基于离散化的海上风电并网系统状态概率预测方法及装置

本发明属于电力电网，特别涉及一种基于离散化的海上风电并网系统状态概率预测方法及装置。

背景技术：

1、海上风电并网系统在全球可再生能源领域中占据越来越重要的地位，特别是在风力资源丰富的海洋区域。然而，这些系统的运营环境具有独特的复杂性，包括极端的气象条件和海洋特性，这对系统的稳定性和安全运行提出了更高的要求。海上风电并网系统及其设备必须适应连续变化的海洋环境，如高温、高湿、强烈的盐雾腐蚀、以及持续的振动和洋流影响。此外，极端天气事件如雷暴和台风的频繁发生，增加了系统故障和损害的风险。这些因素不仅加速设备老化，还可能引发复杂的故障链，导致整个系统的不稳定。

2、由于海上风电设备的可达性较低，维护和故障修复成本显著高于陆上风电系统。因此，开发一种能够精准预测并网系统潜在风险和性能变化的方法变得尤为重要。这种预测方法需要考虑到海洋环境的不确定性和多变性，能够实时地评估风险并提供可靠的数据支持，以优化系统的运行和维护策略。当前的研究主要集中在设备的内部因素和陆上环境下的故障模式分析，而对于海上特殊环境下的设备状态和故障发展机理的认识仍然有限。此外，海上风电系统的故障诊断与远程监控技术还未能充分发展，缺乏针对海洋环境的高精度状态表征和故障预测方法。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于离散化的海上风电并网系统状态概率预测方法及装置，本发明将海上风电实时运行数据离散化并构建为状态转移链数据，训练海上风电概率预测模型，预测得到系统状态和概率，最后对输出结果进行采样分析，确定任意区间的概率；为海上风电系统风险评估，实时预警提供支撑，保障海上风电并网系统安全和可靠运行。

2、为实现上述目的，本发明公开了如下技术方案：

3、一种基于离散化的海上风电并网系统状态概率预测方法，其包括以下步骤：

4、s1：预处理海上风电场输出功率的时序连续数据，进行离散化，构建状态转移链数据,具体包括以下子步骤：

5、s11：对收集到的海上风电场输出功率的时序连续数据xt进行预处理，使用第一数据符号error替换异常数据，使用第二数据符号none填补缺失数据；

6、s12：对时序连续数据进行离散化，确定时序连续数据的离散级数n，将时序连续数据xt离散为时序离散数据xd的公式为：

7、

8、其中，xt为时序连续数据中的元素；xd为时序离散数据中的元素；xmax为时序连续数据最大值；xmin为时序连续数据最小值；为向下取整数运算；n为时序连续数据的离散级数；∈为离散化参数；

9、s13：将第一数据符号error和第二数据符号none分别编码为时序连续数据的离散级数n和n+1，得到状态转移链数据xc；

10、s2：叠加因果自注意力模块构造海上风电并网系统状态概率预测模型，具体包括以下子步骤：

11、s21：搭建包括多头注意力机制子模块和层归一化以及残差连接子模块的单个因果自注意力模块；所述多头注意力机制子模块为：

12、

13、其中，muhe(q,k,v)为多头注意力机制子模块的输出；q为查询元素；k为键元素；v为值元素；为向量拼接操作；wo为拼接后做线性变换所需要的参数矩阵；n为映射子空间个数；headi为第i个语义子空间中的注意力机制输出结果，i∈1、2…n；

14、所述层归一化以及残差连接子模块为：

15、out＝lano(add(q+muhe(q,k,v)))；

16、其中，out为层归一化以及残差连接子模块的输出；lano为层归一化函数；add为残差连接函数；

17、s22：对步骤s21中搭建的每个因果自注意力模块进行位置编码，以保持时序离散数据的时序信息；所述位置编码使用正弦函数和余弦函数的组合为时序离散数据中的每个数据生成唯一的位置编码，生成方法为：

18、

19、其中，pe(pos,2j)为时序离散数据奇数位置编码；pe(pos,2j+1)为时序离散数据偶数位置编码；pos为时序离散数据的提取位置；j为海上风电并网系统状态概率预测模型的维度索引；dmodel为海上风电并网系统状态概率预测模型的维度；

20、s23：通过堆叠步骤s21中的单个因果自注意力模块，根据待处理的时序离散数据xc的数列长度lmax,堆叠lmax个因果自注意力模块构造海上风电并网系统状态概率预测模型；

21、s3：使用步骤s1得到的状态转移链数据训练步骤s2得到的海上风电并网系统状态概率预测模型,具体包括以下子步骤：

22、s31：获取步骤s1中的状态转移链数据xc，构造状态转移链数据样本，并划分为训练集数据样本和验证集数据样本；

23、s32：分批次对海上风电并网系统状态概率预测模型进行训练，输入训练集数据样本，使用梯度下降法优化步骤s2中海上风电并网系统状态概率预测模型的参数矩阵wo；采用的混合交叉熵均方误差损失函数为：

24、

25、其中，loss为混合交叉熵均方误差损失函数；λ为权重系数；为海上风电并网系统状态对应的概率分布；yi为训练集数据样本的真实值；为yi连续化之后的值；为进行连续化处理之后的概率分布；lmax为时序离散数据xc的数列长度；

26、s33：使用验证集数据样本验证步骤s2中海上风电并网系统状态概率预测模型的预测精度，并使用测试集数据样本对海上风电并网系统的状态概率进行预测，确定海上风电并网系统状态对应的概率分布；

