一种基于自适应特征挖掘的超短期风电功率预测方法

本发明属于电力系统风电功率预测，涉及一种基于自适应特征挖掘的超短期风电功率预测方法。

背景技术：

1、作为能源转型重要组成部分，风能受到了广泛的关注和应用。然而，由于其天气依赖性和时空不确定性等特点，使得风电的大规模集成对电力系统的稳定性和运行效率构成了挑战。对风电未来短时段内的输出功率进行精确预测和不确定性估计，不仅能够有效地规划电力生产与传输，而且能够有效提高能源利用效率。尽管相关学者已在风电功率预测领域做了大量研究，但是仍存在以下问题：(1).随着风电调度时间尺度的精细化，风电功率波动特性更加复杂，传统分析方法难以准确捕捉短时震荡中的变化特征。(2).多数分析方法需要人为设定参数，建模过程中引入了人为主观性，导致实验缺乏自适应性和可复制性。(3).在预测极短时间内的风电波动时，传统预测模型难以捕捉瞬时波动。同时超短期内数据噪声的增加以及信息损失的加剧，进一步提高了风电功率的不可预测性。(4).面对海量风电功率数据，现有预测模型难以充分捕获风电功率序列与相关影响因素序列之间的非线性映射依赖关系，从而无法准确有效地挖掘风电数据的时空特征。

技术实现思路

1、本发明的目的是提供一种基于自适应特征挖掘的超短期风电功率预测方法，以降低风力发电的不确定性，辅助电网更有效地运行和调度。

2、本发明所采用的技术方案是，一种基于自适应特征挖掘的超短期风电功率预测方法，具体按照以下步骤实施：

3、步骤1、提出了基于启发式优化的自适应变分模态分解(avmd)方法，无需人为干预，对超短期风电功率数据进行滤波及分析。通过分解风电功率序列，提取其属性并消除噪声；

4、步骤2、提出了两阶风电功率多分量时频综合分析框架。首先利用皮尔逊相关系数(pcc)分析风电功率与影响因素之间的关联性，快速识别出与风电功率相关性较高的影响因素，完成第一轮筛选。随后，将avmd分解得到的imf与筛选后的影响因素再次进行关联性分析，为各时间序列特征子序列匹配定制的影响因素序列。依据风电功率时间序列意义，构建不同的预测模型输入特征集；

5、步骤3、提出了双向时间卷积神经网络(bitcn)模型对风电功率子序列进行特征深度提取，再将特征向量按时序序列方式构建，并将其作为经过注意机制优化的双向门控循环单元(bigru)网络的输入，进行多源数据混合驱动预测。

6、本发明的特点还在于：

7、步骤1具体按照以下实施：

8、利用vmd将输入风电时间序列分解为若干个模态函数，每个模态函数都有一个中心频率。设输入信号为f(t)，vmd旨在找到模态函数uk(t)及其对应的中心频率ωk，使得每个模态函数的带宽最小。通过如下优化问题来实现：

9、

10、式中，表示对t求偏导数，σ(t)为dirac函数，||·||2表示2范数。

11、本发明提出启发式自适应优化算法将遗传操作、粒子群更新和模拟退火机制相结合，通过自适应机制和启发式策略来确定vmd中的参数k和α。

12、步骤如下：

13、(1).初始化种群，包含个体，每个个体代表一个潜在解，保留适应度较好的个体。

14、p′＝mutation(crossover(selection(p))) (2)

15、将遗传操作生成的种群p'用于初始化粒子群。

16、(2).更新每个粒子的速度和位置：

17、

18、式中，vi(t)为第i个粒子在时间步t的速度；xi(t)为第i个粒子在时间步t的位置；pi为第i个粒子历史最佳位置；g为全局最佳位置；ω为惯性权重；c为学习因子；r为0～1的随机数。

19、(3).对每个粒子应用模拟退火进行局部搜索，以避免陷入局部最优。

20、δe＝f(xnew)-f(xcurrent) (4)

21、如果δe<0，接受新的解xnew。

22、如果δe≥0，则以概率接受新的解xnew。

23、更新温度t＝αt，其中α<1。

24、(4).基于适应度变化率动态调整遗传操作、粒子群更新和模拟退火的参数，以适应搜索空间的变化。

25、(5).当达到最大迭代次数或适应度函数值收敛时，终止迭代过程。

26、步骤2具体按照以下实施：

27、在数据质量方面，由于风能的特殊属性，风机在运行过程中不可避免的存在限功率和弃风现象，使得数据质量参差不齐。因此本发明设计了风电数据预处理框架，以提高后续预测模型的精度和计算效率。在这种情况下，有四个数据预处理的任务需要完成。

