申请/专利权人：南京理工大学

申请日：2023-05-15

公开（公告）日：2024-04-09

公开（公告）号：CN116579479B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/06;G06N3/0442;G06N3/048;G06N3/08;H02J3/38

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2023.08.29#实质审查的生效;2023.08.11#公开

摘要：本发明公开了一种风电场功率超短期预测方法，构建预测风电场入流风速风向的双LSTM模型，将历史时刻的风电场入流风速和风向输入双LSTM预测模型，预测未来时刻风电场入流风速风向；构建基于复杂排布空间量化方法、2D‑Jensen模型和尾流偏转模型的时变有向图生成器，将预测的未来时刻风电场入流风速风向、各风力机设定偏航角和各风力机位置坐标输入时变有向图生成器，生成未来时刻的时变有向图；构建边特征权重分配图神经网络功率预测模型，将未来时刻时变有向图输入图神经网络功率预测模型，进行风电场内各风力机功率超短期预测。本发明能够实现时变入流风况及复杂空间排布影响下风电场的超短期功率预测。

主权项：1.一种风电场功率超短期预测方法，其特征在于，基于入流风况预测和时变有向图生成器的边特征权重分配图神经网络，实现风电场功率超短期预测，具体步骤如下：步骤1、采集风电场内各风力机的历史时刻数据，计算风电场入流风速风向；步骤2、构建预测风电场入流风速风向的双LSTM模型，将历史时刻的风电场入流风速和风向输入双LSTM预测模型，预测未来时刻风电场入流风速风向；步骤3、构建基于复杂排布空间量化方法、2D-Jensen模型和尾流偏转模型的时变有向图生成器，将预测的未来时刻风电场入流风速风向、各风力机设定偏航角和各风力机位置坐标输入时变有向图生成器，生成未来时刻的时变有向图；步骤4、构建边特征权重分配图神经网络功率预测模型，将未来时刻时变有向图输入图神经网络功率预测模型，进行风电场内各风力机功率超短期预测；步骤2，构建预测风电场入流风速风向的双LSTM模型，将历史时刻的风电场入流风速和风向输入双LSTM预测模型，预测未来时刻风电场入流风速风向，其中：预测风电场入流风速风向的双LSTM模型采用两个相同结构的LSTM模型，分别对入流风速和入流风向进行预测，LSTM模型的网络结构为：It＝σWxiXt+WhiHt-1+BiFt＝σWxfXt+WhfHt-1+BfOt＝σWxoXt+WhoHt-1+BoCt＝Ft⊙Ct-1+It⊙tanhWxcXt+WhcHt-1+BcHt＝Ot⊙tanhCt式中，It、Ft、Ot分别表示为t时刻更新门、遗忘门和输出门矩阵，Ct、Ht分别表示为t时刻的单元细胞状态和隐藏层状态矩阵，Xt表示t时刻的长短期记忆单元输入矩阵，Wxi、Wxf、Wxo、Wxc分别为输入层神经网络中更新门、遗忘门和输出门和细胞状态的权重，Whi、Whf、Who、Whc分别为隐藏层神经元中更新门、遗忘门和输出门和细胞状态的权重，Bi、Bf、Bo、Bc分别为更新门、遗忘门和输出门和细胞状态的偏置，σ为sigmoid激活函数；将入流风速、风向时间序列标准化后，作为入流风况双LSTM预测模型的训练集数据，使用MSE或MAE作为损失函数，设置相应的迭代步数、批处理数，通过优化器对双LSTM预测模型参数进行优化，当模型训练过程中的损失函数不再降低，则优化参数完成，预测风电场入流风速风向的双LSTM模型构建完成；步骤3，构建基于复杂排布空间量化方法、2D-Jensen模型和尾流偏转模型的时变有向图生成器，将各风力机设定偏航角、各风力机位置坐标和通过双LSTM预测模型预测的未来时刻风电场入流风速风向输入时变有向图生成器，生成未来时刻的时变有向图，其中时变有向图生成器，具体方法为：以主入流风向为基准，根据风力机相对空间位置进行坐标变换，将以正东为X轴、以正北为Y轴的固定坐标系转换为以入流风向的方向为X轴、垂直于入流风向的方向为Y轴的动态时变坐标系，并将各风力机位置坐标转换为新坐标，计算公式为： 