CN118134021A - 一种大风极端天气下的风电功率预测方法及*** - Google Patents

Abstract

本发明提出了一种大风极端天气下的风电功率预测方法及***，包括：将最大信息系数与特征协同度结合，作为气象特征选择的指标，获得大风极端天气下功率预测输入数据；将时间卷积网络和Transformer通过隐式特征融合网络的全连接层进行融合，构建基于TCN‑Transformer的风电功率预测模型；风电功率预测模型采用时间卷积网络对输入的数据处理，获取感受野窗内的局部时序特征信息，学习极端天气下的浅层隐式特征并输出预测结果。

Description

一种大风极端天气下的风电功率预测方法及***

技术领域

本发明属于短期风电功率预测技术领域，尤其涉及一种大风极端天气下的风电功率预测方法及***。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

风电、光伏等新能源逐步取代传统化石能源，电源结构发生巨大变化。风电作为重要的能源，具有对天气条件变化高度敏感的特点，其呈现出强波动性与随机性。尤其是现阶段气候变化复杂，台风、寒潮大风极端大风事件将导致风电出力急剧增减、设施受损，甚至会造成电网大面积停电风险，严重影响电网的供需平衡，危害国家用能安全。

目前的风电功率预测精度提升措施可以总结为3类：针对预测模型输入、针对预测模型本身和针对预测模型输出。针对考虑极端天气的风电功率预测方法主要集中在模型的优化与组合，传统典型架构擅长提取全局特征，但是缺乏对局部特征的把控，尤其在台风天气下风功率预测不确定性大幅度增加的场景，因迫切需要增强局部特征提取能力，以应对台风天气下新能源预测的场景。Transformer模型是谷歌公司在2017年提出的新网络架构，该模型构建的时序预测可以突破以往的诸多限制，最明显的优点是Transformer基于多头注意力机制，具备同时建模长期和短期时序特征的能力。在自然语言处理，图像分割识别，以及时间序列预测等多种任务中都有优异的表现。近年来，该模型也逐渐应用到功率预测方面。

然而当前对于台风和寒潮大风等极端大风天气下区域电网风电集群出力的变化规律缺乏深入研究，对于新能源功率预测的准确度提升和科学制定极端大风条件下的电网调度方案和预案极为不利，亟待针对相关问题展开研究。同时当前国内外针对台风天气过程下的风电功率预测主要从事件预测的角度开展研究，然后从数理统计角度对其进行分析，并建立了预测模型，预测结果主要起到风险提示的作用，而未能有效降低极端预测偏差。随着风电装机规模的不断扩大，台风天气对风电和电网运行的影响日趋增大，因此建立适用于大风极端场景下的风电功率预测模型十分重要。

发明内容

为克服上述现有技术的不足，本发明提供了一种大风极端天气下的风电功率预测方法，综合考虑了预测风速与预测误差的特征相依关系，有效提高大风极端天气下短期风电功率预测的精度。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

第一方面，公开了一种大风极端天气下的风电功率预测方法，包括：

将最大信息系数与特征协同度结合，作为气象特征选择的指标，获得大风极端天气下功率预测输入数据；

将时间卷积网络和Transformer通过隐式特征融合网络的全连接层进行融合，构建基于TCN-Transformer的风电功率预测模型；

风电功率预测模型采用时间卷积网络对输入的数据处理，获取感受野窗内的局部时序特征信息，学习极端天气下的浅层隐式特征并输出预测结果。

作为进一步的技术方案，获得大风极端天气下功率预测输入数据，具体包括：

提取大风场景下NWP数据及功率数据后，利用相关性分析方法计算各气象要素与风电功率之间的相关性；确定风速即为大风场景下的模型输入特征。

作为进一步的技术方案，利用相关性分析方法计算各气象要素与风电功率之间的相关性时：设待选变量集为S_c＝{x₁,x₂,…,x_M}，第n次变量选择后的已选变量集为S_n，目标变量为y，需选变量数为N，使用MIC算法选择变量的迭代步骤如下：

步骤(1)：第1次变量选择时选择与输出变量相关度最高的变量：

步骤(2)：第n次变量选择时，n大于1，对待选变量x_i，记其得分；

将当前步中得分最高的变量s_n作为新的变量加入特征变量集S_n-1，构成新的变量集S_n；

步骤(3)：重复前两步直到已选变量数目n达到预设值N。

作为进一步的技术方案，所述TCN-Transformer的风电功率预测模型中将注意力结构通过维度拼接产生d维的输出，再通过全连接层进行投影即可完成特征的映射。

作为进一步的技术方案，

第二方面，公开了一种大风极端天气下的风电功率预测***，包括：

输入数据确定模块，被配置为：将最大信息系数与特征协同度结合，作为气象特征选择的指标，获得大风极端天气下功率预测输入数据；

预测模型构建模块，被配置为：将时间卷积网络和Transformer通过隐式特征融合网络的全连接层进行融合，构建基于TCN-Transformer的风电功率预测模型；

