CN115034432A - 一种风电场风力发电机组风速预测方法 - Google Patents

Abstract

本发明公开了一种风电场机组风速预测方法。针对现有风电场机组风速预测技术中存在的预测精度不高、不适用于大数据处理、建模过程复杂的问题；本发明包括以下步骤：步骤1、获取风电场各机组信息，对数据进行预处理；步骤2、基于图网络的空间特征提取；步骤3、基于门控循环单元神经网络的时间特征提取；步骤4、时空特征融合，实现风电场各风机风速的预测。优点是从风电场机组的空间分布特征以及风速数据的时间特征两方面结合考虑构建技术方案，提出了一种风电场机组风速预测方法，实现了对全场机组风速的有效预测。

Description

一种风电场风力发电机组风速预测方法

技术领域

本发明涉及风电技术领域，尤其涉及一种风电场风力发电机组风速预测方法。

背景技术

风速作为风能的一种重要衡量指标，其变化对于风力发电机组控制、风电场发电量等具有着重要影响。因此，对风电场机组风速进行预测，提高风力发电机组风速预测精度，对于风力发电机组控制优化、电网调度等具有着重要意义。

现有的风电场机组风速预测方法主要可以分为以下几类：1.基于数理统计分析的风速预测技术，例如自回归模型，ARIMA模型等，这类技术主要根据历史时序数据的关系分析实现风速数据的预测；2.基于机器学习模型的风速预测技术，例如支持向量机、反向传播神经网络、Xgboost等，这类技术主要通过数据特征挖掘实现风速数据的预测；3.基于机理模型的风速预测技术，这类技术主要通过对风速影响因素建模实现风速的预测。

虽然上述方法均可实现风电场机组风速的预测，但是也存在一定的局限性。例如，基于数理统计分析的风速预测技术容易受历史数据中异常数据影响，且无法适用于大数据处理；基于机器学习模型的风速预测技术相比于数理统计技术有着更强的数据特征分析能力，但是大部分技术依旧仅考虑时间特征影响且无法挖掘数据深层特征；基于机理模型的风速预测技术，需要采集大量数据且计算过程复杂。

例如，一种在中国专利文献上公开的“一种基于卷积循环神经网络的风电场内多点位风速预测方法”，其公开号CN110889535A，公开日2020-03-17，包括以下步骤：步骤一：采集风电场的运行数据，采集的数据包括多台风电机组位置处的实测风速和实测风向；步骤二：根据步骤一所采集的数据建立基于卷积循环神经网络的风电场内多点位风速预测模型的卷积模块；步骤三：根据步骤一建立基于卷积循环神经网络的风电场内多点位风速预测模型的LSTM模块；步骤四：将卷积模块和LSTM模块的输出连接，步骤五：以平均绝对误差(MAE)损失函数指标训练神经网络模型。该技术方案采用基于卷积循环神经网络的风电场内多点位风速预测模型的LSTM模块，LSTM模块在并行处理上存在劣势，当处理的数据过多时会导致预测精度不高且计算费时的问题。

发明内容

本发明为克服现有风电场机组风速预测技术中存在的预测精度不高、不适用于大数据处理、建模过程复杂的问题，从数据驱动角度出发，结合风电场机组潜在的空间特征及风速数据时间特征构建技术方案，提供了一种风电场机组风速预测方法。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

本发明包括以下步骤：

步骤1、获取风电场各机组信息，对数据进行预处理：收集风电场各机组地理位置信息、风速信息，对地理位置信息以及风速信息进行数据预处理；

步骤2、基于图网络的空间特征提取：基于风电场各机组地理位置信息构建图网络，通过图卷积操作进行风电场机组空间特征信息提取；

步骤3、基于门控循环单元神经网络的时间特征提取：基于风电场各机组风速信息，通过门控循环单元神经网络进行风电场机组风速信息的时间特征提取；

步骤4、时空特征融合，实现风电场各风机风速的预测：将风电场各机组空间特征与各机组风速时间特征进行特征融合处理，基于时空融合特征通过多层全连接层网络实现风电场各风机风速的预测。

本方案从风电场风速空间分布影响和风速变化趋势两个方面结合考虑构建技术方案，采用风电场机组排布位置信息构建风电场机组网络，提取机组间空间关联，获取风电场风速空间分布特征；采用风电场机组风速信息，基于门控循环单元神经网络，提取各机组风速序列时间特征，获取风电场各机组风速变化趋势特征；最后结合空间特征与时间特征实现风电场各机组的风速有效预测。

