CN115293415A - 计及时间演变和空间相关的多风电场短期功率预测方法 - Google Patents

Abstract

本发明公开了一种计及时间演变和空间相关的多风电场短期功率预测方法，主要分为四个模块：输入模块进行数据的采集和预处理工作，对象是目标地区多风电场的历史功率和气象预测数据；时间演变模式追踪模块通过门控循环单元和多核卷积层分别提取历史风电数据的时序性和多周期性时间演变模式；空间相关模式注意模块引入时变模式注意力机制对多空间变量的不同时间演变模式赋予相关性权重；最后输出模块输出多风电场功率日前预测场景。本发明通过构建具有深度学习能力的时空融合多风电场短期功率预测模型，完整考虑了风电序列的时间演变模式，弥补了现有多种模型静态提取空间依赖关系的缺陷，达到了提升预测精度和稳健性的目的。

Description

计及时间演变和空间相关的多风电场短期功率预测方法

技术领域

本发明属于可再生能源发电与综合消纳领域，具体涉及一种计及时间演变和空间相关的多风电场短期功率预测方法。

背景技术

近年来，我国风电装机容量及其在发电侧的占比持续增长，受制于风能天然的强随机性和不确定性，大规模风电并网所面临的风电消纳和弃风问题日益凸显。精准的短期风电功率预测可有效应对风电功率所固有的随机性和波动性，为电力***调度运行和优化决策提供依据，从而保证大规模风电并网后的安全经济运行。因此，研究短期风电功率预测技术具有重要的现实意义。

目前，国内外对风电功率预测的研究越来越深入，预测方法体系正在不断地完善和扩充。相较于单风电场，多风电场功率预测的挑战在于输入变量多维化，时空关系复杂且相互交织。由于气象演变过程具有时空连续性，区域内风电场之间的风速或风电功率之间关系密切。多风电场不仅存在多种不同的时间演变模式，且不同时间演变模式之间还具有空间相关性。利用多风电场功率的时空相关性，实现信息共享互惠，可有效改善多风电场功率预测精度和效率。

在现有技术中，被应用于多风电场短期功率预测的深度学习方法主要包括：卷积神经网络(convolutional neural network,CNN)，循环神经网络(recurrent neuralnetwork,RNN)及其变体，可用于风电序列时序或空间相关性的提取。例如《基于数据驱动和深度学习的超短期风电功率预测方法》公开了：采用多尺度卷积神经网络与GRU提取风电场的时空特征，挖掘相邻风电场间的时空关联。但是，在短期风电功率预测问题中，影响预测精度的因素不仅包含历史风电数据的时序性和空间相关性，还包括在时间演变过程中风电功率潜在的周期特征，且在不同时间尺度的风过程共同作用下可能导致风电功率序列含有多种时间尺度的周期，但鲜有现有技术文献考虑到风电场所具备的多周期性，未进行周期特征的提取或仅提取单周期特征；此外，包括该模型在内的多种现有风电功率预测模型多是静态提取多风电场空间相关性，未能深入挖掘多风电场功率时间演变模式的差异性和动态性。

发明内容

本发明的目的是为了引入GRU和多核卷积层，深入挖掘多风电场的时序信息和潜在的多周期特性，以实现风电序列完整时间演变模式的提取；同时，采用时变模式注意力机制，动态注意多空间变量的不同时间演变模式的相关性，实现对多风电场短期功率的精准有效预测。

本发明的技术方案如下：

计及时间演变和空间相关的多风电场短期功率预测方法，包括以下步骤：

步骤1：采集预测输入数据，采集目标风电基地的多座风电场小时级的历史功率数据和多维气象预测数据；

步骤2：数据预处理，将作为输入变量和输出变量的各类数据根据其特点分别进行归一化操作；

步骤3：将数据集分割为训练集、验证集和测试集，首先基于训练集的历史风电数据运用傅里叶分解进行风电多周期性特征的提取，记录较明显的周期长度T₁,T₂,...,T_u，确定多核卷积层的卷积核尺寸；

步骤4：将多座风电场预测时刻前d个历史时刻的风电功率、预测日s个时刻的气象数据预测值归一化数据组成多维特征输入变量，以多座风电场s个预测时刻的风电功率值作为输出变量，建立深度时空融合预测模型；