28、a.对原始风电功率和同期影响因素时间序列数据进行异常值剔除和缺失值填补。

29、b.筛选与风电功率原始时间序列关联度较高的影响因子时间序列作为预测模型的同期输入。

30、c.将风电功率时间序列数据分解为多个具有不同时间序列特征的子序列。

31、d.为不同时间序列特征的子序列匹配相应的影响因素序列，建立不同的预测模型输入特征集。

32、本发明采用“3δ”法对采集数据进行异常剔除处理，并设置当相对差值大于3时，则将该数据作为异常值进行剔除。对于空白值，采用三次样条插值并结合气象数据的合理指导范围进行填充。例如，在一小时内，风速的变化应该小于10m/s，温度变化应小于5℃，压强变化应小于50hpa。

33、多种气象因素并不一定都会对风力发电产生显著影响，冗余的输入特征不仅会导致模型训练运行时间的增加，还可能会导致预测准确度降低。因此，在多种影响因素并存的情况下，本发明采用pcc方法挖掘各个影响因素对风电出力的影响，筛选与历史发电功率相关性系数0.6以上的影响因素作为预测模型的同期输入。

34、随后，利用pcc分析原始风电功率数据与影响因素之间的关联性，完成第一轮筛选。然后使用vmd对风电功率输出序列进行分解，揭示隐藏的超短期时间模式特征。将得到时间特征更突出的子序列与筛选后的影响因素进行第二轮关联性分析，为每个时间特征创建量身定制的输入特征集。

35、步骤3具体按照以下实施：

36、tcn能够利用卷积操作的强大特性，提取时间序列中更多的隐藏特征信息，具备灵活的感受野大小和稳定的梯度传播特性。此外，卷积操作的并行化设计极大地提高了模型的收敛速度。然而，tcn的因果卷积为单向结构，这意味着当前时刻的输出仅依赖于之前的输入信息，无法考虑后续时刻的信息对当前时刻输出的影响，会限制对风电功率规律的全面理解。

37、针对此问题，本发明设计了双向时间卷积结构，以同时考虑当前时刻之前和之后的输入信息，从而更好地捕捉风电功率序列的时序特征和相关规律，提高预测准确性和稳定性。

38、模型双向架构包括：

39、正向tcn：处理从过去到未来的时间序列，捕捉前向依赖。

40、

41、式中，代表时间步t的正向输出，tcnfwd代表正向tcn模型，(xt,xt-1,...)代表当前及过去的输入。

42、反向tcn：处理从未来到过去的时间序列，捕捉后向依赖。

43、

44、其中：代表时间步t的反向输出，tcnbwd代表反向tcn模型，(xt,xt-1,...)代表当前及未来的输入。

45、工作原理包括：

46、输入时间序列通过一层因果卷积进入正向和反向tcn：

47、

48、式中，代表时间步t的输入层输出，causalconv代表因果卷积操作，(xt,xt-1,...)代表当前及过去的输入。

49、正向和反向tcn各自包含多个扩展卷积层，这些卷积层通过不同的扩展系数逐步增加感受野，从而捕捉不同时间尺度上的依赖。

50、

51、式中，代表时间步t的正向中间层输出，代表正向tcn的第i个卷积核权重，xt-di代表时间步t-di的输入。反向同理。

52、随后，将正向和反向tcn的输出在融合层进行合并：

53、

54、输出层：

55、

56、融合后的特征输入至bigru网络。bigru由两个方向相反的gru单元构成，与bitcn原理相似，正向传导单元负责捕捉历史信息，反向传导单元则负责捕捉未来信息。

57、混合模型中bitcn的主要目标是从输入数据中提取高维显著时序特征。其中，扩张卷积使网络能够灵活的调整输出所接收到的历史信息量，充分分析风电功率数据的特征。残差网络模块的使用可以有效避免梯度爆炸、消失或缺乏内存保留的问题。随后，将bitcn网络层输出作为bigru层的输入，利用bigru模型分别对序列正反向处理，并将两个方向的输出合并在一起作为最终输出，使得预测模型更有效地学习时间序列的非线性映射关系。

58、本发明的有益效果是：首先，针对风电功率数据的非平稳和波动特性，提出了高效且具有自适应性的风电功率多分量提取的时频分析框架，捕捉复杂的超短期时频特性，同时进行平稳化和降噪处理。随后通过pcc剔除冗余的输入特征，从而构造风电功率子序列预测同期输入特征集。在此基础上，利用bitcn双向扩张因果卷积结构，对原始特征进行融合获得高维的抽象特征，加强对特征信息的挖掘。结合bigru神经网络较强的非线性拟合能力，挖掘风电功率序列变化特征。所提出的方法能够有效捕捉风力发电功率与相关影响因素数据之间的超短期映射关系。