CN113962495A - 一种风电场功率预测方法、装置及电子设备 - Google Patents

一种风电场功率预测方法、装置及电子设备 Download PDF

Info

Publication number
CN113962495A
CN113962495A CN202111568234.2A CN202111568234A CN113962495A CN 113962495 A CN113962495 A CN 113962495A CN 202111568234 A CN202111568234 A CN 202111568234A CN 113962495 A CN113962495 A CN 113962495A
Authority
CN
China
Prior art keywords
wind
power
attention
module
extraction module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111568234.2A
Other languages
English (en)
Inventor
凡航
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huakong Tsingjiao Information Technology Beijing Co Ltd
Original Assignee
Huakong Tsingjiao Information Technology Beijing Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huakong Tsingjiao Information Technology Beijing Co Ltd filed Critical Huakong Tsingjiao Information Technology Beijing Co Ltd
Priority to CN202111568234.2A priority Critical patent/CN113962495A/zh
Publication of CN113962495A publication Critical patent/CN113962495A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Mathematical Optimization (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Geometry (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)

Abstract

本申请公开了一种风电场功率预测方法、装置及电子设备，包括：获取风电场集群包括的多个风电场的功率特征数据和风速特征数据；将多个风电场的功率特征数据和风速特征数据，输入预先建立的图注意力网络模型中，得到多个风电场的预测功率，其中，功率特征数据作为模型输入数据，依次经过注意力特征提取模块和卷积计算模块的计算后，得到功率特征，风速特征数据作为模型输入数据，依次经过注意力特征提取模块和卷积计算模块的计算后，得到风速特征，功率特征和风速特征经过特征融合模块的计算后，得到多个风电场的预测功率，注意力特征提取模块包括空间注意力特征提取模块。采用本方案，提高了风电场功率预测的精度。

Description

一种风电场功率预测方法、装置及电子设备
技术领域
本申请涉及计算机技术领域和风电场功率预测技术领域，尤其涉及一种风电场功率预测方法、装置及电子设备。
背景技术
风电场集群通常指一个包含多个风电场的地理区域，在风电场的相关技术中，经常需要对风电场功率进行预测，风电场功率预测指的是对风电场未来一段时间内按照一定的时间间隔进行预测，风电场集群功率预测指的是对风电场集群总的功率在未来一段时间内按照一定的时间间隔进行预测，例如，未来4个小时内，按照不低于15分钟的时间间隔进行预测。
准确的风电场功率预测对于调度部门制定日发电计划、调整电力***的运行方式等具有非常重要的意义，而且也为电力现货市场的交易提供了重要信息。
现有的风电场功率预测，可以采用物理方法、基于单风电场预测的累加法和空间升尺度方法等。其中，物理方法的特点在于流程清晰，预测结果的可解释性强，缺点在于预测的精度较差。基于单风电场预测的累加方法，在预测的过程中没有充分考虑风电场之间的相关性。空间升尺度方法，在考虑风电场之间相关性的时候，粒度较粗。
当前有研究提出了采用图机器学习的方法用于风电场的功率预测，但是在预测的时候对输入的数据采用同样的权重。但是实际中风电场的功率具有很强的非线性和复杂的模式，进行超短期预测的时候，对输入数据不同部分的关注程度应该是不一样的。
因此，目前已知的各种风电场功率预测方法，均不同程度的存在预测精度较低的问题。
发明内容
本申请实施例提供一种风电场功率预测方法、装置及电子设备，用以解决现有技术中存在的风电场功率预测精度较低的问题。
本申请实施例提供一种风电场功率预测方法，其特征在于，包括：
获取风电场集群包括的多个风电场的多个历史时刻的风电功率，作为功率特征数据，以及所述多个风电场的多个将来时刻的预测风速，作为风速特征数据；
将所述多个风电场的所述功率特征数据和所述风速特征数据，输入预先建立的图注意力网络模型中，得到所述多个风电场的预测功率，其中，所述图注意力网络模型包括注意力特征提取模块、卷积计算模块和特征融合模块，所述功率特征数据作为模型输入数据，依次经过所述注意力特征提取模块和所述卷积计算模块的计算后，得到功率特征，所述风速特征数据作为模型输入数据，依次经过所述注意力特征提取模块和所述卷积计算模块的计算后，得到风速特征，所述功率特征和所述风速特征经过所述特征融合模块的计算后，得到所述多个风电场的所述预测功率，所述注意力特征提取模块包括空间注意力特征提取模块。
进一步的，所述空间注意力特征提取模块采用如下公式进行计算：
Figure 655068DEST_PATH_IMAGE001
；
Figure 960147DEST_PATH_IMAGE002
；
其中，
Figure 343111DEST_PATH_IMAGE003
为空间注意力特征提取模块的空间输入数据，所述空间输入数据为所述功率特征数据或所述风速特征数据，
Figure 809865DEST_PATH_IMAGE004
为所述多个风电场的数量，
Figure 924451DEST_PATH_IMAGE005
为每个风电场的特征的数量，
Figure 721637DEST_PATH_IMAGE006
为多个时刻的数量，
Figure 706911DEST_PATH_IMAGE007
，
Figure 344566DEST_PATH_IMAGE008
，
Figure 195716DEST_PATH_IMAGE009
，
Figure 514702DEST_PATH_IMAGE010
，
Figure 682378DEST_PATH_IMAGE011
是用于学习的参数，
Figure 179349DEST_PATH_IMAGE012
是激活函数；
Figure 268528DEST_PATH_IMAGE013
为基于空间注意力特征提取模块的空间输入数据进行计算得到的空间注意力矩阵，
Figure 187943DEST_PATH_IMAGE013
中的元素
Figure 411724DEST_PATH_IMAGE014
表示风电场
Figure 656761DEST_PATH_IMAGE015
和风电场
Figure 702077DEST_PATH_IMAGE016
之间的空间相关性，
Figure 379177DEST_PATH_IMAGE017
为空间注意力特征提取模块的输出数据。
进一步的，所述注意力特征提取模块还包括时间注意力特征提取模块，所述时间注意力特征提取模块的输出，作为所述空间注意力特征提取模块的输入。
进一步的，所述时间注意力特征提取模块采用如下公式进行计算：
Figure 521446DEST_PATH_IMAGE018
；
Figure 875067DEST_PATH_IMAGE019
；
Figure 922526DEST_PATH_IMAGE020
；
其中，
Figure 387005DEST_PATH_IMAGE003
为时间注意力特征提取模块的时间输入数据，所述时间输入数据为所述功率特征数据或所述风速特征数据，
Figure 587043DEST_PATH_IMAGE004
为所述多个风电场的数量，
Figure 111565DEST_PATH_IMAGE005
为每个风电场的特征的数量，
Figure 944523DEST_PATH_IMAGE006
为多个时刻的数量，
Figure 212693DEST_PATH_IMAGE021
，
Figure 50592DEST_PATH_IMAGE022
，
Figure 542754DEST_PATH_IMAGE023
，
Figure 49958DEST_PATH_IMAGE024
，
Figure 403710DEST_PATH_IMAGE025
是用于学习的参数，
Figure 578340DEST_PATH_IMAGE026
是激活函数；
Figure 444665DEST_PATH_IMAGE027
为基于时间注意力特征提取模块的时间输入数据进行计算得到的时间注意力矩阵，