式中，xi',yi'为第i风力机转换后新坐标，xi,yi为第i风力机转换前坐标，θin为风电场主入流风向为绝对风向，取风电场主入流风向与正北方向夹角；在新坐标系下，获取风电场全部n台风力机X轴坐标序列X′＝x′1,x′2,…,x′n-1,x′n，将X轴坐标序列X′内元素按由小到大进行排序，获得排序后的坐标序列X′min→max，根据X′min→max确定风力机上下游顺序，其中X轴坐标最小的风力机为风电场最上游风力机，X轴坐标最大的风力机为风电场最下游风力机，风力机上下游顺序表达式为：WT1,WT2,…WTn-1,WTn,min→max其中，WTi代表第i台风力机，min→max表示按X轴坐标由小到大排序；基于风力机上下游顺序依次通过尾流偏转模型和2D-Jensen模型判断每对上下游风力机间是否存在尾流影响并计算尾流影响程度，若存在尾流影响，则在上下游风力机之间建立有向边，上游风力机为发送节点，下游风力机为接受节点，设置该边的特征为上游风力机对下游风力机的尾流损失因子；若不存在，则上下游风力机间不建立边，具体方法为：根据两台风力机转换后的新坐标计算两台风力机的相对位置和方位角，同时根据风力机上下游顺序定义上游风力机与下游风力机，定义上下游风力机连线与上游风力机尾流中心轴线的夹角θL，通过尾流偏转模型对θL进行求解；θL＝0.3CT·β@+θFWT-θi式中，θin为入流风向角，θFWT为上游风力机相对于下游风力机所在的方位角，β1为上游风力机的偏航角，CT为风力机推力系数；定义下游风力机所在截面与上游风力机的垂直距离为Ll；Ll＝LdcosθL式中，Ld为上下游风力机的机舱连线距离；同时定义下游风力机与上游风力机尾流中心横向距离为Lr；Lr＝LdsinθL下游风力机所处截面位置的尾流半径计算公式为：Rl＝kLl+r0式中，k为尾流衰减系数，r0为风力机的风轮半径；根据计算所得的尾流半径Rl，判断下游风力机是否受上游风力机的尾流影响，若Lr-r0'＞Rl，则下游风力机不受上游风力机的尾流影响；若Lr-r0'≤Rl，则下游风力机受上游风力机的尾流影响，其中，r0’为下游风力机风轮半径在垂直上游风力机尾流中心方向上的投影长度，计算公式为：r0'＝r0cos0.3CT·β1+β2式中，β2为下游风力机的偏航误差角；当下游风力机受上游风力机的尾流影响时，利用2D-Jensen尾流模型计算计算下游风力机的尾流损失因子δu，并将尾流损失因子δu作为上下游风力机机节点间的边特征，计算公式为： 式中，uwLl,Lr为下游风力机受上游风力机尾流影响下等效风速，x为下游尾流纵向距离,u0为上游风力机入流风速，CT为风力机推力系数；遍历风电场内全部风力机后，得到整个风电场的边特征集合esr和邻接矩阵A，邻接矩阵A表征各上下游风力机间是否存在尾流影响，边特征集合esr表征各上下游风力机间尾流影响的程度，其中邻接矩阵具体定义为n×n矩阵，n表示有向图中存在的节点数，若节点i风力机对节点j风力机存在尾流影响，邻接矩阵中第i行第j列元素为1，若不存在尾流影响则该元素为0，公式为： 