作为优选，所述步骤1中获取风电场各机组地理位置信息，对数据进行预处理：获取风电场各机组地理位置信息经度和纬度，对地理位置信息进行预处理；

设定目标风电场风机数量为N，各机组地理位置信息集合为P＝{Lat_i,Lon_i}，各机组风速信息集合为V＝{V_i}。其中，1≤i≤N，Lat_i表示第i台机组的纬度，Lon_i表示第i台机组的经度，V_i表示第i台机组风速信息集合；

基于上述设定，对机组地理位置信息进行距离计算处理，构建距离集合Dis＝{d_ij}，1≤i≤N，1≤j≤N，d_ij计算公式如下：

ΔLat′_ij＝Lat′_i-Lat′_j

ΔLon′_ij＝Lon′_i-Lont′_j

式中，temp_ij为中间计算变量，d_ij为风力发电机组i与风力发电机组j之间的距离。

采用本方案可以计算机组地理位置信息，并对数据信息进行预处理，从而使得数据更加规范，便于之后的计算。

作为优选，所述步骤1中获取风电场各机组风速信息，对数据进行预处理：获取风电场机组风速信息，对机组风速数据进行标准化处理、序列化处理；

标准化计算公式如下：

式中，V_i＝{v_it}，v_it为第i台机组t时刻风速数据，v′_it为第i台机组t时刻标准化后的风速数据；

序列化处理结果如下：

式中，n为每台机组的风速数据数量，T为历史时间窗口大小，P为预测窗口大小，X为机组风速历史数据集合，S为机组预测风速数据集合。

采用本方案可以计算风电场各机组风速信息，并对数据信息进行标准化处理、序列化处理，从而使得数据更加规范。

作为优选，所述步骤2中的具体内容为：

步骤2-1、基于风电场机组地理位置信息构建图网络：

以风电场风电机组为结点V，风电机组直线路径为边E，构建风电机组图G＝(V，E，A)，其中A为图G的邻接矩阵；

根据风电场风电机组距离计算结果Dis构建风电机组邻接矩阵A，构建流程如下：

式中，σ为Dis的方差；

步骤2-2、基于图卷积网络进行风电场机组空间特征信息提取：

设定图卷积网络输入数据为x,则图卷积网络计算过程如下：

g_θ*_Gx＝g_θ(L)x＝g_θ(U∧U^T)x＝Ug_θ(∧)U^Tx

L＝D-A

式中，g_θ为参数为θ的拉普拉斯函数，*_G为图卷积操作，L为拉普拉斯矩阵，A为邻接矩阵，D为度矩阵，U为正交矩阵，U^T为正交矩阵的转置，∧为由L特征值构成的对角矩阵。

采用本方案是为了基于图网络获取风电场机组空间特征信息。

作为优选，所述图网络较大时、风电场机组数据较多时对应的拉普拉斯矩阵特征值求解时间较长，因此采用切尔比雪夫多项式来解决上述问题，计算过程如下：

式中，T_k(x)＝2xT_k-1(x)-T_k-2(x)，T₀(x)＝1，T₁(x)＝x，K＝2为切尔比雪夫多项式阶数，θ_k为切尔比雪夫多项式中第k个多项式前面的系数，L′为标准化的拉普拉斯矩阵，λ_max为拉普拉斯矩阵L的最大特征值，I为单位矩阵。

采用本方案是因为考虑到在图网络较大时即风电场机组数据较多时，对应的求解过程会过于复杂，从而采用切尔比雪夫多项式简化求解过程。

作为优选，所述步骤3中的具体内容为：

步骤3-1、构建门控循环单元神经网络：

假设门控循环单元神经网络输入为x_t，则门控循环单元神经网络计算过程如下：

z_t＝σ(W_zx_t+U_zh_t-1)

r_t＝σ(W_rx_t+U_rh_t-1)

式中，σ为sigmoid激活函数，o为点乘计算，z_t为更新门输出结果，r_t为重置门输出结果，h_t为隐藏层输出结果，W_z、W_r、W_h分别为更新门、重置门、细胞单元中x_t输入下的权重矩阵，U_z、U_r、U_h分别为更新门、重置门、细胞单元中h_t-1输入下的权重矩阵；

步骤3-2、基于门控循环单元神经网络提取风电机组风速数据的时间特征：

将风电机组风速数据序列化后结果X按照机组划分为N组，即X＝{X₁,X₂,…,X_N},分别对风电场内每台机组风速数据集合X_i进行时间特征提取，提取过程如下：

H_i＝GRU(X_i)