Figure 688433DEST_PATH_IMAGE027
中的元素
Figure 95144DEST_PATH_IMAGE028
表示时刻
Figure 858700DEST_PATH_IMAGE015
和时刻
Figure 912238DEST_PATH_IMAGE016
之间的时间依赖关系，
Figure 190773DEST_PATH_IMAGE029
为时间注意力特征提取模块的输出数据；
所述空间注意力特征提取模块采用如下公式进行计算：
Figure 604436DEST_PATH_IMAGE030
；
Figure 740276DEST_PATH_IMAGE002
；
其中，
Figure 948403DEST_PATH_IMAGE031
为空间注意力特征提取模块的空间输入数据，所述空间输入数据为所述时间注意力特征提取模块的输出数据，
Figure 714234DEST_PATH_IMAGE007
，
Figure 416742DEST_PATH_IMAGE008
，
Figure 951629DEST_PATH_IMAGE009
，
Figure 596237DEST_PATH_IMAGE010
，
Figure 301893DEST_PATH_IMAGE011
是用于学习的参数，
Figure 791780DEST_PATH_IMAGE012
是激活函数；
Figure 384436DEST_PATH_IMAGE013
为基于空间注意力特征提取模块的空间输入数据进行计算得到的空间注意力矩阵，
Figure 199945DEST_PATH_IMAGE013
中的元素
Figure 691100DEST_PATH_IMAGE014
表示风电场
Figure 250258DEST_PATH_IMAGE015
和风电场
Figure 697420DEST_PATH_IMAGE016
之间的空间相关性，
Figure 467186DEST_PATH_IMAGE017
为空间注意力特征提取模块的输出数据。
进一步的，所述卷积计算模块包括图卷积计算模块和一维卷积计算模块，所述图卷积计算模块的输出，作为所述一维卷积计算模块的输入。
进一步的，所述图卷积计算模块采用如下公式进行计算：
Figure 898167DEST_PATH_IMAGE032
；
Figure 729857DEST_PATH_IMAGE033
；
Figure 313416DEST_PATH_IMAGE034
-
Figure 1886DEST_PATH_IMAGE035
；
Figure 920164DEST_PATH_IMAGE036
；
其中，
Figure 804812DEST_PATH_IMAGE037
是风电场
Figure 23304DEST_PATH_IMAGE015
和风电场
Figure 695725DEST_PATH_IMAGE016
之间的地理位置距离，
Figure 570140DEST_PATH_IMAGE038
是
Figure 312007DEST_PATH_IMAGE004
个风电场的地理位置距离的方差，
Figure 853847DEST_PATH_IMAGE039
是距离阈值，D是个风电场的节点度矩阵，
Figure 87382DEST_PATH_IMAGE040
为所述多个风电场的邻接矩阵，
Figure 465405DEST_PATH_IMAGE041
为所述多个风电场的Laplacian矩阵；
Figure 36063DEST_PATH_IMAGE003
为所述功率特征数据或所述风速特征数据，
Figure 416098DEST_PATH_IMAGE004
为所述多个风电场的数量，
Figure 86114DEST_PATH_IMAGE005
为每个风电场的特征的数量，
Figure 200700DEST_PATH_IMAGE006
为多个时刻的数量；
参数
Figure 529045DEST_PATH_IMAGE042
是多项式系数的向量，
Figure 45477DEST_PATH_IMAGE043
为矩阵
Figure 886394DEST_PATH_IMAGE041
的最大特征值，
Figure 222697DEST_PATH_IMAGE044
表示Hadamard积，
Figure 856197DEST_PATH_IMAGE045
为所述图卷积计算模块的输出；
chebyshev多项式的迭代公式为
Figure 227136DEST_PATH_IMAGE046
-
Figure 973375DEST_PATH_IMAGE047
,其中
Figure 547707DEST_PATH_IMAGE048
。
进一步的，所述注意力特征提取模块的模型输入数据与所述卷积计算模块的输出之间采用残差连接，所采用的公式如下：
Figure 732700DEST_PATH_IMAGE049
；
其中，
Figure 958145DEST_PATH_IMAGE050
为所述模型输入数据，
Figure 124553DEST_PATH_IMAGE051
为所述卷积计算模块的输出，
Figure 701028DEST_PATH_IMAGE052
为所述特征融合模块的输入。
进一步的，所述风速特征数据包括所述多个风电场的多个将来时刻的多个高度的预测风速。
本申请实施例还提供一种风电场功率预测装置，包括：
数据获取模块，用于获取风电场集群包括的多个风电场的多个历史时刻的风电功率，作为功率特征数据，以及所述多个风电场的多个将来时刻的预测风速，作为风速特征数据；
功率预测模块，用于将所述多个风电场的所述功率特征数据和所述风速特征数据，输入预先建立的图注意力网络模型中，得到所述多个风电场的预测功率，其中，所述图注意力网络模型包括注意力特征提取模块、卷积计算模块和特征融合模块，所述功率特征数据作为模型输入数据，依次经过所述注意力特征提取模块和所述卷积计算模块的计算后，得到功率特征，所述风速特征数据作为模型输入数据，依次经过所述注意力特征提取模块和所述卷积计算模块的计算后，得到风速特征，所述功率特征和所述风速特征经过所述特征融合模块的计算后，得到所述多个风电场的所述预测功率，所述注意力特征提取模块包括空间注意力特征提取模块。
本申请实施例还提供一种电子设备，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使：实现上述任一风电场功率预测方法。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一风电场功率预测方法。
本申请实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一风电场功率预测方法。
本申请有益效果包括：
本申请实施例提供的方法中，使用了预先建立的图注意力网络模型对包括多个风电场的风电场集群进行功率预测，其中，多个风电场的多个历史时刻的风电功率，以及多个风电场的多个将来时刻的预测风速，作为图注意力网络模型的模型输入数据，并且，图注意力网络模型包括了注意力特征提取模块，进一步的，注意力特征提取模块包括了空间注意力特征提取模块，从而可以对模型输入数据不同部分的关注程度进行区分，实现了针对模型输入数据的空间注意力机制，即实现了在功率预测的过程中更充分的考虑风电场时间的空间相关性，提高了风电场功率预测的精度。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中：
图1为本申请实施例提供的风电场功率预测方法的流程图；
图2为本申请一个实施例中使用一种图注意力网络模型进行风电场功率预测的示意图；
图3为本申请另一个实施例中使用一种图注意力网络模型进行风电场功率预测的示意图；
图4为本申请实施例提供的风电场功率预测装置的结构示意图；
图5为本申请实施例提供的电子设备的结构示意图。
具体实施方式
为了给出提高风电场功率预测精度的实现方案，本申请实施例提供了一种风电场功率预测方法、装置及电子设备，以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请。并且在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本申请实施例提供一种风电场功率预测方法，如图1所示，包括：
步骤11、获取风电场集群包括的多个风电场的多个历史时刻的风电功率，作为功率特征数据，以及多个风电场的多个将来时刻的预测风速，作为风速特征数据；
步骤12、将多个风电场的功率特征数据和风速特征数据，输入预先建立的图注意力网络模型中，得到多个风电场的预测功率，其中，图注意力网络模型包括注意力特征提取模块、卷积计算模块和特征融合模块，功率特征数据作为模型输入数据，依次经过注意力特征提取模块和卷积计算模块的计算后，得到功率特征，风速特征数据作为模型输入数据，依次经过注意力特征提取模块和卷积计算模块的计算后，得到风速特征，功率特征和风速特征经过特征融合模块的计算后，得到多个风电场的预测功率，注意力特征提取模块包括空间注意力特征提取模块。
本申请实施例提供的上述方法中，使用了预先建立的图注意力网络模型对包括多个风电场的风电场集群进行功率预测，其中，多个风电场的多个历史时刻的风电功率，以及多个风电场的多个将来时刻的预测风速，作为图注意力网络模型的模型输入数据，并且，图注意力网络模型包括了注意力特征提取模块，进一步的，注意力特征提取模块包括了空间注意力特征提取模块，从而可以对模型输入数据不同部分的关注程度进行区分，实现了针对模型输入数据的空间注意力机制，即实现了在功率预测的过程中更充分的考虑风电场时间的空间相关性，提高了风电场功率预测的精度。
