申请/专利权人：四川大学

申请日：2023-09-13

公开（公告）日：2024-03-19

公开（公告）号：CN117220278B

主分类号：H02J3/00

分类号：H02J3/00;G06N3/045;G06N3/044;G06N3/0464;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2023.12.29#实质审查的生效;2023.12.12#公开

摘要：本发明公开了一种考虑非平稳时空依赖的长期风电功率预测方法，包括：S1、基于历史风电功率数据和风速数据，构建训练样本；S2、构建用于长期风电功率预测的深度时空生成模型；S3、利用训练样本训练所述深度时空生成模型，包括先验模块、后验模块以及生成模块；S4、利用训练好的深度时空生成模型中的先验模块和生成模块对风电预测样本进行预测，获得预测发电功率。本发明通过对风电功率序列的隐状态进行建模，引入了风速数据来计算隐状态的后验分布，通过动态自适应图卷积网络、循环图卷积网络以及随机循环解码网络，用于捕捉同一风电场中多台风力发电机输出功率之间复杂的非平稳时空依赖关系，从而能够准确推断未来时间的隐状态和长期输出功率。

主权项：1.一种考虑非平稳时空依赖的长期风电功率预测方法，其特征在于，包括以下步骤：S1、基于历史风电功率数据和风速数据，构建训练样本；S2、构建用于长期风电功率预测的深度时空生成模型；S3、利用训练样本训练所述深度时空生成模型；其中，深度时空生成模型包括先验模块、后验模块以及生成模块；S4、利用训练好的深度时空生成模型中的先验模块和生成模块对风电预测样本进行预测，获得预测发电功率；所述步骤S3中，在所述深度时空生成模型中，先验模块、后验模块以及生成模块采用端到端的方式进行训练学习，其学习损失函数为： 式中，为训练样本中过去T时间步的历史输出功率和风速数据，为同一风电场中N台风力发电机过去T时间步的输出功率，为t时刻N台风力发电机的输出功率，为未来τ时间步的发电功率深度时空生成模型的模型参数si和分别为将原始功率序列和风速序列使用长度为L滑动步长为Δt的滑动窗口分段后的第i段子序列，zi为第i段子序列对应的隐状态，pθ为隐状态的先验分布，为隐状态的后验分布，KL为KL散度，分别为第k个训练样本的真实值和预测值，MSE为均方误差损失；其中，预测值z1,z2,...,zm为历史序列对应得到的m段隐状态，RGC为生成模块中的循环图卷积网络，SRD为生成模块中的随机循环解码网络；所述隐状态表示风电输出功率si的隐状态zi服从均值为μi方差为σi的多元高斯分布；其中，均值μi和方差zi的表达式为：μi,σi＝DAGCNθsi,Ai式中，DAGCNθ为先验模块中的动态自适应图卷积网络，θ为动态自适应图卷积网络参数，Ai为网络输入为第i段子序列和该时间段内N台风力发电机的拓扑结构，其表达式为：Ai＝Ag+AsAg＝softmaxReLUE*ET 式中，Ag，As分别为全局自适应拓扑和第i段时间内的局部拓扑，为N台风力发电机的特征向量，E是可学习的参数矩阵，ReLU·和softmax·均为激活函数，上标d为特征向量的维度，上标T为转置操作符；所述隐状态zi的先验分布pθ和后验分布均通过动态自适应图卷积网络计算，计算过程为： 式中，为Ai对应的第i段时间内的风速数据，为第i段时间内用风速数据计算得到的局部拓扑，为后验模块中的动态自适应图卷积神经网络，上标T为转置操作符；所述循环图卷积网络的输入为历史序列的m个隐状态z1,z2,...,zm，对其进行时空依赖建模，输出用于推断未来输出序列对应的隐状态；所述循环图卷积网络的基本结构为RGC神经元，所述RGC神经元均包括更新门、重置门以及图卷积块，其计算公式为： 式中，rt和ut分别为重置门和更新门，表示图卷积操作，At为t时刻的拓扑结构，μt、σt为每个隐状态zi对应的高斯分布的均值和方差，ht和ht-1为t时间步和t-1时间步RGC神经元中对应的隐藏状态，为t时间步RGC神经元中间计算的候选隐藏状态，Wr，Wu，为RGC神经元中更新门、重置门以及计算候选隐藏状态时对应的权重参数，br，bu，为RGC神经元中更新门、重置门以及计算候选隐藏状态时对应的偏置参数，tanh·和ReLU·均为激活函数，||表示特征向量拼接操作，⊙表示哈达玛积运算；所述随机循环解码网络通过推断未来输出功率序列对应的隐状态，并对其解码得到输出的预测风电功率，其得到预测风电功率的方法具体为：A1、将每个RGC神经元循环计算n次，得到每次计算时对应时刻的隐变量；A2、使用第一多层感知机根据隐变量计算对应时刻隐状态分布的均值和方差；A3、基于计算的均值和方差，通过重参数化采样得到该时刻的隐状态；A4、基于采样得到的隐状态，通过第二多层感知机计算得到该时刻输出功率的实际分布；A5、对输出功率的实际分布进行重采样，并对相邻子序列重叠部分取均值，得到输出的预测风电功率；所述步骤A5中，输出功率的实际分布s′t表示为： 式中，MLPs,μ·为第二多层感知机，z′t为通过重参数化采样得到隐状态。

全文数据：

权利要求：

百度查询： 四川大学 一种考虑非平稳时空依赖的长期风电功率预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD