依赖信息的能力，近年来被广泛应用于风电功率预测领域，用于解决上述组合模型的问题以及提高风电功率的预测精度。

5、但对于风电功率的预测还存在以下问题：确定风电功率预测模型的输入变量时，往往采用相关性分析、主成分分析等降维的方法或者依据预测结果反向选择输入变量，这些方法虽然应用较广，但往往不能兼顾减少数据冗余度和有效保留原始数据的预测信息，对提高风电功率预测模型的预测精度也有一定的限制。

6、鉴于此，为提高风电功率预测模型的预测精度以及解决上述存在的问题，特提出本发明。

技术实现思路

1、本发明针对现有技术的缺陷，提供了一种风电功率预测方法、系统、设备及介质。能够有效提高风电功率预测精度，预测风电厂未来时刻的短期出力情况，为电力系统调度运行提供更充分、可靠的信息。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种风电功率预测方法，包括如下步骤：

4、s1：获取风电场历史数据，对风电场历史数据进行预处理，同时对风电功率影响因素进行相关性分析，筛选出相关性较好的气象因子；

5、s2：利用k-means++算法和som算法对不同季节的气象序列进行了聚类处理，基于熵权法对不同k值的k-means++算法和som模型的聚类结果进行综合评估，针对不同季节的原始数据筛选出不同的最优聚类算法；

6、s3：基于bds对原始风电序列进行非线性检验后，采用非线性granger因果检验的方法来确定不同季节、不同聚类类别风电数据中气象序列与发电序列之间是否存在着granger因果关系，为基于注意力机制的风电功率预测模型确定输入变量；

7、s4：构建基于granger因果检验的注意力机制和卷积神经网络结合长短期记忆神经网络的模型，选取不同季节、不同聚类类别的风电数据的前70％和10％分别为训练集和验证集对模型进行训练，后20％作为测试集测试模型的预测效果，得到短期风电功率预测值及预测效果。

8、进一步地，所述步骤s1中，历史数据包括实测气象数据和实际发电功率数据。其中，实测气象数据包括测风塔10m、30m、50m及70m的风速和风向以及气温、气压、相对湿度。

9、进一步地，所述步骤s2中，利用熵权法赋权综合评价的具体计算步骤为：

10、1)数据标准化。计算时分为两种指标：

11、正向指标：

12、

13、负向指标：

14、

15、其中表示第j项指标xj第i个方案归一化后的值；

16、2)计算变异性指标：第j项指标xj的第i个方案的变异性指标为：

17、

18、3)计算信息熵：第j项指标的信息熵为：

19、

20、4)计算信息熵冗余度：第j项指标的信息熵冗余度为：

21、gj＝1-ej                      (5)

22、5)计算各指标的权重：第j项指标的权重为：

23、

24、其中m表示指标的数量。

25、6)计算不同方案的综合得分：第i个方案的综合得分为：

26、

27、得分最高的，即为最佳方案。

28、进一步地，所述步骤s2中，利用熵权法赋权评估原始风电数据最优聚类，流程如下：

29、1)计算不同季节聚类算法的输入变量并将其归一化处理。输入变量包括s1筛选的不同季节类别中与风电功率相关性较好的气象因子以及风电功率的日平均值μ、日内方差σ2、日内峰度kur和日内偏度skew。计算公式分别为：

30、

31、

32、

33、

34、其中xi表示原始风电序列中的某种数据，n表示不同季节的数据总数；

35、2)利用不同k值的k-means++算法和som算法对不同季节的气象序列进行聚类分析；

36、3)根据气象序列的聚类结果计算功率序列的聚类结果，并分别计算出两者的ch分数值；

37、4)利用熵权法对不同季节的气象序列ch分数和风电功率序列ch分数进行赋权；

38、5)筛选出不同季节的最优聚类。

39、进一步地，所述步骤s3中，bds的具体定义如下：

40、对于长度为t的随机变量序列{ut，t＝1，…，t}，其中的变量服从独立同分布，其相关积分为：

41、

42、其中，是{ut}按照一定方式构造得到的随机向量序列，m为嵌入维度。

43、相关积分在原假设成立下的中心极限定理如下：

44、当m≥2，t→∞且时，有

45、

46、

47、其中，表示后面事件同时发生的概率；表示的相合估计；n(0，1)表示标准正态分布。

48、将和的相合估计代入vm的表达式得到：

49、

50、其中，表示在原假设成立下的依分布收敛；wm，t(∈)为bds检验统计量的表达式，其拒绝域为|wm，t(∈)|>zα/2，zα/2表示标准正态分布的α/2上分位数。