下面结合附图，用具体实施例对本申请提供的方法及装置进行详细描述。
图2为本申请一个实施例中使用一种图注意力网络模型进行风电场功率预测的示意图，其中，图注意力网络模型包括依次连接的注意力特征提取模块、卷积计算模块和特征融合模块。
其中，注意力特征提取模块包括空间注意力特征提取模块（SAtt），并且，图注意力网络模型的模型输入数据，直接输入空间注意力特征提取模块，即也为空间注意力特征提取模块的空间输入数据。
其中，卷积计算模块可以包括图卷积计算模块（GCN）和一维卷积计算模块（Conv）。
进一步的，图2所示的图注意力网络模型中，注意力特征提取模块的模型输入数据与卷积计算模块的输出之间可以采用残差连接，即空间注意力特征提取模块的空间输入数据与一维卷积计算模块的输出之间采用残差连接，引入残差连接结构，可以避免模型过于复杂造成的梯度耗散，从而进一步提高预测精度。
在使用图2所示的图注意力网络模型进行风电场功率预测时，模型输入数据可以包括两种特征数据，一种是风电场集群包括的多个风电场的多个历史时刻的风电功率，作为功率特征数据，另一种是该多个风电场的多个将来时刻的预测风速，作为风速特征数据。
本申请实施例中，风电场集群包括的多个风电场的数量，可以按照实际预测时所针对的风电场集群的实际情况进行设定，本申请中以20个风电场为例进行方案描述。多个历史时刻的数量，以及多个将来时刻的数量，均可以基于实际需要进行灵活选择和设置，例如，多个历史时刻可以按照每15分钟作为一个时间间隔，选择40个历史时刻，多个将来时刻可以按照每15分钟作为一个时间间隔，选择20个将来时刻。
本申请实施例中，历史时刻的风电功率可以通过实际测量获得，将来时刻的预测风速可以通过风速预测获得，例如，通过数值天气预报（NWP，Numerical WeatherPrediction）获得预测风速，并且，在数值天气预报中，往往会进行多个不同高度的预测，所以，本申请实施例中，也可以获取多个高度的预测风速，例如，4个高度的预测风速。
在进行功率预测时，将两种特征数据分别输入空间注意力特征提取模块，即如图2所示，将功率特征数据作为模型输入数据，依次经过空间注意力特征提取模块、图卷积计算模块和一维卷积计算模块的计算后，得到功率特征，以及将风速特征数据作为模型输入数据，依次经过空间注意力特征提取模块、图卷积计算模块和一维卷积计算模块的计算后，得到风速特征。
本申请实施例中，空间注意力特征提取模块可以采用如下公式进行计算：
Figure 424134DEST_PATH_IMAGE001
；
Figure 989238DEST_PATH_IMAGE002
；
其中，
Figure 405176DEST_PATH_IMAGE003
为空间注意力特征提取模块的空间输入数据，空间输入数据为功率特征数据或风速特征数据，
Figure 937789DEST_PATH_IMAGE004
为多个风电场的数量，
Figure 920044DEST_PATH_IMAGE005
为每个风电场的特征的数量，
Figure 854502DEST_PATH_IMAGE006
为多个时刻的数量；当功率特征数据为20个风电场的40个历史时刻的风速功率时，
Figure 441342DEST_PATH_IMAGE004
为20，
Figure 477562DEST_PATH_IMAGE005
为1，
Figure 745732DEST_PATH_IMAGE006
为40，当风速特征数据为20个风电场的20个将来时刻的4个高度的预测风速时，
Figure 534697DEST_PATH_IMAGE004
为20，
Figure 495699DEST_PATH_IMAGE005
为4，
Figure 48909DEST_PATH_IMAGE006
为40。
Figure 120770DEST_PATH_IMAGE007
，
Figure 29821DEST_PATH_IMAGE008
，
Figure 646878DEST_PATH_IMAGE009
，
Figure 703696DEST_PATH_IMAGE010
，
Figure 48089DEST_PATH_IMAGE011
是用于学习的参数，在训练模型时将对这些参数进行训练，
Figure 329422DEST_PATH_IMAGE012
是激活函数；
Figure 163386DEST_PATH_IMAGE013
为基于空间注意力特征提取模块的空间输入数据进行计算得到的空间注意力矩阵，
Figure 910762DEST_PATH_IMAGE013
中的元素
Figure 809579DEST_PATH_IMAGE014
表示风电场
Figure 693222DEST_PATH_IMAGE015
和风电场
Figure 166928DEST_PATH_IMAGE016
之间的空间相关性，
Figure 182027DEST_PATH_IMAGE017
为空间注意力特征提取模块的输出数据。
Figure 133802DEST_PATH_IMAGE017
的计算，可以理解为是采用1个softmax函数来保证各个风电场上的注意力机制的和为1。
本申请实施例中，图卷积计算模块可以采用如下公式进行计算：
Figure 871951DEST_PATH_IMAGE032
；
Figure 798450DEST_PATH_IMAGE033
；
Figure 254839DEST_PATH_IMAGE034
-
Figure 10305DEST_PATH_IMAGE035
；
Figure 868540DEST_PATH_IMAGE036
；
其中，
Figure 682386DEST_PATH_IMAGE037
是风电场
Figure 422809DEST_PATH_IMAGE015
和风电场
Figure 716387DEST_PATH_IMAGE016
之间的地理位置距离，
Figure 179861DEST_PATH_IMAGE038
是
Figure 900692DEST_PATH_IMAGE004
个风电场的地理位置距离的方差，
Figure 331673DEST_PATH_IMAGE039
是距离阈值，D是个风电场的节点度矩阵，
Figure 428942DEST_PATH_IMAGE040
为多个风电场的邻接矩阵，
Figure 42195DEST_PATH_IMAGE041
为多个风电场的Laplacian矩阵；其中，距离阈值
Figure 199507DEST_PATH_IMAGE039
可以为该多个风电场的距离矩阵中元素的平均值的一半。
Figure 852205DEST_PATH_IMAGE003
为模型输入数据，即为功率特征数据或风速特征数据，
Figure 35056DEST_PATH_IMAGE004
为多个风电场的数量，
Figure 722389DEST_PATH_IMAGE005
为每个风电场的特征的数量，
Figure 785023DEST_PATH_IMAGE006
为多个时刻的数量，均与在上述空间注意力特征提取模块采用的公式中的含义相同；
参数
Figure 973952DEST_PATH_IMAGE042
是多项式系数的向量，
Figure 678603DEST_PATH_IMAGE043
为矩阵
Figure 954864DEST_PATH_IMAGE041
的最大特征值，
Figure 204711DEST_PATH_IMAGE044
表示Hadamard积，
Figure 628739DEST_PATH_IMAGE045
为图卷积计算模块的输出；
chebyshev多项式的迭代公式为
Figure 340343DEST_PATH_IMAGE046
-
Figure 251536DEST_PATH_IMAGE047
,其中
Figure 718289DEST_PATH_IMAGE048
。
本申请实施例中，在图卷积计算模块所采用的公式中，为了动态地调节风电场之间的空间相关性，相比目前通常使用的图卷积计算公式，采用空间注意力机制，对描述风电场之间地理位置关系的
Figure 567297DEST_PATH_IMAGE053
进行了修改，从而得到改进后的矩阵
Figure 98903DEST_PATH_IMAGE054
，其中
Figure 412073DEST_PATH_IMAGE044
表示Hadamard积。
本申请实施例中，在采用了带注意力机制的图卷积计算模块，对风电场集群的时空相关性进行提取后，可以在时间维度上进行一维卷积，即一维卷积计算模块可以采用如下公式进行计算：
Figure 252990DEST_PATH_IMAGE055
其中
Figure 841491DEST_PATH_IMAGE056
表示一个标准的卷积操作，
Figure 426056DEST_PATH_IMAGE057
是时间域卷积核的参数，激活函数为
Figure 593732DEST_PATH_IMAGE058
。
如果没有采用残差连接结构，则一维卷积计算模块的输出为提取的特征，即模型输入数据为功率特征数据时，输出的是功率特征，模型输入数据为风速特征数据时，输出的是风速特征。
如果空间注意力特征提取模块的空间输入数据与一维卷积计算模块的输出之间采用残差连接，引入残差连接结构，则基于残差连接结构，采用如下公式计算：
Figure 356283DEST_PATH_IMAGE049
；
其中，