步骤5：设置模型超参数，初始化权重和偏置，设定损失函数，训练深度时空融合网络得到最佳权重和偏置参数，并通过验证集样本使用网格搜索优选模型的最佳超参数；

步骤6：将测试样本输入具有最佳超参数的深度时空融合模型中，对输出的预测结果进行反归一化，得到预测日各时刻多风电场的功率预测结果。

在步骤1中，所采集的输入数据由n座风电场在预测时刻t前w个时刻的l维已知特征组成，X∈R^n×w×l；对每座风电场均有输入向量x_t＝[P_t-d,P_t-d+1,...,P_t-1,Q_t,Q_t+1,...,Q_t+s-1]∈R^l，其中P_t-d,P_t-d+1,...,P_t-1分别为前d个历史时刻的风功率，Q_t,Q_t+1,...,Q_t+s-1分别为后s个预测时刻的多维气象预测数据。

步骤2分别对步骤1采集的风电功率数据和气象数据进行归一化处理，其中功率数据以各风电场的额定容量为基准归一化到区间[0,1]，风速，温度采用最大最小归一化方式，风向采用sin/cos三角函数归一化方法；设归一化前后的风电功率为x₁和

风速、温度为x₂和

风向数据为x₃和

风速、温度样本的最大、最小值分别为x_max、x_min，风电功率额定容量为x_N，具体归一化公式如下：

在步骤3中，基于训练集的目标地区多座风电场小时级平均总风电功率实测数据，对其进行傅里叶变换后绘制幅频曲线，考虑到不同季节中风电周期性规律可能存在差异，根据风电机组出力特性划分多风季与少风季并分别统计其周期性规律，幅频曲线中幅值较大点所对应的频率分量在原始序列中的占比较大，将这些频率点根据采样频率换算为周期可得风电功率的多周期值T₁,T₂,…,T_u，这为之后模型超参数的设置提供参考。

步骤4确定输入输出数据之后开始建立深度时空融合模型，步骤4包括以下子步骤：

步骤4.1：深度时空融合模型首先将输入矩阵送入门控循环单元(gatedrecurrent unit,GRU)中，提取历史风电数据的时序信息，在t时刻，GRU接收当前状态x_t和上一时刻的隐藏状态h_t-1，网络的输出h_t由更新门和重置门的动态控制形成。定义与输入相关的权重矩阵W_r,W_u,W_z；与循环连接相关的权重矩阵R_r,R_u,R_z，偏置向量b_r,b_u,b_z，σ为sigmoid激活函数，tanh为双曲正切函数，⊙为点乘。GRU首先通过上一时刻的隐藏状态h_t-1和当前时刻的输入x_t来获取两个门控状态，其中r_t为重置门，z_t为更新门：

r_t＝σ(W_rx_t+R_rh_t-1+b_r)

z_t＝σ(W_zx_t+R_zh_t-1+b_z)

得到门控信号之后，先使用重置门控来得到重置后的隐藏状态，然后将其与输入拼接再通过激活函数tanh使其数据范围为[-1,1]，得到

接着对上一时刻所传递的隐藏状态进行选择性地遗忘和对包含当前时刻的隐藏状态信息进行选择性的记忆，得到h_t，更新表达式为：

步骤4.2：通过多核卷积层对经GRU处理后得到的隐藏状态矩阵[h_t-w+1,h_t-w+2,...,h_t-1]的行向量进行处理(w表示时窗长度)，提取多风电场的多周期性特征。首先在k个通道中使用u种尺寸的卷积核对隐藏状态矩阵h的行向量进行卷积操作，得到k个不同的特征图f_map，其计算式如下：

其中*为卷积操作，i表示矩阵h的第i行向量，Concat表示特征拼接操作，K表示卷积核，其下标表示卷积核的不同尺寸(T₁，T₂,…,T_u表示卷积核的长度，1表示卷积核的宽度)和通道，然后通过滑动窗口对特征图划分的若干个子块进行下采样操作(down)，得到新的特征图f′_map(k)。其计算式如下：