51、进一步地，所述步骤s3中，非线性granger因果检验法的具体步骤如下：

52、设则原假设为：

53、

54、其中，f表示联合概率分布函数，g(x，y，z)记为g，是一个恒为正的权重函数。其取值有三种可能：g1＝fy(y)，g3＝fy(y)/fx，y(x，y)。

55、根据g2取值，原假设简化为：

56、q＝e[fx，y，z(x，y，z)fy(y)-fx，y(x，y)fy，z(y，z)]           (17)

57、进而依据指数函数可以得到原假设的自然估计为：

58、

59、其中(||·||)表示范数。

60、将dw的随机变量w在wi处的局部密度估计表示为：

61、

62、代入上式得到原假设的估计量为：

63、

64、在满足dx＝dy＝dz的前提下，将ε表示为：

65、εn＝cn-β                       (21)

66、并且当时，若原假设“xt不是yt的granger原因”为真，则下列结论成立：

67、

68、进一步地，所述步骤s4中，卷积神经网络包括：输入层、卷积层、池化层和全连接层，其计算过程有卷积计算和池化计算，具体计算过程如下：

69、卷积的计算公式为：

70、

71、其中，表示第l层在位置(i，j)经过卷积计算之后的值；表第l层第m行第n列的权重；g表示激活函数；f表示卷积核的尺寸；bl表示第l层的偏置项。

72、进一步地，所述步骤s4中，长短期记忆神经网络的细胞状态由三个“门”控制：遗忘门、输入门和输出门，计算过程如下：

73、1)遗忘门丢弃信息。遗忘门根据当前时刻的输入xt及上一时刻的输出ht-1决定上一时刻的细胞状态能保存多少，遗忘门的计算公式如下：

74、ft＝σ(wf·[ht-1，xt]+bf)               (24)

75、其中，wf表示参数矩阵，σ表示sigmoid激活函数，bf表示偏置项，ft表示上一时刻细胞状态保存比例。sigmoid激活函数的计算公式为：

76、

77、2)输入门添加信息。输入门根据ht-1和xt决定当前信息添加进入细胞状态的比例。

78、it＝σ(wi·[ht-1，xt]+bi)                    (26)

79、

80、其中，表示候选细胞信息，it表示添加信息比例，tanh表示tanh激活函数，其计算公式为：

81、

82、3)更新细胞状态。根据计算得到的细胞状态保存比例、添加信息比例和上一时刻细胞信息及候选细胞信息更新细胞状态。

83、

84、4)输出门输出结果。输出门会根据当前时刻的输入及上一时刻的输出决定当前细胞状态输出的比例。

85、ot＝σ(wo·[ht-1，xt]+bo)                   (30)

86、ht＝ot*tanh(ct)                          (31)

87、其中，ot表示当前细胞状态保存比例。

88、本发明还公开了一种风电功率预测系统，该系统能够用于实施上述的风电功率预测方法，包括：

89、数据获取模块，对原始数据进行预处理，同时对风电功率影响因素进行相关性分析，筛选出相关性较好的气象因子；

90、数据分析模块，对不同季节的气象序列，采用k-means++算法和som算法进行了聚类处理，基于熵权法对不同k值的k-means++算法和som模型的聚类结果进行综合评估，针对不同季节的原始数据筛选出不同的最优聚类算法；

91、数据因果检验模块，对经过bds非线性检验后的原始风电序列，采用非线性granger因果检验的方法来确定不同季节、不同聚类类别风电数据中气象序列与发电序列之间是否存在着granger因果关系，为基于注意力机制的风电功率预测模型确定输入变量；

92、数据预测模块，构建基于granger因果检验的注意力机制和卷积神经网络结合长短期记忆神经网络的模型，选取不同季节、不同聚类类别的风电数据的前70％和10％分别为训练集和验证集对模型进行训练，后20％作为测试集测试模型的预测效果，得到短期风电功率预测值及预测效果。

93、本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述风电功率预测方法。

94、与现有技术相比，本发明的优点在于：

95、利用非线性granger因果检验确定预测模型输入变量的方法能帮助cnn提取出准确的历史数据特征，减少输入数据冗余度，同时提升attention-lstm模型的预测精度。

96、构建的g-a-cnn-lstm模型较lstm、cnn-lstm模型的预测效果在所有类别均有所提升，这也说明将granger因果检验和注意力机制与传统深度学习网络结合的模型，相较于原始模型可以对未来风电数据进行更加准确的短期预测，具备较好的泛化能力。