Figure 914303DEST_PATH_IMAGE050
为模型输入数据，
Figure 99297DEST_PATH_IMAGE051
为卷积计算模块的输出，即为一维卷积计算模块的输出，
Figure 574009DEST_PATH_IMAGE052
为特征融合模块的输入，也可以理解为提取的特征，即模型输入数据为功率特征数据时，输出的是功率特征，模型输入数据为风速特征数据时，输出的是风速特征。
特征融合模块将输入的功率特征和风速特征进行特征融合，具体所采用的特征融合方式，可以为各种可行的方式，在此不再举例进行详细描述。
在特征融合后，所得到的特征融合结果可以直接作为功率预测的预测结果，即该多个风电场在多个将来时刻的预测功率，也可以在图注意力网络模型中，在特征融合模块之后增加全连接层（图2中未体现），基于对预测结果中所希望包含的将来时刻的数量，利用全连接层，对特征融合得到的特征融合结果进行降维处理，得到指定数量的预测功率，例如，得到该多个风电场在将来16个时刻的预测功率，该16个将来时刻之间相邻时刻间隔15分钟。
从图2可以看出，在考虑注意力机制的用于风电场集群功率预测的图注意力网络模型中，考虑了空间上的注意力与图卷积算法进行结合对空间上的特征进行提取，再采用沿时间轴上的卷积对时间特征进行提取，以及采用了残差连接，融合了提取的特征和原始数据，最后采用多任务学习，实现对多个风电场功率的预测，通过对各个风电场预测的功率进行求和，可以得到风电场集群总的功率。
值得一提的是，因为采用了图2所示架构，所以该图注意力网络模型可以通过借鉴相邻风电场的数据进行单风电场的功率预测，可以在提升风电场集群总的预测功率的同时，提高单风电场的预测精度。即便不同的风电场属于不同的运营主体，采用该图注意力网络模型可以借助于多方安全计算的隐私计算的方法进行实现。
图3为本申请另一个实施例中使用一种图注意力网络模型进行风电场功率预测的示意图，其中，图注意力网络模型包括依次连接的注意力特征提取模块、卷积计算模块和特征融合模块。
注意力特征提取模块包括时间注意力特征提取模块（TAtt）和空间注意力特征提取模块（SAtt），并且，图注意力网络模型的模型输入数据，直接输入时间注意力特征提取模块，即也为时间注意力特征提取模块的时间输入数据，时间注意力特征提取模块的输出，作为空间注意力特征提取模块的输入。
其中，卷积计算模块可以包括图卷积计算模块（GCN）和一维卷积计算模块（Conv）。
进一步的，图3所示的图注意力网络模型中，注意力特征提取模块的模型输入数据与卷积计算模块的输出之间可以采用残差连接，即时间注意力特征提取模块的时间输入数据与一维卷积计算模块的输出之间采用残差连接，引入残差连接结构，可以避免模型过于复杂造成的梯度耗散，从而进一步提高预测精度。
在使用图3所示的图注意力网络模型进行风电场功率预测时，模型输入数据可以包括两种特征数据，一种是风电场集群包括的多个风电场的多个历史时刻的风电功率，作为功率特征数据，另一种是该多个风电场的多个将来时刻的预测风速，作为风速特征数据。
本申请实施例中，风电场集群包括的多个风电场的数量，可以按照实际预测时所针对的风电场集群的实际情况进行设定，本申请中以20个风电场为例进行方案描述。多个历史时刻的数量，以及多个将来时刻的数量，均可以基于实际需要进行灵活选择和设置，例如，多个历史时刻可以按照每15分钟作为一个时间间隔，选择40个历史时刻，多个将来时刻可以按照每15分钟作为一个时间间隔，选择20个将来时刻。
本申请实施例中，历史时刻的风电功率可以通过实际测量获得，将来时刻的预测风速可以通过风速预测获得，例如，通过数值天气预报（NWP，Numerical WeatherPrediction）获得预测风速，并且，在数值天气预报中，往往会进行多个不同高度的预测，所以，本申请实施例中，也可以获取多个高度的预测风速，例如，4个高度的预测风速。
在进行功率预测时，将两种特征数据分别输入时间注意力特征提取模块，即如图3所示，将功率特征数据作为模型输入数据，依次经过时间注意力特征提取模块、空间注意力特征提取模块、图卷积计算模块和一维卷积计算模块的计算后，得到功率特征，以及将风速特征数据作为模型输入数据，依次经过时间注意力特征提取模块、空间注意力特征提取模块、图卷积计算模块和一维卷积计算模块的计算后，得到风速特征。
本申请实施例中，时间注意力特征提取模块可以采用如下公式进行计算：
Figure 756729DEST_PATH_IMAGE018
；
Figure 67624DEST_PATH_IMAGE019
；
Figure 541462DEST_PATH_IMAGE020
；
其中，
Figure 355834DEST_PATH_IMAGE003
为时间注意力特征提取模块的时间输入数据，时间输入数据为功率特征数据或风速特征数据，
Figure 975035DEST_PATH_IMAGE004
为多个风电场的数量，
Figure 773226DEST_PATH_IMAGE005
为每个风电场的特征的数量，
Figure 286641DEST_PATH_IMAGE006
为多个时刻的数量；当功率特征数据为20个风电场的40个历史时刻的风速功率时，
Figure 486678DEST_PATH_IMAGE004
为20，
Figure 276779DEST_PATH_IMAGE005
为1，
Figure 578579DEST_PATH_IMAGE006
为40，当风速特征数据为20个风电场的20个将来时刻的4个高度的预测风速时，
Figure 846749DEST_PATH_IMAGE004
为20，
Figure 947298DEST_PATH_IMAGE005
为4，
Figure 377142DEST_PATH_IMAGE006
为40。
Figure 149926DEST_PATH_IMAGE021
，
Figure 769258DEST_PATH_IMAGE022
，
Figure 678308DEST_PATH_IMAGE023
，
Figure 544633DEST_PATH_IMAGE024
，
Figure 539133DEST_PATH_IMAGE025
是用于学习的参数，在训练模型时将对这些参数进行训练，
Figure 451902DEST_PATH_IMAGE026
是激活函数；
Figure 481038DEST_PATH_IMAGE027
为基于时间注意力特征提取模块的时间输入数据进行计算得到的时间注意力矩阵，
Figure 252684DEST_PATH_IMAGE027
中的元素
Figure 547531DEST_PATH_IMAGE028
表示时刻
Figure 695615DEST_PATH_IMAGE015
和时刻
Figure 625263DEST_PATH_IMAGE016
之间的时间依赖关系，
Figure 833390DEST_PATH_IMAGE029
为时间注意力特征提取模块的输出数据；
Figure 802483DEST_PATH_IMAGE059
的计算，可以理解为是采用1个softmax函数来保证各个风电场上的注意力机制的和为1。
本申请实施例中，空间注意力特征提取模块可以采用如下公式进行计算：
Figure 754259DEST_PATH_IMAGE030
；
Figure 243140DEST_PATH_IMAGE002
；
其中，
Figure 684486DEST_PATH_IMAGE031
为空间注意力特征提取模块的空间输入数据，空间输入数据为时间注意力特征提取模块的输出数据；
Figure 140875DEST_PATH_IMAGE007
，
Figure 148539DEST_PATH_IMAGE008
，
Figure 741194DEST_PATH_IMAGE009
，
Figure 556703DEST_PATH_IMAGE010
，
Figure 234809DEST_PATH_IMAGE011
是用于学习的参数，在训练模型时将对这些参数进行训练，
Figure 341437DEST_PATH_IMAGE012
是激活函数；
Figure 788598DEST_PATH_IMAGE013
为基于空间注意力特征提取模块的空间输入数据进行计算得到的空间注意力矩阵，
Figure 821014DEST_PATH_IMAGE013
中的元素
Figure 986416DEST_PATH_IMAGE014
表示风电场
Figure 880423DEST_PATH_IMAGE015
和风电场
Figure 198403DEST_PATH_IMAGE016
之间的空间相关性，
Figure 90136DEST_PATH_IMAGE017
为空间注意力特征提取模块的输出数据。
Figure 742834DEST_PATH_IMAGE017
的计算，可以理解为是采用1个softmax函数来保证各个风电场上的注意力机制的和为1。
本申请实施例中，图卷积计算模块可以采用如下公式进行计算：
Figure 692729DEST_PATH_IMAGE032
；
Figure 380062DEST_PATH_IMAGE033
；
Figure 708275DEST_PATH_IMAGE034
-
Figure 582690DEST_PATH_IMAGE035
；
Figure 569232DEST_PATH_IMAGE036
；
其中，
Figure 111072DEST_PATH_IMAGE037
是风电场
Figure 344607DEST_PATH_IMAGE015