预测模块，被配置为：风电功率预测模型采用时间卷积网络对输入的数据处理，获取感受野窗内的局部时序特征信息，学习极端天气下的浅层隐式特征并输出预测结果。

以上一个或多个技术方案存在以下有益效果：

本发明技术方案综合考虑极端天气下的功率时序变化规律、周期性以及外部气象特征等浅层隐式特征。TCN可以充分挖掘风电连续序列内部的长期相关性，通过卷积神经网络提取输入序列的局部特征。但是TCN网络由于只能获取感受野窗内的局部时序特征信息,无法联系全局突出关键特征的影响。对此采用transformer中的自注意力层，通过注意力机制自动学习关键特征，同时削弱其他输入特征变量对模型预测结果的干扰。采用全连接层构建隐式特征融合网络，利用深度学习强大的非线性和隐式特征学习能力，采用隐式特征融合网络将TCN和Transformer结合，建立功率预测模型。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例中MIC-VI特征筛选流程图；

图2为本发明实施例中气象要素与风电出力之间的相关系数；

图3为本发明实施例中TCN卷积网络示意图；

图4为本发明实施例中时序Transformer网络示意图；

图5为本发明实施例中TCN-Transformer功率预测流程图；

图6为本发明实施例中台风天气下功率预测结果图；

图7为本发明实施例中寒潮大风天气下功率预测结果图；

图8为本发明实施例中台风天气下风电功率预测评价指标；

图9为本发明实施例中寒潮大风天气下风电功率预测评价指标。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例一

本实施例公开了一种大风极端天气下的风电功率预测方法，包括：三大块内容，分别是MIC-VI特征筛选，TCN时间卷积网络及Transformer神经网络模型。

一：MIC-VI特征筛选：

待选变量与目标变量的相关度是衡量该变量重要性的必要标准之一。相关度常用相关系数或互信息表征，但相关系数难以挖掘变量间复杂非线性关系，而互信息则对不同类型关联关系的健壮度存在差异。

最大信息系数(maximalinformationcoefficient，MIC)是一种能对海量数据中变量间的各种依赖关系进行广泛挖掘的相关度指标。最大信息系数定义如下：假设D(X,Y)为有限二维数据集，将当前二维空间在X和Y方向分别划分为x区间和y区间，形成x×y的网格G；划分区间相同的网格有多种划分方式，设不同划分方式形成的网格的集合为Ω，则定义：

式中：x和y表示二维空间在X和Y方向的区间划分数；D∣G表示数据集D在划分网格G上的分布；I(D∣G)表示D∣G的互信息；max表示取最大值。将不同划分区间下数据集D的最大规范化互信息组成特征矩阵M(D)，特征矩阵元素定义为：

式中：min{··}表示2者中的较小值。则最大信息系数定义为：

式中：n为数据集样本数；B(n)为网格划分数上限值。B(n)一般取值范围为ω(1)≤B(n)≤O(n^1-s)，0<ε<1。网格划分数上限值B(n)的增大将使得MIC对相关度的度量更精确，但随之计算复杂度也会增加。当B(n)＝n^0.6时能得到最优的效果，因此本文也采用该设置方法。

采用最大信息系数作为短期功率预测变量选择的相关度标准，假设功率值y为目标变量，x为待筛选的功率预测模型输入变量，定义输入变量x与目标变量y的相关度Rel(x)为：

Rel(x)＝MIC(x,y) (4)

待选变量之间除了冗余还存在协同作用，即两个待选变量共同使用时对预测的贡献大于两者单独使用时对预测的贡献之和。选择变量时考虑“最大相关度”原则的同时，还应综合考虑“最大协同度”。2个特征变量x_i与x_s关于目标变量y的协同增益定义为：

IG(x_i,x_s,y)＝I([x_i,x_s],y)-(I(x_i,y)+I(x_s,y)) (5)

式中：I([x_i,x_s],y)为x_i与x_s共同使用时联合变量[x_i,x_s]与y的互信息，I(x_i,y)+I(x_s,y)为x_i与x_s单独使用时与目标变量y的互信息之和。当IG(x_i,x_s,y)≥0时，代表x_i与x_s共同使用时有正向的协同作用；当IG(x_i,x_s,y)<0时，代表x_i与x_s存在关于目标变量的冗余，由于冗余度已通过施密特正交化考虑，可令协同度为0。假设已选变量集为S，待选变量x_i与已选变量集S关于目标变量y的协同度(variableinteraction，VI)定义为：