为了融合多通道、多尺寸的卷积操作特征图，在通道方向上对池化层的输出向量进行拼接得到

其计算式如下：

多核卷积层的最后一步是将拼接的特征图线性映射为新状态矩阵H的行向量H_i，其计算式如下：

W_f和b_f表示映射过程的权重和偏置。

步骤4.3：在步骤4.1和4.2两步处理得到包含风电序列时序性和多周期性的时间演变模式信息之后，用时变模式注意力机制对经GRU和多核卷积层得到的新隐藏状态矩阵H进行处理，以提取具有不同时间演变模式的空间变量的相关信息，首先定义评估相关性的评分函数f，并将所得注意力权重进行归一化操作，其计算式如下：

f(H_i,h_t)＝(H_i)^TW_ah_t

a_i＝σ(f(H_i,h_t))

其中W_a是权重矩阵，需要通过神经网络训练得到，σ表示sigmoid激活函数；再将隐藏状态矩阵H中第i行向量(含有时间演变模式信息)与所得注意力权重a_i进行加权求和，其计算式如下：

m表示隐藏层神经元的个数。

步骤4.4：最后通过dropout层和全连接层集成特征向量v_t和h_t，得到最终的预测结果

其计算式如下：

h′_t＝W_hh_t+W_vdropout(v_t)

W_h，W_v，W_y表示相应的权重矩阵，也是通过神经网络训练得到。

步骤5在步骤4建立深度时空融合模型之后进行超参数的设置，如神经元数量m、样本时窗长度w、时序网络GRU层数g、多核卷积层通道数k及卷积核尺寸；接着初始化权重和偏置，选择训练样本，以均方误差作为损失函数，采用Adam优化算法对模型进行训练，得到最佳权重和偏置参数；再将验证集样本输入训练好的深度时空融合模型中，采用网格搜索根据验证误差优选模型的最佳超参数，一些主要超参数的寻优范围为：神经元数量m:{16,32,64,100,128,200,300}；卷积通道数k:{16,24,32,48}；时序网络层数g:{1,2,3}。

步骤6将测试样本输入具有最佳超参数的深度时空融合模型中，对输出的预测结果进行反归一化，得到预测日各时刻各风电场的功率预测结果

其中n为风电场数量，s是往后预测的时间步长。

相比现有技术，本发明的有益效果：

1)本发明考虑了多风电场的时间演变和空间相关信息，同时输出多座风电场和多个时间步的短期功率预测结果，有利于大规模风电数据实现并网运行，对电网的安全与稳定运行产生积极影响；

2)本发明深入挖掘多风电场潜在的多周期特性，并将提取多周期性的多核卷积层与捕捉时序依赖关系的GRU单元相结合，使模型具备学习多风电场完整时间演变规律的能力；

3)本发明使用引入时变模式注意力机制，随着时间的推移动态提取多风电场多时变模式的空间相关性，弥补现有多种模型静态提取空间依赖关系的缺陷，增强了预测的稳定性；

4)实际算例结果表明，本发明方法结构合理，不仅在实际风电数据集上表现良好,与当下其余热门预测模型相比也有更好的预测精度和稳健性。

5)本发明方法不仅完整地考虑风电序列的时序性和周期性时间演变模式，还将不同空间变量多种时间演变模式的空间关联信息考虑在内，动态计及多风电场空间相关性；最后输出同时满足时序性、周期性和空间相关性要求的多风电场预测日各时刻功率预测值。

附图说明

图1为基于深度时空融合模型的多风电场短期功率预测流程。

图2为傅里叶变换幅频图。

图3为门控循环单元的结构示意图。

图4为多核卷积操作示意图。

图5为本发明实施例中3号风电场预测曲线与实际曲线对比图

图6为本发明实施例的18座风电场不同预测方法预测结果的MAPE误差对比图(％)

图7为本发明实施例的18座风电场不同预测方法预测结果的RMSE误差对比图(MW)