和风电场
Figure 17903DEST_PATH_IMAGE016
之间的地理位置距离，
Figure 260665DEST_PATH_IMAGE038
是
Figure 657011DEST_PATH_IMAGE004
个风电场的地理位置距离的方差，
Figure 77760DEST_PATH_IMAGE039
是距离阈值，D是个风电场的节点度矩阵，
Figure 723505DEST_PATH_IMAGE040
为多个风电场的邻接矩阵，
Figure 769958DEST_PATH_IMAGE041
为多个风电场的Laplacian矩阵；其中，距离阈值
Figure 538587DEST_PATH_IMAGE039
可以为该多个风电场的距离矩阵中元素的平均值的一半。
Figure 113925DEST_PATH_IMAGE003
为模型输入数据，即为功率特征数据或风速特征数据，
Figure 450229DEST_PATH_IMAGE004
为多个风电场的数量，
Figure 582264DEST_PATH_IMAGE005
为每个风电场的特征的数量，
Figure 953202DEST_PATH_IMAGE006
为多个时刻的数量，均与在上述空间注意力特征提取模块采用的公式中的含义相同；
参数
Figure 699441DEST_PATH_IMAGE042
是多项式系数的向量，
Figure 788620DEST_PATH_IMAGE043
为矩阵
Figure 957302DEST_PATH_IMAGE041
的最大特征值，
Figure 182747DEST_PATH_IMAGE044
表示Hadamard积，
Figure 912937DEST_PATH_IMAGE045
为图卷积计算模块的输出；
chebyshev多项式的迭代公式为
Figure 223832DEST_PATH_IMAGE046
-
Figure 884621DEST_PATH_IMAGE047
,其中
Figure 230152DEST_PATH_IMAGE048
。
本申请实施例中，在图卷积计算模块所采用的公式中，为了动态地调节风电场之间的空间相关性，相比目前通常使用的图卷积计算公式，采用空间注意力机制，对描述风电场之间地理位置关系的
Figure 644426DEST_PATH_IMAGE053
进行了修改，从而得到改进后的矩阵
Figure 442618DEST_PATH_IMAGE054
，其中
Figure 172677DEST_PATH_IMAGE044
表示Hadamard积。
本申请实施例中，在采用了带注意力机制的图卷积计算模块，对风电场集群的时空相关性进行提取后，可以在时间维度上进行一维卷积，即一维卷积计算模块可以采用如下公式进行计算：
Figure 123446DEST_PATH_IMAGE055
其中
Figure 382389DEST_PATH_IMAGE056
表示一个标准的卷积操作，
Figure 667877DEST_PATH_IMAGE057
是时间域卷积核的参数，激活函数为
Figure 247632DEST_PATH_IMAGE058
。
如果没有采用残差连接结构，则一维卷积计算模块的输出为提取的特征，即模型输入数据为功率特征数据时，输出的是功率特征，模型输入数据为风速特征数据时，输出的是风速特征。
如果空间注意力特征提取模块的空间输入数据与一维卷积计算模块的输出之间采用残差连接，引入残差连接结构，则基于残差连接结构，采用如下公式计算：
Figure 302175DEST_PATH_IMAGE049
；
其中，
Figure 997599DEST_PATH_IMAGE050
为模型输入数据，
Figure 504804DEST_PATH_IMAGE051
为卷积计算模块的输出，即为一维卷积计算模块的输出，
Figure 327397DEST_PATH_IMAGE052
为特征融合模块的输入，也可以理解为提取的特征，即模型输入数据为功率特征数据时，输出的是功率特征，模型输入数据为风速特征数据时，输出的是风速特征。
特征融合模块将输入的功率特征和风速特征进行特征融合，具体所采用的特征融合方式，可以为各种可行的方式，在此不再举例进行详细描述。
在特征融合后，所得到的特征融合结果可以直接作为功率预测的预测结果，即该多个风电场在多个将来时刻的预测功率，也可以在图注意力网络模型中，在特征融合模块之后增加全连接层（图2中未体现），基于对预测结果中所希望包含的将来时刻的数量，利用全连接层，对特征融合得到的特征融合结果进行降维处理，得到指定数量的预测功率，例如，得到该多个风电场在将来16个时刻的预测功率，该16个将来时刻之间相邻时刻间隔15分钟。
从图3可以看出，在考虑注意力机制的用于风电场集群功率预测的图注意力网络模型中，考虑了时间上的注意力和空间上的注意力，分别与图卷积算法进行结合对空间上的特征进行提取，再采用沿时间轴上的卷积对时间特征进行提取，以及采用了残差连接，融合了提取的特征和原始数据，最后采用多任务学习，实现对多个风电场功率的预测，通过对各个风电场预测的功率进行求和，可以得到风电场集群总的功率。
值得一提的是，因为采用了图3所示架构，所以该图注意力网络模型可以通过借鉴相邻风电场的数据进行单风电场的功率预测，可以在提升风电场集群总的预测功率的同时，提高单风电场的预测精度。即便不同的风电场属于不同的运营主体，采用该图注意力网络模型可以借助于多方安全计算的隐私计算的方法进行实现。
基于同一发明构思，根据本申请上述实施例提供的风电场功率预测方法，相应地，本申请另一实施例还提供了一种风电场功率预测装置，其结构示意图如图4所示，具体包括：
数据获取模块41，用于获取风电场集群包括的多个风电场的多个历史时刻的风电功率，作为功率特征数据，以及多个风电场的多个将来时刻的预测风速，作为风速特征数据；
功率预测模块42，用于将多个风电场的功率特征数据和风速特征数据，输入预先建立的图注意力网络模型中，得到多个风电场的预测功率，其中，图注意力网络模型包括注意力特征提取模块、卷积计算模块和特征融合模块，功率特征数据作为模型输入数据，依次经过注意力特征提取模块和卷积计算模块的计算后，得到功率特征，风速特征数据作为模型输入数据，依次经过注意力特征提取模块和卷积计算模块的计算后，得到风速特征，功率特征和风速特征经过特征融合模块的计算后，得到多个风电场的预测功率，注意力特征提取模块包括空间注意力特征提取模块。
进一步的，空间注意力特征提取模块采用如下公式进行计算：
Figure 33185DEST_PATH_IMAGE001
；
Figure 899510DEST_PATH_IMAGE002
；
其中，
Figure 942946DEST_PATH_IMAGE003
为空间注意力特征提取模块的空间输入数据，空间输入数据为功率特征数据或风速特征数据，
Figure 818498DEST_PATH_IMAGE004
为多个风电场的数量，
Figure 582055DEST_PATH_IMAGE005
为每个风电场的特征的数量，
Figure 370013DEST_PATH_IMAGE006
为多个时刻的数量，
Figure 851810DEST_PATH_IMAGE007
，
Figure 62212DEST_PATH_IMAGE008
，
Figure 929542DEST_PATH_IMAGE009
，
Figure 403249DEST_PATH_IMAGE010
，
Figure 169080DEST_PATH_IMAGE011
是用于学习的参数，
Figure 871588DEST_PATH_IMAGE012
是激活函数；
Figure 406474DEST_PATH_IMAGE013
为基于空间注意力特征提取模块的空间输入数据进行计算得到的空间注意力矩阵，
Figure 785503DEST_PATH_IMAGE013
中的元素
Figure 290827DEST_PATH_IMAGE014
表示风电场
Figure 46293DEST_PATH_IMAGE015
和风电场
Figure 638949DEST_PATH_IMAGE016
之间的空间相关性，
Figure 939611DEST_PATH_IMAGE017
为空间注意力特征提取模块的输出数据。
进一步的，注意力特征提取模块还包括时间注意力特征提取模块，时间注意力特征提取模块的输出，作为空间注意力特征提取模块的输入。
进一步的，时间注意力特征提取模块采用如下公式进行计算：
Figure 883296DEST_PATH_IMAGE018
；
Figure 239191DEST_PATH_IMAGE019
；
Figure 201200DEST_PATH_IMAGE020
；
其中，
Figure 922031DEST_PATH_IMAGE003
为时间注意力特征提取模块的时间输入数据，时间输入数据为功率特征数据或风速特征数据，
Figure 884171DEST_PATH_IMAGE004
为多个风电场的数量，
Figure 732172DEST_PATH_IMAGE005
为每个风电场的特征的数量，
Figure 299420DEST_PATH_IMAGE006
为多个时刻的数量，
Figure 253470DEST_PATH_IMAGE021
，
Figure 158365DEST_PATH_IMAGE022
，
Figure 793746DEST_PATH_IMAGE023
，
Figure 277817DEST_PATH_IMAGE024
