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，特别涉及一种适用于风电功率预测的transformer模型的风电功率预测方法、系统、设备及介质。

背景技术：

1、虽然我国风电发展势头足、步伐稳，但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，进一步影响电网风险调度的实时监控，导致大规模机组的停机事故的发生甚至电网部分地区大面积停电事故的发生。此外，由于我国的大型陆上风电场主要集中于“三北”地区，当地的电力系统本身相对较弱，并且新能源消纳能力相对不足，需要远距离输送产生的电能，因此也会带来经济和技术上的问题。

2、由于深度学习学习特征和处理复杂非线性问题的强大能力，长短期记忆神经网络(lstm)、门控递归单元(gru)和卷积神经网络(cnns)等神经网络算法被广泛用于短期风电预测。目前，将注意力机制嵌入现有的预测模型中，将其捕获全局信息的能力和上述传统神经网络的优势相结合构建风电功率预测模型，能够有效提高风电功率的预测精度。尽管这些基于注意力机制和传统神经网络相结合的框架通常表现良好，但它们仍表现出一些局限性。与上述系列模型相比，transformer可凭借其自注意力机制从全局尺度捕捉序列数据潜在的规律和模式，将其应用于风电短时功率预测有望构建出精度更高、泛化能力更强的模型。然而，传统transformer模型用于风电功率预测时会存在两个问题：一是输入层中对原始输入进行了词编码处理，而对于风速、风向这类气象数据不适合用此种方法；二是输出层采用全连接层和softmax层组成，其输出根据最大概率原则确定，而风电功率预测的输出应该是具体值。

3、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。该预测方法在传统transformer模型的基础上，构建出适用于风电功率预测的transformer模型，能够有效提高短时风电功率预测精度。

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：获取风电场历史发电数据，对原始数据进行缺失数据处理、异常风电数据检验和异常风电数据修正；

5、s2：基于风力发电季节特性分析，将风电数据分成春季、夏秋两季和冬季三种类型，并对不同季节类别中的气象因子与风电功率之间进行相关性分析，筛选出相关性较好的气象因子，为后续聚类分析提供输入变量；

6、s3：对于夏秋类别的数据，采用som算法进行聚类分析、对于春季和冬季类别的数据，采用k值为2的k-means++算法进行聚类分析；

7、s4：通过改进传统transformer模型的结构，构建适用于风电功率预测的transformer模型，确定模型参数及训练方式，得到短时风电功率预测值及预测效果。

8、优选地，步骤s1所述对原始数据进行预处理包括：缺失数据处理、异常风电数据检验和异常风电数据修正，具体如下：

9、所述缺失数据处理为一律将负功率视为0值，除将风电场实测数据中的空缺值视为缺失数据外，还将连续48个时刻以上为0的数据也视为缺失数据，选择删除法处理缺失数据；

10、所述异常风电数据检验采用依据《方法》、四分位法和局部异常因子(localoutliers factor，lof)算法相结合的方法进行，将三者检验出的异常数据进行叠加得到最终的异常数据；

11、所述异常风电数据修正具体如下：

12、对于出现的单个离群点，选择线性插值法对异常数据填补，其计算公式如下：

13、

14、其中：xi表示修正后的单个离群点数据。

15、对于连续出现的异常数据，采用k-近邻填补法进行处理，其计算流程如下：

16、1)设原始数据集的维度为m×n，原始数据集为：

17、x＝{x1，x2，…xm} (2)

18、2)假设存在异常数据的样本为xir，计算xir与其余样本xjr之间的距离d：

19、

20、其中：n表示异常数据的样本个数，xir表示异常数据的样本，xjr表示其余样本。

21、找出与xir最邻近的k个样本，即xir的k近邻数据。

22、3)计算异常值的替代值：

23、

24、优选地，所述步骤s2中的相关性分析，具体如下：

25、由于风电数据中的所有序列均不服从正态分布，因此选择斯皮尔曼相关系数和肯德尔相关系数对其进行相关性分析。

26、斯皮尔曼相关系数又被称之为等级变量之间的皮尔逊相关系数，是秩相关系数的一种，考察的是两个随机变量之间单调关系的强度，即变量之间变化的趋势保持一致的程度大小。其计算公式如下：

27、

28、其中：r(xi)和r(yi)分别为变量x和y的位次，和分别表示变量x和y的平均位次。

29、肯德尔相关系数又称为和谐系数，也是一种秩相关系数。其计算公式如下：

30、

31、

32、其中：c表示变量x和y之间具有一致性的元素个数，d表示x和y之间不具有一致性的元素个数；ui(或vi)表示x(或y)所包含的元素个数。

33、优选地，步骤s3所述k-means++与k-means最大的区别是其选择初始聚类中心时保证了它们之间的距离尽可能远，从而有效避免了k-means算法出现弱聚类的问题。k-means++算法具体步骤如下：