27、s4：根据海上风电并网系统状态对应的概率分布，完成状态概率预测；

28、获取步骤s3中的海上风电并网系统状态对应的概率分布为统计概率采样值总数量ns和目标概率采样值数量ns，计算海上风电并网系统状态目标区间的概率为：

29、

30、其中，p为海上风电并网系统状态目标区间的概率；ns为目标概率采样值数量；ns为概率采样值总数量。

31、可优选的，步骤s11中对收集到的海上风电场输出功率的时序连续数据xt进行预处理，具体包括以下子步骤：

32、s111：通过海上风电场的监测系统，实时收集功率输出运行时序连续数据xt＝[x1,x2,…,xt]；

33、s112：对收集到的时序连续数据进行检查，将超出预设定量测范围的数据视为异常数据，使用第一数据符号error替换；

34、s113：对收集到的时序连续数据进行检查，定位缺失数据，使用第二数据符号none填补时序连续数据。

35、可优选的，步骤s12中确定时序连续数据的离散级数n，具体为：

36、对收集到的时序连续数据进行统计分析，绘制数据分布直方图，并标记出时序连续数据最大值xmax和最小值xmin，确定时序连续数据的离散级数n为：

37、

38、其中，n为时序连续数据的离散级数；δ为每个离散区间的宽度不超过某个给定的精度；xmax为时序连续数据最大值；xmin为时序连续数据最小值。

39、可优选的，步骤s21中的多头注意力机制需要进行映射子空间的构建，具体为：

40、多头注意力机制中三个基本的计算元素分别是查询元素q、键元素k和值元素v，映射到的语义子空间为：

41、

42、其中，wiq为查询元素q映射到第i个语义子空间使用的参数矩阵；wik为键元素k映射到第i个语义子空间使用的参数矩阵；wiv为值元素v映射到第i个语义子空间使用的参数矩阵；qi为查询元素q的第i个语义子空间；ki为键元素k的第i个语义子空间；vi为值元素v的第i个语义子空间；

43、每个语义子空间中的注意力机制为：

44、

45、其中，headi为第i个语义子空间中的注意力机制输出结果；mask为因果时间参数；attention为注意力机制函数；softmax为归一化指数函数；dk为语义子空间ki向量的维度；t为转置操作。

46、可优选的，步骤s22中位置编码能够使得每个注意力模块的编码唯一，并且相邻的位置具有连续的编码，使得海上风电并网系统状态概率预测模型能够捕捉到位置之间的相对关系。

47、可优选的，步骤s31中构造状态转移链数据样本，具体为：

48、在状态转移链数据xc中，依次连续提取长度为lmax的数据子序列，对于每条子序列；设定lmax-1个数据点作为输入数据样本input；设定lmax个数据点作为目标数据样本target；输入数据样本input和目标数据样本target构成状态转移链数据样本。

49、可优选的，步骤s4中统计概率采样值数量ns和目标概率采样值数量ns，具体包括以下子步骤：

50、s41：依据海上风电并网系统状态概率预测模型的输出概率对各个离散化区间进行采样,其中表示对应第i个位置的输出，落在第1个离散化区间的概率；

51、s42：在离散化区间内部，使用均匀分布采样，得到离散化区间采样参数为：

52、

53、其中，为离散化区间采样参数；ai为离散化后第i个区间的上限；bi为离散化后第i个区间的下限；rand()为使用均匀分布随机生成[0,1)之间的随机数；

54、s43：重复步骤s41和s42，得到概率采样值数量ns个离散化区间采样参数统计落在设定的目标区间[c,d]内的目标概率采样值数量ns。

55、本发明第二个方面提出了基于离散化的海上风电并网系统状态概率预测方法的预测装置，其包括：数据采集模块、预处理模块和模型预测模块；

56、所述数据采集模块用于采集所述海上风电并网系统的实时连续数据；

57、所述预处理模块用于对所述实时连续数据进行数据清洗，替换异常数据，填补缺失数据，并应用离散化方法将实时连续数据构建为状态转移链数据；

58、所述模型预测模块用于将所述状态转移链数据，经过所述输入预先训练好的海上风电并网系统状态概率预测模型，得到下一个时刻海上风电并网系统的运行状态和概率。

59、本发明第三个方面提出了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序运行时控制所述计算机可读存储介质所在设备执行所述的基于离散化的海上风电并网系统状态概率预测方法。

60、与现有技术相比，本发明具有以下有益效果：

61、(1)本发明对收集到的海上风电场输出功率的时序连续数据进行预处理，并进行离散化，将时序连续数据离散为时序离散数据为；并对异常和缺失数据进行了替换和补充，得到了真实可靠，能反映海上风电并网系统运行情况的数据。

62、(2)本发明通过多头注意力机制模块和层归一化及残差连接模块搭建单个因果自注意力模块，使用正弦函数和余弦函数的组合来为时序离散数据中的每个数据生成唯一的位置编码以保持时序离散数据的时序信息，最后堆叠单个因果自注意力模块来构造海上风电并网系统状态概率预测模型。

63、(3)本发明使用状态转移链数据训练海上风电并网系统状态概率预测模型，使用梯度下降法优化海上风电并网系统状态概率预测模型的参数矩阵，完成海上风电并网系统状态的概率分布输出；根据海上风电并网系统状态对应的概率分布完成海上风电并网系统状态概率预测；评估海上风电系统风险，并进行实时预警，保障海上风电并网系统安全和可靠运行。

64、(4)本发明对收集到的海上风电并网系统的时序连续数据，能够准确提取概率信息，并给出任意区间的置信度水平；而传统基于连续值的方法，使用均方误差损失函数，无法直接学习到数据的概率信息，当面对随机性较强的数据时，无法获取概率的结果；区间预测方法，只能给出指定置信度的区间，无法估计任意区间的置信度。