，
Figure 356762DEST_PATH_IMAGE025
是用于学习的参数，
Figure 496757DEST_PATH_IMAGE026
是激活函数；
Figure 670249DEST_PATH_IMAGE027
为基于时间注意力特征提取模块的时间输入数据进行计算得到的时间注意力矩阵，
Figure 212089DEST_PATH_IMAGE027
中的元素
Figure 757208DEST_PATH_IMAGE028
表示时刻
Figure 118920DEST_PATH_IMAGE015
和时刻
Figure 909152DEST_PATH_IMAGE016
之间的时间依赖关系，
Figure 305499DEST_PATH_IMAGE029
为时间注意力特征提取模块的输出数据；
空间注意力特征提取模块采用如下公式进行计算：
Figure 975514DEST_PATH_IMAGE030
；
Figure 824522DEST_PATH_IMAGE002
；
其中，
Figure 111454DEST_PATH_IMAGE031
为空间注意力特征提取模块的空间输入数据，空间输入数据为时间注意力特征提取模块的输出数据，
Figure 159044DEST_PATH_IMAGE007
，
Figure 734382DEST_PATH_IMAGE008
，
Figure 86997DEST_PATH_IMAGE009
，
Figure 468300DEST_PATH_IMAGE010
，
Figure 573659DEST_PATH_IMAGE011
是用于学习的参数，
Figure 365903DEST_PATH_IMAGE012
是激活函数；
Figure 455082DEST_PATH_IMAGE013
为基于空间注意力特征提取模块的空间输入数据进行计算得到的空间注意力矩阵，
Figure 577759DEST_PATH_IMAGE013
中的元素
Figure 553936DEST_PATH_IMAGE014
表示风电场
Figure 798973DEST_PATH_IMAGE015
和风电场
Figure 109868DEST_PATH_IMAGE016
之间的空间相关性，
Figure 22854DEST_PATH_IMAGE017
为空间注意力特征提取模块的输出数据。
进一步的，卷积计算模块包括图卷积计算模块和一维卷积计算模块，图卷积计算模块的输出，作为一维卷积计算模块的输入。
进一步的，图卷积计算模块采用如下公式进行计算：
Figure 368385DEST_PATH_IMAGE032
；
Figure 518743DEST_PATH_IMAGE033
；
Figure 67668DEST_PATH_IMAGE034
-
Figure 532147DEST_PATH_IMAGE035
；
Figure 528922DEST_PATH_IMAGE036
；
其中，
Figure 302712DEST_PATH_IMAGE037
是风电场
Figure 588199DEST_PATH_IMAGE015
和风电场
Figure 387528DEST_PATH_IMAGE016
之间的地理位置距离，
Figure 192804DEST_PATH_IMAGE038
是
Figure 888228DEST_PATH_IMAGE004
个风电场的地理位置距离的方差，
Figure 661012DEST_PATH_IMAGE039
是距离阈值，D是个风电场的节点度矩阵，
Figure 516229DEST_PATH_IMAGE040
为多个风电场的邻接矩阵，
Figure 690858DEST_PATH_IMAGE041
为多个风电场的Laplacian矩阵；
Figure 88341DEST_PATH_IMAGE003
为功率特征数据或风速特征数据，
Figure 99154DEST_PATH_IMAGE004
为多个风电场的数量，
Figure 443547DEST_PATH_IMAGE005
为每个风电场的特征的数量，
Figure 472683DEST_PATH_IMAGE006
为多个时刻的数量；
参数
Figure 821494DEST_PATH_IMAGE042
是多项式系数的向量，
Figure 303291DEST_PATH_IMAGE043
为矩阵
Figure 716955DEST_PATH_IMAGE041
的最大特征值，
Figure 335018DEST_PATH_IMAGE044
表示Hadamard积，
Figure 356195DEST_PATH_IMAGE045
为图卷积计算模块的输出；
chebyshev多项式的迭代公式为
Figure 59708DEST_PATH_IMAGE046
-
Figure 11484DEST_PATH_IMAGE047
,其中
Figure 64147DEST_PATH_IMAGE048
。
进一步的，注意力特征提取模块的模型输入数据与卷积计算模块的输出之间采用残差连接，所采用的公式如下：
Figure 708755DEST_PATH_IMAGE049
；
其中，
Figure 165144DEST_PATH_IMAGE050
为模型输入数据，
Figure 671343DEST_PATH_IMAGE051
为卷积计算模块的输出，
Figure 998419DEST_PATH_IMAGE052
为特征融合模块的输入。
进一步的，风速特征数据包括多个风电场的多个将来时刻的多个高度的预测风速。
上述各模块的功能可对应于图1-图3所示流程中的相应处理步骤，在此不再赘述。
本申请的实施例所提供的风电场功率预测装置可通过计算机程序实现。本领域技术人员应该能够理解，上述的模块划分方式仅是众多模块划分方式中的一种，如果划分为其他模块或不划分模块，只要墙体彩绘打印装置具有上述功能，都应该在本申请的保护范围之内。
基于同一发明构思，根据本申请上述实施例提供的风电场功率预测方法，相应地，本申请另一实施例还提供了一种电子设备，其结构示意图如图5所示，具体包括：处理器51和机器可读存储介质52，机器可读存储介质52存储有能够被处理器51执行的机器可执行指令，处理器51被机器可执行指令促使：实现上述任一风电场功率预测方法。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现上述任一风电场功率预测方法。
本申请实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一风电场功率预测方法。
上述电子设备中的机器可读存储介质可以包括随机存取存储器（Random AccessMemory，RAM），也可以包括非易失性存储器（Non-Volatile Memory，NVM），例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital SignalProcessing，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质，计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请是参照根据本申请实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (11)

1.一种风电场功率预测方法，其特征在于，包括：
获取风电场集群包括的多个风电场的多个历史时刻的风电功率，作为功率特征数据，以及所述多个风电场的多个将来时刻的预测风速，作为风速特征数据；
将所述多个风电场的所述功率特征数据和所述风速特征数据，输入预先建立的图注意力网络模型中，得到所述多个风电场的预测功率，其中，所述图注意力网络模型包括注意力特征提取模块、卷积计算模块和特征融合模块，所述功率特征数据作为模型输入数据，依次经过所述注意力特征提取模块和所述卷积计算模块的计算后，得到功率特征，所述风速特征数据作为模型输入数据，依次经过所述注意力特征提取模块和所述卷积计算模块的计算后，得到风速特征，所述功率特征和所述风速特征经过所述特征融合模块的计算后，得到所述多个风电场的所述预测功率，所述注意力特征提取模块包括空间注意力特征提取模块。
2.如权利要求1所述的方法，其特征在于，所述空间注意力特征提取模块采用如下公式进行计算：
Figure 8226DEST_PATH_IMAGE001
；
Figure 702644DEST_PATH_IMAGE002
；
其中，
Figure 527380DEST_PATH_IMAGE003
为空间注意力特征提取模块的空间输入数据，所述空间输入数据为所述功率特征数据或所述风速特征数据，
Figure 20547DEST_PATH_IMAGE004
为所述多个风电场的数量，
Figure 6958DEST_PATH_IMAGE005
为每个风电场的特征的数量，
Figure 703518DEST_PATH_IMAGE006
为多个时刻的数量，
Figure 551520DEST_PATH_IMAGE007
，
Figure 384347DEST_PATH_IMAGE008
，
Figure 807238DEST_PATH_IMAGE009
，
Figure 977712DEST_PATH_IMAGE010
，
Figure 878672DEST_PATH_IMAGE011
是用于学习的参数，
Figure 831585DEST_PATH_IMAGE012