将最大信息系数与特征协同度结合，作为关键气象因子特征选择的指标，最大信息系数与特征协同结合为作为选择变量时的评价标准，步进迭代选择变量，迭代过程如图1所示。

设待选变量集为S_c＝{x₁,x₂,…,x_M}，本专利的待选变量集为包含风速、风向、气压、温度和湿度在内的NWP气象；第n次变量选择后的已选变量集为S_n；目标变量为y，即与风电功率相关系数，数字记为N，使用MIC-VI算法选择变量的迭代步骤如下：

1)第1次变量选择时选择与输出变量相关度最高的变量：

2)第n次变量选择时(n>1),对待选变量x_i，其得分记为:

Score(x_i)＝MIC(x_i∣y)+α·VI(x_i,S_n-1) (8)

式中：S_n-1为n-1次变量选择后的已选变量集,α为权重。权重α一般在0～10之间,可通过试错法选择，本文中选择α＝5。

从而将当前步中得分最高的变量s_n作为新的变量加入特征变量集S_n-1，构成新的变量集S_n。

3)重复前两步直到已选变量数目n达到预设值N。

提取大风场景下NWP气象数据(包含风速、风向、气压、温度、湿度等)及功率数据后，利用基于MIC-VI的相关性分析方法计算各气象要素与风电功率之间的相关性，得到相关系数Score(x_i)，根据筛选出相关系数最高点气象构成新的数据集S_n。相关系数越大，2个时间序列之间的相关性就越强。大风场景下各气象要素与风电出力之间的相关系数如图2所示，由图2可知，风速与功率之间显著相关，其他气象要素与功率之间的相关性较弱。因此在只有大风的情况下，风速是导致风电出力波动的主要气象因素，风速即为大风场景下的模型输入特征。

二：TCN时间卷积网络

TCN具有并行性，与RNN中对后续时间步的预测必须等待其前任完成的情况不同，卷积可以并行完成，因为每一层都使用相同的滤波器。TCN可以通过多种方式改变其感受野大小。例如，堆叠更多扩张卷积层、使用更大的膨胀因子或增加滤波器大小都是可行的选择。因此，TCN可以更好地控制模型的内存大小，并且易于适应不同的领域。其单向的卷积结构，可有效避免RNN面临的梯度消失和梯度***的问题。TCN中的扩张因果卷积可有效防止未来信息泄露，同时也可通过调整卷积核大小、卷积层数、扩张系数等参数扩大感受野，捕捉预测时刻与更长历史时刻的依赖性，扩张因果卷积结构如图3所示。

给定输入序列，扩张卷积位置t处的输出可表示为：

式中：x是二维向量，本文代表历史功率和基于MIC-VI筛选出的重要气象特征；f为卷积核，k为卷积核大小；⊙为卷积操作；d为扩张系数，与网络层数成指数关系。

在风电功率预测中，尤其是大风极端天气场景下，风速等特征对功率预测精确性的影响进一步加大。同时，TCN网络由于只能获取感受野窗内的局部时序特征信息,无法联系上下文信息突出关键特征的影响。对此，本文在接下来的采用transformer中的自注意力层，通过注意力机制自动学习关键特征，同时削弱其他输入特征变量对模型预测结果的干扰，使预测模型能够适用大风场景下下的风电功率预测任务。

Transformer神经网络模型

Transformer模型本质是基于序列到序列的编码器－解码器结构的模型，由输入嵌入、编码器－解码器模块、模型输出3部分组成，该模型结构如图4所示。

相比于RNN模型，Transformer模型具有并行运算的优点，但是其不能表征原始输入的序列顺序，因此引入位置编码，Transformer模型的编码器是由多个独立的编码层堆叠而成，每个编码层都含有多头注意力层和全连接层；同理，解码器也是由多个独立的解码层堆叠而成。位置编码公式如下所示：

式中：P_s在本专利中为基于MIC-VI筛选出的气象输入的位置索引，d_m为输入序列词嵌入的维度，i为向量维度。

注意力机制是Transformer网络的核心，也是编码器以及解码器的主要组成部分，在运算中输入的查询向量、关键向量以及值向量都为同一值时称为自注意力机制。在解码器中，除了需要对解码器输入进行自注意力机制计算之外，还需要合并编码器的输出进行多头注意力机制计算。给定Transformer网络网络的输入x，本文为基于TCN卷积神经网络处理后的气象特征，将其分别与三个方向矩阵相乘，注意力机制通过计算注意力分数来获取序列中一个数据与其他数据的相关性，注意力机制公式如下：