最后，将未来时刻风电场入流风向设置为全局特征gin，将未来时刻风电场入流风速设置为各风力机节点特征ni，将全局特征gin、节点特征ni、边特征esr和邻接矩阵A汇总为未来时刻的有向图G＝esr,ni,gin,A；步骤4，构建边特征权重分配图神经网络功率预测模型，将未来时刻时变有向图输入图神经网络功率预测模型，进行风电场内各风力机功率超短期预测，其中边特征权重分配图神经网络功率预测模型，具体为：边特征权重分配图神经网络功率预测模型选择2-4层，其中第一层采用有向图边特征权重分配的图神经网络层，为权重层，其余层不采用边权重分配的图神经网络层，为通用层；每层图神经网络层具有三个更新函数与三个聚合函数，分别是边更新函数Φe·、节点更新函数Φn·、全局更新函数Φg·、邻边聚合函数φe→n·、边聚合函数φe→g·、节点聚合函数φn→g·，权重层是在通用层基础上嵌入边特征权重分配函数ρe·；在单层图神经网络层中，输入图为Gin＝esr,ni,gin,A，图中具有全部边特征esr，节点特征ni，与全局特征gin，更新顺序如下所示：首先进行边特征更新，每个有向边的更新需要邻近发送节点特征ns和接收节点特征nr，以及该边自身特征esr，将所有特征输入到边更新函数Φe·中，边更新函数由神经网络MLPe·生成，更新后的边特征esr'为：esr'＝Φeesr,ns,nr＝MLPeesr,ns,nr边权重wsr定义如下： 式中x为下游尾流纵向距离，权重层采用边特征权重分配函数，将边更新后的边特征esr'与权重相乘得到最终边特征esr”：esr”＝ρeesr×esr'＝wsr×esr'通用层不采用边特征权重分配函数，最终边特征即为更新后边特征：esr”＝esr'图神经网络层中全部边特征更新完成后，对节点特征进行更新，每个节点特征ni更新过程需要所有邻边特征esi、自身节点特征ni和全局特征gin，首先使用邻边聚合函数φe→n·将与该节点存在连接的s条邻边特征聚合；权重层采用求和函数作为邻边聚合函数，通用层采用求平均函数作为邻边聚合函数，聚合后邻边特征定义如下：权重层： 通用层： 将聚合后的邻边特征Esi、自身节点特征ni和全局特征gin输入到节点更新函数Φn·中，节点更新函数由神经网络MLPn·生成，更新后的节点特征ni′为：ni′＝ΦnEsi,ni,gin＝MLPnEsi,ni,gin全部节点特征更新完后，进行全局特征更新，全局特征更新需要全部边特征、所有节点特征和风电场全局特征；首先使用全部边聚合函数φe→g·将有向图中所有m条有向边的边特征聚合起来；权重层采用求和函数作为全部边聚合函数，通用层采用求平均函数作为全部边聚合函数，聚合后全部边特征定义如下：权重层： 通用层： 全部边特征聚合完成后，使用全部节点聚合函数φn→g·将有向图中全部p个节点特征；权重层采用求和函数作为全部节点聚合函数，通用层采用求平均函数作为全部节点聚合函数，聚合后全部节点特征定义如下：权重层： 通用层： 全部边特征与节点特征聚合完成后，将聚合后的边特征E、聚合后节点特征N和全局特征gin输入全局更新函数Φg·中，全局特征更新函数由神经网络MLPg·生成，更新后的全局特征g′如下：g′＝ΦgE,N,gin＝MLPgE,N,gin全局特征更新完后得到单层图神经网络层的计算完成，全部更新与聚合过程中邻接矩阵A不改变，图神经网络层输出边特征esr″、节点特征ni′和全局特征g′，将输出的边特征esr″、节点特征ni′和全局特征g′和邻接矩阵A当作输入特征，输入到下一层的图神经网络层；有向图中的边特征、节点特征、边特征与邻接矩阵经过全部图神经网络层计算后，得到输出有向图Gout＝esrout,niout,gout,A，将输出有向图中节点特征输入全连接层MLPp·，最终计算有向图中各节点的特征，节点特征即为各风力机的功率特征poweri：poweri＝MLPpniout。

全文数据：

权利要求：

百度查询： 南京理工大学 风电场功率超短期预测方法、系统、计算机及存储介质

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