图8为本发明实施例的不同周期特性下的预测误差对比图。

具体实施方案

本发明提供了一种基于深度时空融合网络的多风电场短期功率预测框架，包括输入模块、时间演变模式追踪模块、空间相关模式注意模块和输出模块四个部分。输入模块进行数据的采集和预处理工作，对象是目标地区多风电场的历史功率数据和气象预测数据；时间演变模式追踪模块通过门控循环单元和多核卷积层分别提取历史风电数据的时序性和多周期性时间演变模式；空间相关模式注意模块引入时变模式注意力机制对多空间变量的不同时间演变模式赋予相关性权重，在对时间演变规律纵向追踪的同时也可实现对多元空间变量不同时间演变模式的横向对比；最后输出模块输出同时满足时序性、周期性和空间相关性要求的多风电场功率日前预测场景。

如图1所示，基于深度时空融合模型的多风电场短期功率预测方法包括以下步骤：

步骤1：采集目标地区多座目标风电场小时级的历史功率数据和外部气象信息数据，原始输入数据由n座风电场在预测时刻t前w个时刻的l维已知特征组成，X∈R^n×w×l。对每座风电场均有输入向量x_t＝[P_t-d,P_t-d+1,...,P_t-1,Q_t,Q_t+1,...,Q_t+s-1]∈R^l，其中P_t-d,P_t-d+1,...,P_t-1分别为前d个历史时刻的风功率，Q_t,Q_t+1,...,Q_t+s-1分别为后s个预测时刻的多维气象预测数据(如风速、风向和气温)；

步骤2：对步骤1所采集的风电功率数据和气象数据进行归一化处理，其中功率数据以各风电场的额定容量为基准归一化到区间[0,1]，风速，温度采用最大最小归一化方式，风向采用sin/cos三角函数归一化方法；设归一化前后的风电功率为x₁和

风速、温度为x₂和

风向数据为x₃和

风速、温度样本的最大、最小值分别为x_max、x_min，风电功率额定容量为x_N，具体归一化公式如下：

步骤3：按照80％、10％和10％的比例将输入数据划分为训练集、验证集和测试集，基于训练集的目标地区多座风电场小时级平均总风电功率实测数据，对其进行傅里叶变换后绘制幅频曲线如图2所示。考虑到不同季节中风电周期性规律可能存在差异，根据风电机组出力特性划分多风季与少风季并分别统计其周期性规律，幅频曲线中幅值较大点所对应的频率分量在原始序列中的占比较大，将这些频率点根据采样频率换算为周期可得风电功率的多周期值T₁,T₂,…,T_u，这为之后模型超参数(多核卷积核尺寸)的设置提供参考；

步骤4：在确定输入输出数据之后开始建立深度时空融合模型，所述步骤4包括以下子步骤：

步骤4.1：深度时空融合模型首先将输入矩阵送入GRU中，提取历史风电数据的时序信息，在t时刻，GRU接收当前状态x_t和上一时刻的隐藏状态h_t-1，网络的输出h_t由更新门和重置门的动态控制形成。定义与输入相关的权重矩阵W_r,W_u,W_z；与循环连接相关的权重矩阵R_r,R_u,R_z，偏置向量b_r,b_u,b_z，σ为sigmoid激活函数，tanh为双曲正切函数，⊙为点乘。GRU首先通过上一时刻的隐藏状态h_t-1和当前时刻的输入x_t来获取两个门控状态，其中r_t为重置门，z_t为更新门：

r_t＝σ(W_rx_t+R_rh_t-1+b_r)

z_t＝σ(W_zx_t+R_zh_t-1+b_z)

得到门控信号之后，先使用重置门控来得到重置后的隐藏状态，然后将其与输入拼接再通过激活函数tanh使其数据范围为[-1,1]，得到

接着对上一时刻所传递的隐藏状态进行选择性地遗忘和对包含当前时刻的隐藏状态信息进行选择性的记忆，得到h_t，更新表达式为：

步骤4.2：通过多核卷积层对经GRU处理后得到的隐藏状态矩阵[h_t-w+1,h_t-w+2,...,h_t-1]的行向量进行处理(w表示时窗长度)，提取多风电场的多周期性特征。首先在k个通道中使用u种尺寸的卷积核对隐藏状态矩阵h的行向量进行卷积操作，得到k个不同的特征图f_map，其计算式如下：