H＝{H_i}

式中，H_i为第i台机组提取的时间特征，GRU表示门控循环单元神经网络，H为风电场机组提取的时间特征的集合。

采用本方案是为了基于风电场各机组风速信息，通过门控循环单元神经网络进行风电场机组风速信息的时间特征提取。

作为优选，所述步骤4中的具体内容为：

步骤4-1、特征融合处理：

对风电场机组风速时间特征和空间特征进行特征融合，融合过程如下：

Z＝H+g_θ*_GX

步骤4-2、风电场各机组风速的预测输出：

基于融合特征以及多层全连接层输出预测结果，计算过程如下:

Y＝W_y2(W_y1Z+b_y1)+b_y2

式中，W_y1、b_y1为第一层全连接层权重与偏置，W_y2、b_y2第二层全连接层权重与偏置，Y为预测结果输出。

采用本方案是为了将风电场各机组空间特征与各机组风速时间特征进行特征融合处理，基于时空融合特征通过多层全连接层网络实现风电场各风机风速的预测。

本发明的有益效果是：1、本发明从风电场机组的空间分布特征以及风速数据的时间特征两方面结合考虑构建技术方案，提出了一种风电场机组风速预测方法，实现了对全场机组风速的有效预测；2、本发明中以风机为结点构建风电场风机图网络，挖掘风电场机组风速空间特征，相比于单一的基于时间特征统计分析的方法，空间特征的挖掘、融合将进一步提高风速预测的精度。

附图说明

图1是本发明的流程图。

图2是本发明的风电场机组风速预测模型框架图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

本实施例的一种风电场风力发电机组风速预测方法，如图1所示，包括以下步骤：

步骤1、获取风电场各机组信息，对数据进行预处理：收集风电场各机组地理位置信息、风速信息，对地理位置信息以及风速信息进行数据预处理；

步骤1-1、获取风电场各机组地理位置信息，对数据进行预处理：获取风电场各机组地理位置信息经度和纬度，对地理位置信息进行预处理；

设定目标风电场风机数量为N，各机组地理位置信息集合为P＝{Lat_i,Lon_i}，各机组风速信息集合为V＝{V_i}。其中，1≤i≤N，Lat_i表示第i台机组的纬度，Lon_i表示第i台机组的经度，V_i表示第i台机组风速信息集合；

基于上述设定，对机组地理位置信息进行距离计算处理，构建距离集合Dis＝{d_ij}，1≤i≤N，1≤j≤N，d_ij计算公式如下：

ΔLat′_ij＝Lat′_i-Lat′_j

ΔLon′_ij＝Lon′_i-Lont′_j

式中，temp_ij为中间计算变量，d_ij为风力发电机组i与风力发电机组j之间的距离；

步骤1-2、获取风电场各机组风速信息，对数据进行预处理：获取风电场机组风速信息，对机组风速数据进行标准化处理、序列化处理；

标准化计算公式如下：

式中，V_i＝{v_it}，v_it为第i台机组t时刻风速数据，v′_it为第i台机组t时刻标准化后的风速数据；

序列化处理结果如下：

式中，n为每台机组的风速数据数量，T为历史时间窗口大小，P为预测窗口大小，X为机组风速历史数据集合，S为机组预测风速数据集合。

步骤2、基于图网络的空间特征提取：基于风电场各机组地理位置信息构建图网络，通过图卷积操作进行风电场机组空间特征信息提取；具体内容为：

步骤2-1、基于风电场机组地理位置信息构建图网络：

以风电场风电机组为结点V，风电机组直线路径为边E，构建风电机组图G＝(V，E，A)，其中A为图G的邻接矩阵；

根据风电场风电机组距离计算结果Dis构建风电机组邻接矩阵A，构建流程如下：

式中，σ为Dis的方差；

步骤2-2、基于图卷积网络进行风电场机组空间特征信息提取：

设定图卷积网络输入数据为x,则图卷积网络计算过程如下：

g_θ*_Gx＝g_θ(L)x＝g_θ(U∧U^T)x＝Ug_θ(∧)U^Tx

L＝D-A

式中，g_θ为参数为θ的拉普拉斯函数，*_G为图卷积操作，L为拉普拉斯矩阵，A为邻接矩阵，D为度矩阵，U为正交矩阵，U^T为正交矩阵的转置，∧为由L特征值构成的对角矩阵；