是激活函数；
Figure 910530DEST_PATH_IMAGE013
为基于空间注意力特征提取模块的空间输入数据进行计算得到的空间注意力矩阵，
Figure 316104DEST_PATH_IMAGE013
中的元素
Figure 755176DEST_PATH_IMAGE014
表示风电场
Figure 297015DEST_PATH_IMAGE015
和风电场
Figure 45397DEST_PATH_IMAGE016
之间的空间相关性，
Figure 938267DEST_PATH_IMAGE017
为空间注意力特征提取模块的输出数据。
3.如权利要求1所述的方法，其特征在于，所述注意力特征提取模块还包括时间注意力特征提取模块，所述时间注意力特征提取模块的输出，作为所述空间注意力特征提取模块的输入。
4.如权利要求3所述的方法，其特征在于，所述时间注意力特征提取模块采用如下公式进行计算：
Figure 181030DEST_PATH_IMAGE018
；
Figure 593687DEST_PATH_IMAGE019
；
Figure 529282DEST_PATH_IMAGE020
；
其中，
Figure 909448DEST_PATH_IMAGE003
为时间注意力特征提取模块的时间输入数据，所述时间输入数据为所述功率特征数据或所述风速特征数据，
Figure 473678DEST_PATH_IMAGE004
为所述多个风电场的数量，
Figure 990110DEST_PATH_IMAGE005
为每个风电场的特征的数量，
Figure 96606DEST_PATH_IMAGE006
为多个时刻的数量，
Figure 183642DEST_PATH_IMAGE021
，
Figure 768207DEST_PATH_IMAGE022
，
Figure 185151DEST_PATH_IMAGE023
，
Figure 728128DEST_PATH_IMAGE024
，
Figure 82886DEST_PATH_IMAGE025
是用于学习的参数，
Figure 221874DEST_PATH_IMAGE026
是激活函数；
Figure 712898DEST_PATH_IMAGE027
为基于时间注意力特征提取模块的时间输入数据进行计算得到的时间注意力矩阵，
Figure 161197DEST_PATH_IMAGE027
中的元素
Figure 989869DEST_PATH_IMAGE028
表示时刻
Figure 916237DEST_PATH_IMAGE015
和时刻
Figure 261768DEST_PATH_IMAGE016
之间的时间依赖关系，
Figure 631700DEST_PATH_IMAGE029
为时间注意力特征提取模块的输出数据；
所述空间注意力特征提取模块采用如下公式进行计算：
Figure 429892DEST_PATH_IMAGE030
；
Figure 425530DEST_PATH_IMAGE002
；
其中，
Figure 874835DEST_PATH_IMAGE031
为空间注意力特征提取模块的空间输入数据，所述空间输入数据为所述时间注意力特征提取模块的输出数据，
Figure 664936DEST_PATH_IMAGE007
，
Figure 950424DEST_PATH_IMAGE008
，
Figure 500485DEST_PATH_IMAGE009
，
Figure 555029DEST_PATH_IMAGE010
，
Figure 250452DEST_PATH_IMAGE011
是用于学习的参数，
Figure 23236DEST_PATH_IMAGE012
是激活函数；
Figure 359014DEST_PATH_IMAGE013
为基于空间注意力特征提取模块的空间输入数据进行计算得到的空间注意力矩阵，
Figure 533643DEST_PATH_IMAGE013
中的元素
Figure 665547DEST_PATH_IMAGE014
表示风电场
Figure 660048DEST_PATH_IMAGE015
和风电场
Figure 286332DEST_PATH_IMAGE016
之间的空间相关性，
Figure 315468DEST_PATH_IMAGE017
为空间注意力特征提取模块的输出数据。
5.如权利要求1-4任一所述的方法，其特征在于，所述卷积计算模块包括图卷积计算模块和一维卷积计算模块，所述图卷积计算模块的输出，作为所述一维卷积计算模块的输入。
6.如权利要求5所述的方法，其特征在于，所述图卷积计算模块采用如下公式进行计算：
Figure 618274DEST_PATH_IMAGE032
；
Figure 614917DEST_PATH_IMAGE033
；
Figure 28581DEST_PATH_IMAGE034
-
Figure 177803DEST_PATH_IMAGE035
；
Figure 402242DEST_PATH_IMAGE036
；
其中，
Figure 371335DEST_PATH_IMAGE037
是风电场
Figure 854269DEST_PATH_IMAGE015
和风电场
Figure 110194DEST_PATH_IMAGE016
之间的地理位置距离，
Figure 754802DEST_PATH_IMAGE038
是
Figure 476770DEST_PATH_IMAGE004
个风电场的地理位置距离的方差，
Figure 232237DEST_PATH_IMAGE039
是距离阈值，D是个风电场的节点度矩阵，
Figure 841204DEST_PATH_IMAGE040
为所述多个风电场的邻接矩阵，
Figure 391134DEST_PATH_IMAGE041
为所述多个风电场的Laplacian矩阵；
Figure 600398DEST_PATH_IMAGE003
为所述功率特征数据或所述风速特征数据，
Figure 408823DEST_PATH_IMAGE004
为所述多个风电场的数量，
Figure 387144DEST_PATH_IMAGE005
为每个风电场的特征的数量，
Figure 639133DEST_PATH_IMAGE006
为多个时刻的数量；
参数
Figure 555268DEST_PATH_IMAGE042
是多项式系数的向量，
Figure 652537DEST_PATH_IMAGE043
为矩阵
Figure 750943DEST_PATH_IMAGE041
的最大特征值，
Figure 908255DEST_PATH_IMAGE044
表示Hadamard积，
Figure 78729DEST_PATH_IMAGE045
为所述图卷积计算模块的输出；
chebyshev多项式的迭代公式为
Figure 979689DEST_PATH_IMAGE046
-
Figure 932602DEST_PATH_IMAGE047
,其中
Figure 11547DEST_PATH_IMAGE048
。
7.如权利要求1-4任一所述的方法，其特征在于，所述注意力特征提取模块的模型输入数据与所述卷积计算模块的输出之间采用残差连接，所采用的公式如下：
Figure 417121DEST_PATH_IMAGE049
；
其中，
Figure 856193DEST_PATH_IMAGE050
为所述模型输入数据，
Figure 912879DEST_PATH_IMAGE051
为所述卷积计算模块的输出，
Figure 677573DEST_PATH_IMAGE052
为所述特征融合模块的输入。
8.如权利要求1-4任一所述的方法，其特征在于，所述风速特征数据包括所述多个风电场的多个将来时刻的多个高度的预测风速。
9.一种风电场功率预测装置，其特征在于，包括：
数据获取模块，用于获取风电场集群包括的多个风电场的多个历史时刻的风电功率，作为功率特征数据，以及所述多个风电场的多个将来时刻的预测风速，作为风速特征数据；
功率预测模块，用于将所述多个风电场的所述功率特征数据和所述风速特征数据，输入预先建立的图注意力网络模型中，得到所述多个风电场的预测功率，其中，所述图注意力网络模型包括注意力特征提取模块、卷积计算模块和特征融合模块，所述功率特征数据作为模型输入数据，依次经过所述注意力特征提取模块和所述卷积计算模块的计算后，得到功率特征，所述风速特征数据作为模型输入数据，依次经过所述注意力特征提取模块和所述卷积计算模块的计算后，得到风速特征，所述功率特征和所述风速特征经过所述特征融合模块的计算后，得到所述多个风电场的所述预测功率，所述注意力特征提取模块包括空间注意力特征提取模块。
10.一种电子设备，其特征在于，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使：实现权利要求1-8任一所述的方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8任一所述的方法。