其中*为卷积操作，i表示矩阵h的第i行向量，Concat表示特征拼接操作，K表示卷积核，其下标表示卷积核的不同尺寸(T₁，T₂,…,T_u表示卷积核的长度，1表示卷积核的宽度)和通道，然后通过滑动窗口对特征图划分的若干个子块进行下采样操作(down)，得到新的特征图f′_map(k)。其计算式如下：

为了融合多通道、多尺寸的卷积操作特征图，在通道方向上对池化层的输出向量进行拼接得到

其计算式如下：

多核卷积层的最后一步是将拼接的特征图线性映射为新状态矩阵H的行向量H_i，其计算式如下：

W_f和b_f表示映射过程的权重和偏置。

步骤4.3：在步骤4.1和4.2两步处理得到风电序列的时间演变模式信息之后，用时变模式注意力机制对经GRU和多核卷积层得到的新隐藏状态矩阵H进行处理，以提取具有不同时间演变模式的空间变量的相关信息。首先定义评估相关性的评分函数f，并将所得注意力权重进行归一化操作，其计算式如下：

f(H_i,h_t)＝(H_i)^TW_ah_t

a_i＝σ(f(H_i,h_t))

其中W_a是权重矩阵，需要通过神经网络训练得到，σ表示sigmoid激活函数；再将隐藏状态矩阵H中第i行向量(含有时间演变模式信息)与所得注意力权重a_i进行加权求和，其计算式如下：

m表示隐藏层神经元的个数。

步骤4.4：最后通过dropout层和全连接层集成特征向量v_t和h_t，得到最终的预测结果

其计算式如下：

h′_t＝W_hh_t+W_vdropout(v_t)

W_h，W_v，W_y表示相应的权重矩阵，也是通过神经网络训练得到。

步骤5：在深度时空融合模型建立之后进行超参数的设置，如神经元数量m、样本时窗长度w、时序网络GRU层数g、多核卷积层通道数k及卷积核尺寸；接着初始化权重和偏置，选择训练样本，以均方误差作为损失函数，采用Adam优化算法对模型进行训练，得到最佳权重和偏置参数；再将验证集样本输入训练好的深度时空融合模型中，采用网格搜索根据验证误差优选模型的最佳超参数，一些主要超参数的寻优范围为：神经元数量m:{16,32,64,100,128,200,300}；卷积通道数k:{16,24,32,48}；时序网络层数g:{1,2,3}；

步骤6：将测试样本输入具有最佳超参数的深度时空融合模型中，对输出的预测结果进行反归一化，得到预测日各时刻各风电场的功率预测结果

其中n为风电场数量，s是往后预测的时间步长。

在本实施例中，使用国内目标风电基地18座风电场2016年的小时级实测功率数据为分析对象，预测模型的输入是提前一周的小时级历史风电功率和预测日的气象预测数据(包含每小时的风速、风向和气温预测值)，输出未来24小时的多风电场功率预测结果。本实施例使用平均绝对百分比误差(MAPE)和均方根误差(RMSE)对预测精度进行评价，它们的计算公式如下：

式中：n为测试样本个数；y_i和

分别为预测日第i个采样点的风电功率实际值和预测值。

图5为本发明实施例中9号风电场预测曲线与实际曲线对比图，可以看出本发明方法在风电场中表现最佳，较准确地模拟出风功率波动趋势。同时具有较小的整体误差和较小的单点预测误差。图6和图7分别为本发明实施例的18座风电场不同预测方法预测结果的MAPE误差对比图和RMSE误差对比图，可以看出，本发明方法对日前风电功率的预测具有最好的预测精度。与TCN、GRU和LSTM这类时序神经网络相比，DSTFM的MAPE平均改善率(Imp)分别为9.99％、8.80％和7.87％，表明仅考虑风电功率的时序特征是不够的，还需计及完整的时间演变模式和多风电场之间的空间相关性。GRU-CNN加入可提取输入空间特征的卷积核，使模型具备提取时空信息的能力，相较这类模型，DSTFM的MAPE平均值降低了5.17％，体现了应用时变模式注意力机制动态捕获多风电场多时变模式空间相关的有效性。从图6还可以看出，由于多风电场所处地理位置的不同，各模型在不同风电场的MAPE呈现出差异性。在4号和8号风电场所有模型的MAPE相对较大，说明这两座风电场功率的可预测性较差。尽管如此，DSTFM对可预测性存在差异的多座风电场依然保持了较强的稳健性。

