基于双通道机制的风电功率预测方法

本发明涉及电力系统风电功率预测，尤其涉及基于双通道机制的风电功率预测方法。

背景技术：

1、风力发电作为一种代表性的新能源，为全世界节能减排和可持续发展带来了积极作用和持续贡献。然而风力发电主要依赖于风能的产出，风的固有特性导致风电输出具有一定的波动性和随机性，其波动性和随机性给电网安全和新能源消纳带来了重大挑战。新能源功率预测是降低其随机性影响的核心关键技术，对于降低运行成本、提升供电效率、促进电力系统的平稳高效运行具有重要意义。近年来，随着大数据技术和以深度学习、强化学习为代表的新一代人工智能技术在诸多领域的成功应用，其在新能源功率预测方面的应用仍有方兴未艾之势。

2、在基于人工智能的风电功率预测领域，需要利用已有的天气预报数据和历史真实风速、功率数据，对未来时间段的风电功率进行预测。目前，基于人工智能的风电功率预测算法根据预测模型的输入不同可分为两类，第一类主要是根据历史风电功率时间序列与未来预测值之间的数学关系进行预测。常用的算法有自回归移动平均(arma)、卡尔曼滤波、极限学习机等。另一类是根据天气预报数据进行预测，主要思想是学习数值天气预报数据和实测风速之间的映射关系。常用的算法有支持向量机(svm)、随机森林(rf)、人工神经网络(ann)、深度学习(dl)以及混合算法等。

3、以上方法分别从不同角度采用不同模型对风电功率相关数据进行了特征提取，一定程度上捕捉到了某些关键信息和易丢失信息，做了很有意义的工作，但仍存在以下问题：现有研究较少在实现风电功率预测时对神经网络架构进行有针对性的改进以增强特征表征能力；一些研究仅仅使用更复杂的神经网络算法来提取更高级别的特征，而另一些研究则将重点放在特征工程方面，缺少对气象因素和风电功率的针对性处理，以及对多元变量时间序列内部相关性的多角度关注。然而，改进神经网络架构可以增加模型的灵活性和表征能力，充分汲取多元变量时间序列与风电输出功率在时间维度和气象因素维度下的内部特征信息，从而更好地捕捉特征之间的复杂关系，获得更优的风电功率预测模型拟合效果。

技术实现思路

1、本发明的目的是提出基于双通道机制的风电功率预测方法，包括以下步骤：

2、步骤a.使用随机森林算法对特征重要性进行排序，找出最为关键的特征；

3、步骤b.将传统神经网络的单通道架构升级为双分支结构，搭建基于关键特征的双通道机制模型；

4、步骤c.基于步骤b搭建的双通道机制模型以及风速数据，对风电功率进行预测。

5、步骤a包括：

6、步骤a1：从原始训练样本集n中应用自举法有放回地重复随机抽取k个样本生成新的训练样本集合d，并由此构建k棵分类树，每次未被抽到的样本组成k个袋外数据；

7、步骤a2：随机选取部分特征，对于mall个变量，在每一棵树的每个节点处随机抽取mtry个变量，使mtry＝mall，然后在mtry个变量中选择一个最具有分类能力的变量，且变量分类的阈值通过检查每一个分类点确定；

8、步骤a3：每棵树最大限度地生长，不做任何修剪；

9、步骤a4：使用新的训练集d和mtry个特征，学习出一个完整的决策树，得到随机森林；将生成的多棵分类树组成随机森林，用随机森林分类器对新的数据进行判别与分类，分类结果按树分类器的投票多少而定；

10、步骤a5：使用oob的特征分布进行数值天气预报数据特征重要性排序，找出最为关键的特征以提高模型对重要特征的学习表征能力。

11、步骤b包括：

12、步骤b1：构建风动力特征编码器，将风速和风向特征单独作为风动力特征编码器的输入向量，风速和风向作为单独的通道使映射模型更专注地学习风的动力学属性；

13、步骤b2：构建环境特征编码器，将温度、湿度和压力特征作为环境特征编码器的输入向量，使模型考虑到时间序列的时序依赖性，同时更好地捕捉环境因素对风电功率的影响；

14、步骤b3：构建融合模块进行解码，捕捉wfe中关键特征与efe中环境特征之间的相关性和交互作用；

15、步骤b4：形成基于关键特征的双通道机制模型，建立不同的支路来处理不同类型的特征，以更准确地理解特征之间的影响关系并突出重要特征。

16、步骤b3具体如下：

17、首先，融合模块对来自wfe和efe两个通道的输出向量vw和ve进行整合，将它们合并成一个向量v：

18、

19、式中：v1,v2,...,vn是向量v的n个元素，表示两个向量的拼接运算；

20、然后，整合后的向量经过一个多层感知机模块，进一步提取特征和进行非线性变换：

21、m＝[m1,m2,...,mn]＝σ(wmv)   (2)

22、式中：m是多层感知机模块的输出，m1,m2,...,mn是向量m的n个元素，σ表示激活函数，wm是多层感知机的权重矩阵；

23、接下来，经过gru模块，捕捉序列信息和建模时间依赖关系：

24、g＝[g1,g2,...,gt]＝σ(wgh)      (3)

25、式中：g是mlp模块的输出，g1,g2,...,gt是向量g的t个元素，wg是gru的权重矩阵，h表示gru的隐藏状态，其计算方法如公式(4)所示；

26、

27、式中：ht-1是上一时刻gru的隐藏状态，ht'是当前时刻gru的候选隐藏状态，ht是当前时刻gru的隐藏状态；v是当前时刻的输入；zt和rt分别是更新门和重置门的输出，xt是当前时刻隐藏状态输入；wz、wr和wh是更新门、重置门和全连接层的权重矩阵，bz、br和bh是更新门、重置门和全连接层的偏置向量；tanh是双曲正切函数；

28、最后，通过一个线性函数将gru的输出g映射到风电预测功率值的输出空间y：

29、y＝wyg+by    (5)

30、式中：wy是线性函数的权重矩阵；by是线性函数的偏置向量。

31、步骤c包括：

32、步骤c1：建立预测效果评价指标；

33、步骤c2：利用训练集风速数据训练双通道机制模型，优化模型参数；

34、步骤c3：直接将待预测时刻的输入数据输入到训练好的双通道机制模型，获得预测结果。

35、步骤c1中的预测效果评价指标为：

36、

37、式中：n为样本个数；preal,t和ppred,t分别表示风电场在t时刻的真实功率和预测功率值；prated表示机组的额定功率值。

38、本发明的有益效果在于：

39、1、本发明的融合函数将来自不同通道的信息进行整合和转换，通过拼接通道特征的连接方式聚合特征之间的信息，可针对不同通道学习到不同特征的表示，有助于获得更准确的风电预测功率值。

40、2、本发明方法使用随机森林算法对特征重要性进行排序，找出最为关键的特征，提高了模型对重要特征的学习表征能力；同时基于风动力学特征的双通道模型，将传统神经网络的单通道架构升级为双分支结构，提高了模型对重要特征的学习能力；基于所提双通道机制模型以及风速数据，对风电功率进行预测，通过准确预测风电场的功率输出，能够提供可靠的预测结果。