CN202111568234.2A 2021-12-21 2021-12-21 一种风电场功率预测方法、装置及电子设备 Pending CN113962495A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111568234.2A CN113962495A (zh) 2021-12-21 2021-12-21 一种风电场功率预测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111568234.2A CN113962495A (zh) 2021-12-21 2021-12-21 一种风电场功率预测方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN113962495A true CN113962495A (zh) 2022-01-21

Family

ID=79473351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111568234.2A Pending CN113962495A (zh) 2021-12-21 2021-12-21 一种风电场功率预测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113962495A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114118638A (zh) * 2022-01-28 2022-03-01 华控清交信息科技(北京)有限公司 风电场功率预测方法、gbdt模型横向训练方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111292562A (zh) * 2020-05-12 2020-06-16 北京航空航天大学 一种航空流量预测方法
CN112529282A (zh) * 2020-12-03 2021-03-19 清华大学 基于时空图卷积神经网络的风电场集群短期功率预测方法
CN113705880A (zh) * 2021-08-25 2021-11-26 杭州远眺科技有限公司 基于时空注意力图卷积网络的交通速度预测方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111292562A (zh) * 2020-05-12 2020-06-16 北京航空航天大学 一种航空流量预测方法
CN112529282A (zh) * 2020-12-03 2021-03-19 清华大学 基于时空图卷积神经网络的风电场集群短期功率预测方法
CN113705880A (zh) * 2021-08-25 2021-11-26 杭州远眺科技有限公司 基于时空注意力图卷积网络的交通速度预测方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114118638A (zh) * 2022-01-28 2022-03-01 华控清交信息科技(北京)有限公司 风电场功率预测方法、gbdt模型横向训练方法及装置
CN114118638B (zh) * 2022-01-28 2022-04-19 华控清交信息科技(北京)有限公司 风电场功率预测方法、gbdt模型横向训练方法及装置

Similar Documents

Publication Publication Date Title
Liu et al. Short-term offshore wind speed forecast by seasonal ARIMA-A comparison against GRU and LSTM
Feng et al. A data-driven multi-model methodology with deep feature selection for short-term wind forecasting
Ahmed et al. An intelligent framework for short-term multi-step wind speed forecasting based on Functional Networks
US20230128989A1 (en) Systems and methods of data preprocessing and augmentation for neural network climate forecasting models
US11835677B2 (en) Systems and methods for selecting global climate simulation models for training neural network climate forecasting models
Bamisile et al. Comparison of machine learning and deep learning algorithms for hourly global/diffuse solar radiation predictions
CN110686633B (zh) 一种滑坡位移预测方法、装置及电子设备
Pourhabib et al. Short-term wind speed forecast using measurements from multiple turbines in a wind farm
Jiang et al. Global horizontal radiation forecast using forward regression on a quadratic kernel support vector machine: Case study of the Tibet Autonomous Region in China
Junior et al. Optimized hybrid ensemble learning approaches applied to very short-term load forecasting
Schefzik et al. Ensemble postprocessing methods incorporating dependence structures
Engeland et al. Probabilistic postprocessing models for flow forecasts for a system of catchments and several lead times
CN114330935A (zh) 基于多种结合策略集成学习的新能源功率预测方法和***
CN111815043B (zh) 一种基于暴雨特征的洪水流量预测方法及***
CN113962495A (zh) 一种风电场功率预测方法、装置及电子设备
Wang et al. Customized deep learning for precipitation bias correction and downscaling
Beyaztas et al. A functional autoregressive model based on exogenous hydrometeorological variables for river flow prediction
Khatun et al. Two novel error-updating model frameworks for short-to-medium range streamflow forecasting using bias-corrected rainfall inputs: Development and comparative assessment
Smith et al. Testing probabilistic adaptive real‐time flood forecasting models
Muschinski et al. Predicting power ramps from joint distributions of future wind speeds
Escalante-Sandoval et al. Regional monthly runoff forecast in southern Canada using ANN, K-means, and L-moments techniques
Corani et al. An application of pruning in the design of neural networks for real time flood forecasting
Sanz-Alcaine et al. Online voltage prediction using gaussian process regression for fault-tolerant photovoltaic standalone applications
Qamar et al. Monthly runoff regime regionalization through dissimilarity-based methods
Saranya et al. A comparative evaluation of streamflow prediction using the SWAT and NNAR models in the Meenachil River Basin of Central Kerala, India

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220121