图8是风电功率不同周期特性对预测结果的影响对比图，将不考虑周期特性、仅考虑单个周期、考虑多周期组合三种方案进行对比。多周期组合DSTFM模型的预测误差最小，与不考虑周期性相比MAPE误差降低了0.75％，表明将风电数据周期性纳入考虑的必要性。与3种仅考虑单周期特性的模型相比，以24h、38h和80h为例，本文模型的MAPE改善率分别为0.51％、0.40％和0.57％。单周期模型预测误差虽然低于不引入周期特性的模型，但改善效果有限。且随着周期延长模型的稳定性有下降势，这表明周期较长时，模型对周期范围内时间演变模式变化的敏感性变差。而多周期组合模型能兼顾对不同长短周期特征的敏感性，因此可获得更高的预测精度。

Claims (7)

1.计及时间演变和空间相关的多风电场短期功率预测方法，其特征在于，包括以下步骤：

步骤1：采集预测输入数据，采集目标风电基地的多座风电场小时级的历史功率数据和多维气象预测数据；

步骤2：数据预处理，将作为输入变量和输出变量的各类数据根据其特点分别进行归一化操作；

步骤3：将数据集分割为训练集、验证集和测试集，首先基于训练集的历史风电数据运用傅里叶分解进行风电多周期性特征的提取，记录较明显的周期长度T₁,T₂,...,T_u，确定多核卷积层的卷积核尺寸；

步骤4：将多座风电场预测时刻前d个历史时刻的风电功率、预测日s个时刻的气象数据预测值归一化数据组成多维特征输入变量，以多座风电场s个预测时刻的风电功率值作为输出变量，建立深度时空融合预测模型；

步骤5：设置模型超参数，初始化权重和偏置，设定损失函数，训练深度时空融合网络得到最佳权重和偏置参数，并通过验证集样本使用网格搜索优选模型的最佳超参数；

步骤6：将测试样本输入具有最佳超参数的深度时空融合模型中，对输出的预测结果进行反归一化，得到预测日各时刻多风电场的功率预测结果。

2.根据权利要求1所述的方法，其特征在于：在步骤1中，所采集的输入数据由n座风电场在预测时刻t前w个时刻的l维已知特征组成，X∈R^n×w×l；对每座风电场均有输入向量x_t＝[P_t-d,P_t-d+1,...,P_t-1,Q_t,Q_t+1,...,Q_t+s-1]∈R^l，其中P_t-d,P_t-d+1,...,P_t-1分别为前d个历史时刻的风功率，Q_t,Q_t+1,...,Q_t+s-1分别为后s个预测时刻的多维气象预测数据。

3.根据权利要求1所述的方法，其特征在于：步骤2分别对步骤1采集的风电功率数据和气象数据进行归一化处理，其中功率数据以各风电场的额定容量为基准归一化到区间[0,1]，风速，温度采用最大最小归一化方式，风向采用sin/cos三角函数归一化方法；设归一化前后的风电功率为x₁和

风速、温度为x₂和

风向数据为x₃和

风速、温度样本的最大、最小值分别为x_max、x_min，风电功率额定容量为x_N，具体归一化公式如下：

4.根据权利要求1所述的方法，其特征在于：在步骤3中，基于训练集的目标地区多座风电场小时级平均总风电功率实测数据，对其进行傅里叶变换后绘制幅频曲线，考虑到不同季节中风电周期性规律可能存在差异，根据风电机组出力特性划分多风季与少风季并分别统计其周期性规律，幅频曲线中幅值较大点所对应的频率分量在原始序列中的占比较大，将这些频率点根据采样频率换算为周期可得风电功率的多周期值T₁,T₂,…,T_u，这为之后模型超参数的设置提供参考。