考虑到图网络较大时、风电场机组数据较多时对应的拉普拉斯矩阵特征值求解时间较长，因此采用切尔比雪夫多项式来解决上述问题，计算过程如下：

式中，T_k(x)＝2xT_k-1(x)-T_k-2(x)，T₀(x)＝1，T₁(x)＝x，K＝2为切尔比雪夫多项式阶数，θ_k为切尔比雪夫多项式中第k个多项式前面的系数，L′为标准化的拉普拉斯矩阵，λ_max为拉普拉斯矩阵L的最大特征值，I为单位矩阵。

步骤3、基于门控循环单元神经网络的时间特征提取：基于风电场各机组风速信息，通过门控循环单元神经网络进行风电场机组风速信息的时间特征提取；具体内容为：

步骤3-1、构建门控循环单元神经网络：

假设门控循环单元神经网络输入为x_t，则门控循环单元神经网络计算过程如下：

z_t＝σ(W_zx_t+U_zh_t-1)

r_t＝σ(W_rx_t+U_rh_t-1)

式中，σ为sigmoid激活函数，o为点乘计算，z_t为更新门输出结果，r_t为重置门输出结果，h_t为隐藏层输出结果，W_z、W_r、W_h分别为更新门、重置门、细胞单元中x_t输入下的权重矩阵，Uz、U_r、U_h分别为更新门、重置门、细胞单元中h_t-1输入下的权重矩阵；

步骤3-2、基于门控循环单元神经网络提取风电机组风速数据的时间特征：

将风电机组风速数据序列化后结果X按照机组划分为N组，即X＝{X₁,X₂,…,X_N},分别对风电场内每台机组风速数据集合X_i进行时间特征提取，提取过程如下：

H_i＝GRU(X_i)

H＝{H_i}

式中，H_i为第i台机组提取的时间特征，GRU表示门控循环单元神经网络，H为风电场机组提取的时间特征的集合。

步骤4、时空特征融合，实现风电场各风机风速的预测：将风电场各机组空间特征与各机组风速时间特征进行特征融合处理，基于时空融合特征通过多层全连接层网络实现风电场各风机风速的预测；如图2所示，具体内容为：

步骤4-1、特征融合处理：

对风电场机组风速时间特征和空间特征进行特征融合，融合过程如下：

Z＝H+g_θ*_GX

步骤4-2、风电场各机组风速的预测输出：

基于融合特征以及多层全连接层输出预测结果，计算过程如下:

Y＝W_y2(W_y1Z+b_y1)+b_y2

式中，W_y1、b_y1为第一层全连接层权重与偏置，W_y2、b_y2第二层全连接层权重与偏置，Y为预测结果输出。

本实施例以风机为点，基于风力发电机组经纬度信息，构建风电场风力发电机组图网络；在风电场风力发电机组图网络构建过程中，提出一种邻接矩阵计算方式，替代传统{0，1}邻接矩阵表示方式，更好地表达了风力发电机组的空间关系；从空间和时间两个方面提取风电场风力发电机组风速数据特征，基于图卷积操作从风电场风力发电机组图网络中提取空间特征；基于门控循环单元神经网络从风电场风力发电机组风速数据中提取时间特征、时空特征的综合考虑进一步提高了风电场整场风力发电机组风速的预测精度。

应理解，实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

Claims (7)

1.一种风电场风力发电机组风速预测方法，其特征在于，包括以下步骤：

步骤1、获取风电场各机组信息，对数据进行预处理：收集风电场各机组地理位置信息、风速信息，对地理位置信息以及风速信息进行数据预处理；

步骤2、基于图网络的空间特征提取：基于风电场各机组地理位置信息构建图网络，通过图卷积操作进行风电场机组空间特征信息提取；

步骤3、基于门控循环单元神经网络的时间特征提取：基于风电场各机组风速信息，通过门控循环单元神经网络进行风电场机组风速信息的时间特征提取；

步骤4、时空特征融合，实现风电场各风机风速的预测：将风电场各机组空间特征与各机组风速时间特征进行特征融合处理，基于时空融合特征通过多层全连接层网络实现风电场各风机风速的预测。

2.根据权利要求1所述的一种风电场风力发电机组风速预测方法，其特征在于，所述步骤1中获取风电场各机组地理位置信息，对数据进行预处理：获取风电场各机组地理位置信息经度和纬度，对地理位置信息进行预处理；

设定目标风电场风机数量为N，各机组地理位置信息集合为P＝{Lat_i,Lon_i}，各机组风速信息集合为V＝{V_i}。其中，1≤i≤N，Lat_i表示第i台机组的纬度，Lon_i表示第i台机组的经度，V_i表示第i台机组风速信息集合；