34、1)从数据集x中随机选择一个点作为中心点u1；

35、2)计算每个样本xn到初始中心点的距离，并选择出其中最短的距离dn；

36、3)计算每个样本xn被选为下一个聚类中心的概率将概率最大值对应的样本xn作为新的聚类中心。重复上述步骤，直到确定k个聚类中心；

37、4)计算n个样本到聚类中心的距离；

38、5)将每个样本划分给距离其最近的聚类中心形成k个类别；

39、6)重新计算中心点。对于类别aj，其新的聚类中心

40、7)重复步骤4)、5)、6)，直到聚类算法收敛(迭代次数、最小误差、聚类中心等不再发生变化)。

41、优选地，所述步骤s3中，som算法属于无导师学习神经网络，采取的竞争学习规则是受神经元细胞的侧抑制现象启发得到的，具体步骤如下：

42、1)向量归一化。对网络当前的输入向量x和竞争层所有神经元对应的权重wj归一化，使得x和wj的模均为1，得到和

43、2)寻找获胜神经元。将所有归一化后的竞争层神经元对应的权重与归一化后的输入向量进行相似性比较，将最相似的权重向量视为获胜神经元(其中，相似度最大指向量之间内积最大)；

44、

45、3)调整网络输入和结构。将获胜神经元的输出调整为“1”，其余神经元输出调整为“0”，即：

46、

47、调整获胜神经元的权重向量

48、

49、其中，为第j个神经元在t时刻的权重；α为学习效率，取值范围为[0,1]，α会随着调整次数的增加而减少，并逐渐趋于聚类中心；

50、4)重新归一化。经过步骤3)的调整后，神经元的权重向量不再是单位向量，因此需要对调整过的权重向量重新归一化，然后循环计算，直至学习效率减少至0。

51、优选地，所述步骤s4中，传统transformer模型的构建完全放弃了rnn和cnn的结构，是一种由自注意力机制和前馈神经网络组成解码-编码模型。由于它不需要使用序列对齐的循环架构，因而能更快的并行训练。传统transformer模型的具体构成可以分成如下四个部分：

52、1)输入层。transformer模型最初用于自然语言处理，模型的输入一般为单词，从而使得模型的输入分为两个部分：单词编码和位置编码，单词编码将词定义为词向量，位置编码确定单词中每个字的位置关系。其中位置编码采用的是正余弦位置编码，其计算公式为：

53、pe(pos，2i)＝sin(pos/100002i/dmodel) (11)

54、pe(pos，2i+1)＝cos(pos/100002i/dmodel) (12)

55、pos表示单词在句子中的绝对位置，dmodel表示位置向量的维度，i表示词向量中的第i维。

56、2)编码层。transformer中的编码层由6个编码器(encoder block)组成，每一个编码器由两个子层组成：多头注意力层和前馈神经网络。为防止模型在训练时发生退化以及加快模型训练的速度和稳定性，在每个子层周围需要进行相加和归一化(add&norm)处理。其中相加指在输出结果上叠加一个残差块，归一化采用的是层标准化(layernormalization，ln)。

57、3)解码层。transformer中的解码层由6个解码器(decoder block)组成，每个解码器由两个子层组成：掩码多头注意力层、多头注意力和前馈神经网络层。掩码多头注意力和传统多头注意力相比多出一个掩码(mask)，它能对部分信息进行掩盖，使其在参数更新时不产生效果。其中掩码包括填充掩码和系列掩码，前者起到填充和截取的作用，使每个批次的输入长度一样，后者是为了遮掩未来的信息。解码器中的多头注意力层也与传统多头注意力层有少许区别，其查询矩阵q来自掩码多头注意力层的输出，键值矩阵k和值矩阵v则来自编码器的输出。

58、4)输出层。输出层由全连接层和softmax层组成，该层将解码层的输出经过线性变换后，通过softmax激活函数将输出转换为概率分布的形式，概率最大的词即为最终输出。

59、优选地，步骤s4所述适用于风电功率预测的transformer模型与原始transformer模型相比主要的改进如下：

60、由上述模型原理可知，原始transformer模型用于风电功率预测时会存在两个问题：一是输入层中对原始输入进行了词编码处理，而对于风速、风向这类气象数据不适合用此种方法；二是输出层采用全连接层和softmax层组成，其输出根据最大概率原则确定，而风电功率预测的输出应该是具体值。为此，在传统transformer模型的基础上，将词编码用一个全连接层替换，将解码层和输出层用一个全连接层代替，即构建出适用于风电功率预测的transformer模型。

61、本发明还公开了一种风电功率预测系统，该系统用于实施上述风电功率预测方法。具体包括：

62、数据获取模块，基于风电场的原始数据对缺失数据进行处理，并结合风电数据规范、四分位法和局部异常因子(lof)对原始数据中存在的异常数据进行识别，利用线性插值法和k-近邻填补法分别对单一异常数据和连续异常数据进行修正；

63、数据筛选模块，基于风力发电季节特性分析，将风电数据分成春季、夏秋两季和冬季三种类型，并对不同季节类别中的气象因子与风电功率之间进行相关性分析，筛选出相关性较好的气象因子，为后续聚类分析提供输入变量；

64、数据分析模块，对于夏秋类别的数据，采用som算法进行聚类分析、对于春季和冬季类别的数据，采用k值为2的k-means++算法进行聚类分析；

65、数据预测模块，通过改进传统transformer模型的结构，构建适用于风电功率预测的transformer模型，确定模型参数及训练方式，得到短时风电功率预测值及预测效果。

66、本发明还公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述风电功率预测方法。

67、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。

68、与现有技术相比，本发明的优点在于：

69、在进行风电功率单步滚动预测时，改进的transformer模型的预测效果整体优于同为自注意力机制构成的informer模型、基于注意力机制和传统深度学习网络结合模型的预测效果，并且具有较好的稳定性，更加符合风力发电本身的原理，能够更好地实现短时的风电功率预测。