5.根据权利要求1所述的方法，其特征在于：步骤4确定输入输出数据之后开始建立深度时空融合模型，步骤4包括以下子步骤：

步骤4.1：深度时空融合模型首先将输入矩阵送入门控循环单元(gated recurrentunit,GRU)中，提取历史风电数据的时序信息，在t时刻，GRU接收当前状态x_t和上一时刻的隐藏状态h_t-1，网络的输出h_t由更新门和重置门的动态控制形成，定义与输入相关的权重矩阵W_r,W_u,W_z；与循环连接相关的权重矩阵R_r,R_u,R_z，偏置向量b_r,b_u,b_z，σ为sigmoid激活函数，tanh为双曲正切函数，⊙为点乘，GRU首先通过上一时刻的隐藏状态h_t-1和当前时刻的输入x_t来获取两个门控状态，其中r_t为重置门，z_t为更新门：

r_t＝σ(W_rx_t+R_rh_t-1+b_r)

z_t＝σ(W_zx_t+R_zh_t-1+b_z)

得到门控信号之后，先使用重置门控来得到重置后的隐藏状态，然后将其与输入拼接再通过激活函数tanh使其数据范围为[-1,1]，得到

接着对上一时刻所传递的隐藏状态进行选择性地遗忘和对包含当前时刻的隐藏状态信息进行选择性的记忆，得到h_t，更新表达式为：

步骤4.2：通过多核卷积层对经GRU处理后得到的隐藏状态矩阵[h_t-w+1,h_t-w+2,...,h_t-1]的行向量进行处理，其中w表示时窗长度，为了提取多风电场的多周期性特征，首先在k个通道中使用u种尺寸的卷积核对隐藏状态矩阵h的行向量进行卷积操作，得到k个不同的特征图f_map，其计算式如下：

其中*为卷积操作，i表示矩阵h的第i行向量，Concat表示特征拼接操作，K表示卷积核，其下标表示卷积核的不同尺寸和通道，具体地T₁，T₂,…,T_u表示卷积核的长度，1表示卷积核的宽度；然后通过滑动窗口对特征图划分的若干个子块进行下采样操作，即下式中的down操作，得到新的特征图f_m′_ap(k)，其计算式如下：

为了融合多通道、多尺寸的卷积操作特征图，在通道方向上对池化层的输出向量进行拼接得到

其计算式如下：

多核卷积层的最后一步是将拼接的特征图线性映射为新状态矩阵H的行向量H_i，其计算式如下：

W_f和b_f表示映射过程的权重和偏置；

步骤4.3：在步骤4.1和4.2两步处理得到包含风电序列时序性和多周期性的时间演变模式信息之后，用时变模式注意力机制对经GRU和多核卷积层得到的新隐藏状态矩阵H进行处理，以提取具有不同时间演变模式的空间变量的相关信息，首先定义评估相关性的评分函数f，并将所得注意力权重进行归一化操作，其计算式如下：

f(H_i,h_t)＝(H_i)^TW_ah_t

a_i＝σ(f(H_i,h_t))

其中W_a是权重矩阵，需要通过神经网络训练得到，σ表示sigmoid激活函数；再将隐藏状态矩阵H中含有时间演变模式信息的第i行向量，与所得注意力权重a_i进行加权求和，其计算式如下：

m表示隐藏层神经元的个数；

步骤4.4：最后通过dropout层和全连接层集成特征向量v_t和h_t，得到最终的预测结果

其计算式如下：

W_h，W_v，W_y表示相应的权重矩阵，也是通过神经网络训练得到。

6.根据权利要求1所述的方法，其特征在于：步骤5在步骤4建立深度时空融合模型之后进行超参数的设置，如神经元数量m、样本时窗长度w、时序网络GRU层数g、多核卷积层通道数k及卷积核尺寸；接着初始化权重和偏置，选择训练样本，以均方误差作为损失函数，采用Adam优化算法对模型进行训练，得到最佳权重和偏置参数；再将验证集样本输入训练好的深度时空融合模型中，采用网格搜索根据验证误差优选模型的最佳超参数，一些主要超参数的寻优范围为：神经元数量m:{16,32,64,100,128,200,300}；卷积通道数k:{16,24,32,48}；时序网络层数g:{1,2,3}。

7.根据权利要求1所述的方法，其特征在于：步骤6将测试样本输入具有最佳超参数的深度时空融合模型中，对输出的预测结果进行反归一化，得到预测日各时刻各风电场的功率预测结果

其中n为风电场数量，s是往后预测的时间步长。

Images