基于上述设定，对机组地理位置信息进行距离计算处理，构建距离集合Dis＝{d_ij}，1≤i≤N，1≤j≤N，d_ij计算公式如下：

ΔLat′_ij＝Lat′_i-Lat′_j

ΔLon′_ij＝Lon′_i-Lont′_j

式中，temp_ij为中间计算变量，d_ij为风力发电机组i与风力发电机组j之间的距离。

3.根据权利要求2所述的一种风电场风力发电机组风速预测方法，其特征在于，所述步骤1中获取风电场各机组风速信息，对数据进行预处理：获取风电场机组风速信息，对机组风速数据进行标准化处理、序列化处理；

标准化计算公式如下：

式中，V_i＝{v_it}，v_it为第i台机组t时刻风速数据，v′_it为第i台机组t时刻标准化后的风速数据；

序列化处理结果如下：

式中，n为每台机组的风速数据数量，T为历史时间窗口大小，P为预测窗口大小，X为机组风速历史数据集合，S为机组预测风速数据集合。

4.根据权利要求1所述的一种风电场风力发电机组风速预测方法，其特征在于，所述步骤2中的具体内容为：

步骤2-1、基于风电场机组地理位置信息构建图网络：

以风电场风电机组为结点V，风电机组直线路径为边E，构建风电机组图G＝(V，E，A)，其中A为图G的邻接矩阵；

根据风电场风电机组距离计算结果Dis构建风电机组邻接矩阵A，构建流程如下：

式中，σ为Dis的方差；

步骤2-2、基于图卷积网络进行风电场机组空间特征信息提取：

设定图卷积网络输入数据为x,则图卷积网络计算过程如下：

L＝D-A

式中，g_θ为参数为θ的拉普拉斯函数，*_G为图卷积操作，L为拉普拉斯矩阵，A为邻接矩阵，D为度矩阵，U为正交矩阵，U^T为正交矩阵的转置，∧为由L特征值构成的对角矩阵。

5.根据权利要求4所述的一种风电场风力发电机组风速预测方法，其特征在于，所述图网络较大时、风电场机组数据较多时对应的拉普拉斯矩阵特征值求解时间较长，因此采用切尔比雪夫多项式来解决上述问题，计算过程如下：

式中，T_k(x)＝2xT_k-1(x)-T_k-2(x)，T₀(x)＝1，T₁(x)＝x，K＝2为切尔比雪夫多项式阶数，θ_k为切尔比雪夫多项式中第k个多项式前面的系数，L′为标准化的拉普拉斯矩阵，λ_max为拉普拉斯矩阵L的最大特征值，I为单位矩阵。

6.根据权利要求3所述的一种风电场风力发电机组风速预测方法，其特征在于，所述步骤3中的具体内容为：

步骤3-1、构建门控循环单元神经网络：

假设门控循环单元神经网络输入为x_t，则门控循环单元神经网络计算过程如下：

z_t＝σ(W_zx_t+U_zh_t-1)

r_t＝σ(W_rx_t+U_rh_t-1)

式中，σ为sigmoid激活函数，o为点乘计算，z_t为更新门输出结果，r_t为重置门输出结果，h_t为隐藏层输出结果，W_z、W_r、W_h分别为更新门、重置门、细胞单元中x_t输入下的权重矩阵，U_z、U_r、U_h分别为更新门、重置门、细胞单元中h_t-1输入下的权重矩阵；

步骤3-2、基于门控循环单元神经网络提取风电机组风速数据的时间特征：

将风电机组风速数据序列化后结果X按照机组划分为N组，即X＝{X₁,X₂,…,X_N},分别对风电场内每台机组风速数据集合X_i进行时间特征提取，提取过程如下：

H_i＝GRU(X_i)

H＝{H_i}

式中，H_i为第i台机组提取的时间特征，GRU表示门控循环单元神经网络，H为风电场机组提取的时间特征的集合。

7.根据权利要求1所述的一种风电场风力发电机组风速预测方法，其特征在于，所述步骤4中的具体内容为：

步骤4-1、特征融合处理：

对风电场机组风速时间特征和空间特征进行特征融合，融合过程如下：

Z＝H+g_θ*GX

步骤4-2、风电场各机组风速的预测输出：

基于融合特征以及多层全连接层输出预测结果，计算过程如下:

Y＝W_y2(W_y1Z+b_y1)+b_y2

式中，W_y1、b_y1为第一层全连接层权重与偏置，W_y2、b_y2第二层全连接层权重与偏置，Y为预测结果输出。

Images