式中：q是查询向量；k是关键向量；v是值向量；W_q、W_k、W_v分布为三个向量的矩阵；输出矩阵为H；d_k代表出入Key的维度，注意力函数包括查询与Key的缩放点积，并处以

为进一步提高Transformer网络的泛化能力，往往将多个注意力单元并排堆叠，可以使网络能够专注于子空间中的不同特征，将注意力结构通过维度拼接产生d维的输出，再通过全连接层进行投影即可完成特征的映射，最终M(Q,K,V)输出公式如下：

M(Q,K,V)＝Concat(H₁,...,H_n)W^Out (14)

式中：n为堆叠注意力机制的个数，Concat为维度拼接。

TCN-Transformer神经网络模型

嵌入向量在解码器部分中也首先通过3个单线性层分别转化为查询、键、值，与编码器不同的地方在于所得查询、键、值会与一个阶梯形掩码共同传入多头自注意力层，在经过上述非线性转化后将与原嵌入向量相加和并进行层归一化转化为值向量，编码器输出向量将作为查询、键，三者共同传入第三个多头自注意力层进行非线性转化；所得向量与值向量相加和后共同进行层归一化并经过最终的线性层进行转化得到所需时刻的预测功率。

采用全连接层构建隐式特征融合网络，利用深度学习强大的非线性和隐式特征学习能力，将两个特征提取网络统一融合，输入x为基于MIC-VI筛选相关系数最高的气象数据，F_(T-T)即为最终输出的功率值，融合后特征表示为：

F_(T-T)＝concat(F_(TCN),F_(TRANS)) (15)

式中：concat()实现不同网络输出特征的拼接，F_(TCN)为TCN输出特征，F_(TRANS)为Transformer神经网络输出特征。

三：基于TCN-Transformer的风电功率预测模型框架

基于TCN-Transformer的风电功率预测模型框架如图5所示。

1)首先利用构建MIC-VI(最大信息系数-特征协同度)的关键气象因子筛选模型，将最大信息系数与特征协同度结合，作为气象特征选择的指标，得到大风极端天气下功率预测输入数据；

2)采用TCN(时间卷积网络)获取感受野窗内的局部时序特征信息，学习极端天气下的功率时序变化规律、周期性以及外部气象特征等浅层隐式特征。

3)利用深度学习强大的非线性和隐式特征学习能力将TCN和Transformer通过隐式特征融合网络的全连接层进行融合构建基于TCN-Transformer的风电功率预测模型。

以广东省风电场2023年和吉林省某风电场2021年数据为例。观测风速和风电功率数据时间分辨率为15分钟，数据缺失率在允许范围内，缺失和错误数据由拉格朗日插值替代。将每月的数据集按7：3的比例分成训练数据集和测试数据集，用训练数据集训练TCN-Transformer模型，用测试数据集验证风电功率预测性能。

记本文采用方法为方案1，同时设立两种对比方案，对本文提出方案进行模型效果检验。其中方案2为LSTM神经网络；方案3为Transformer神经网络。

图6和图7分别展示了发生台风天气下风电功率预测结果和寒潮大风天气下风电功率预测结果。由图可知，台风天气下，风电功率预测在风机发生切机的情况下预测效果偏差较大，在正常未发生切出的情况下预测准确率较高。寒潮大风情况下，由于低温覆冰和大风情况的影响，风电功率整体出力情况较低。总体而言，不论是台风天气还是寒潮大风情况本文采取的方案1较对比方案，预测精度都更好。

图8和图9分别展示了台风和寒潮大风天气下，风电功率预测的误差清理。本文提出的模型将台风天气下预测结果nRMSE为0.18，同时，nMAE为0.16，寒潮大风天气下预测结果nRMSE为0.16，同时，nMAE为0.14，都优于基准方法。结果表明，与两种基础模型相比，经过特征优选和TCN-Transformer的预测精度有较大提升。

由此可见，本实施例子提出了一种大风极端天气下基于特征优选和改进Transformer的风电功率预测方法。利用构建MIC-VI(最大信息系数-特征协同度)的关键气象因子筛选模型，将最大信息系数与特征协同度结合，作为气象特征选择的指标,得到大风极端天气下功率预测输入。其次采用TCN(时间卷积网络)获取感受野窗内的局部时序特征信息，通过隐式特征融合网络的全连接层将TCN-Transformer与进行融合。最后建立TCN-Transformer的模型进行短期风电功率预测，经过广东省和吉林省数据验证，风电功率预测的精度也从得到了显著提高。

实施例二

本实施例的目的是提供一种计算机装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。

实施例三

本实施例的目的是提供一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述方法的步骤。

实施例四

本实施例的目的是提供一种大风极端天气下的风电功率预测***，包括：

输入数据确定模块，被配置为：将最大信息系数与特征协同度结合，作为气象特征选择的指标，获得大风极端天气下功率预测输入数据；

预测模型构建模块，被配置为：将时间卷积网络和Transformer通过隐式特征融合网络的全连接层进行融合，构建基于TCN-Transformer的风电功率预测模型；

预测模块，被配置为：风电功率预测模型采用时间卷积网络对输入的数据处理，获取感受野窗内的局部时序特征信息，学习极端天气下的浅层隐式特征并输出预测结果。

以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。

本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种大风极端天气下的风电功率预测方法，其特征是，包括：

将最大信息系数与特征协同度结合，作为气象特征选择的指标，获得大风极端天气下功率预测输入数据；

将时间卷积网络和Transformer通过隐式特征融合网络的全连接层进行融合，构建基于TCN-Transformer的风电功率预测模型；

风电功率预测模型采用时间卷积网络对输入的数据处理，获取感受野窗内的局部时序特征信息，学习极端天气下的浅层隐式特征并输出预测结果。

2.如权利要求1所述的一种大风极端天气下的风电功率预测方法，其特征是，获得大风极端天气下功率预测输入数据，具体包括：

提取大风场景下NWP数据及功率数据后，利用相关性分析方法计算各气象要素与风电功率之间的相关性；确定风速即为大风场景下的模型输入特征。

3.如权利要求1所述的一种大风极端天气下的风电功率预测方法，其特征是，利用相关性分析方法计算各气象要素与风电功率之间的相关性时：设待选变量集为S_c＝{x₁,x₂,…,x_M}，第n次变量选择后的已选变量集为S_n，目标变量为y，需选变量数为N，使用MIC算法选择变量的迭代步骤如下：

步骤(1)：第1次变量选择时选择与输出变量相关度最高的变量：

步骤(2)：第n次变量选择时，n大于1，对待选变量x_i，记其得分；

将当前步中得分最高的变量s_n作为新的变量加入特征变量集S_n-1，构成新的变量集S_n；

步骤(3)：重复前两步直到已选变量数目n达到预设值N。

4.如权利要求1所述的一种大风极端天气下的风电功率预测方法，其特征是，所述TCN-Transformer的风电功率预测模型中将注意力结构通过维度拼接产生d维的输出，再通过全连接层进行投影即可完成特征的映射。

5.如权利要求2所述的一种大风极端天气下的风电功率预测方法，其特征是，提取大风场景下NWP气象数据包含风速、风向、气压、温度及湿度。

6.一种大风极端天气下的风电功率预测***，其特征是，包括：

输入数据确定模块，被配置为：将最大信息系数与特征协同度结合，作为气象特征选择的指标，获得大风极端天气下功率预测输入数据；

预测模型构建模块，被配置为：将时间卷积网络和Transformer通过隐式特征融合网络的全连接层进行融合，构建基于TCN-Transformer的风电功率预测模型；

预测模块，被配置为：风电功率预测模型采用时间卷积网络对输入的数据处理，获取感受野窗内的局部时序特征信息，学习极端天气下的浅层隐式特征并输出预测结果。

7.如权利要求6所述的一种大风极端天气下的风电功率预测***，其特征是，获得大风极端天气下功率预测输入数据，具体包括：

提取大风场景下NWP数据及功率数据后，利用相关性分析方法计算各气象要素与风电功率之间的相关性；确定风速即为大风场景下的模型输入特征。

8.如权利要求6所述的一种大风极端天气下的风电功率预测***，其特征是，其特征是，利用相关性分析方法计算各气象要素与风电功率之间的相关性时：设待选变量集为S_c＝{x₁,x₂,…,x_M}，第n次变量选择后的已选变量集为S_n，目标变量为y，需选变量数为N，使用MIC算法选择变量的迭代步骤如下：

步骤(1)：第1次变量选择时选择与输出变量相关度最高的变量：

步骤(2)：第n次变量选择时，n大于1，对待选变量x_i，记其得分；

将当前步中得分最高的变量s_n作为新的变量加入特征变量集S_n-1，构成新的变量集S_n；

步骤(3)：重复前两步直到已选变量数目n达到预设值N。

9.一种计算机装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1-7任一所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时执行上述权利要求1-7任一所述方法的步骤。