基于混合模型的海上风电机组功率预测的方法及装置与流程

1.本发明涉及一种海上风电机组功率预测领域，尤其是涉及一种基于混合模型的海上风电机组功率预测的方法及装置。


背景技术：

2.现有的海上机组功率预测模型大多是通过神经网络方法与其它方法结合进行分析，神经网络方法结合其它模型从而考虑对于海上机组功率影响的某一或几个方面的因素，或者通过结合其它模型从而优化原有方法，综合来看大多是考虑海上环境因素以及风电机组部件间的相互作用建立指标的预测模型。虽然考虑了诸多因素对于机组功率的影响，但是这些指标都是对相同事物的反映，不可避免的导致信息的重叠，增加了问题的复杂性，所以有必要对这些因素的重要性进行排序。对于海上风电机组功率数据来说存在明显的季节性特性，在风速较为平均的月份与风速变化较大的月份，海上风电机组功率数据往往呈现出不同的变化规律，即存在线性特性也有非线性特性。


技术实现要素：

3.本发明的目的在于提供一种基于混合模型的海上风电机组功率预测的方法及装置，旨在解决海上风电机组功率预测。
4.本发明提供一种基于混合模型的海上风电机组功率预测的方法，包括：
5.s1、获取历史机组数据采集与控制系统数据，所述历史机组数据采集与控制系统数据包括：海上风电机组功率数据、平均风速、平均发电机转速、平均湿度、平均温度、转向角和机组偏航次数，对历史机组数据采集与控制系统数据进行预处理；
6.s2、通过python导入依赖的包，将海上风电机组功率数据进行读取并可视化展示，通过自相关函数绘制自相关图和偏自相关图，并进行平稳性检验；
7.s3、对海上风电机组功率数据存在季节性特性进行平稳性分析后进行差分和季节性差分运算确定第一sarima模型参数，通过得到自相关图和偏自相关图确定第二sarima模型参数；
8.s4、基于第一sarima模型参数和第二sarima模型参数建立sarima模型，基于sarima模型对预处理后的海上风电机组功率数据进行拟合分析得到拟合结果和对应残差值，并利用ljung-box方法对残差进行白噪声检验；
9.s5、将预处理后的机组数据采集与控制系统数据进行归一化处理，将归一化处理后的数据输入随机森林模型进行训练得到训练好的随机森林模型；
10.s6、利用训练好的随机森林模型对海上风电机组scada数据进行因素选择得到选择结果，选择结果包括海上风电机组功率的影响因素数量和所占比重；
11.s7：将sarima模型得到的海上风电机组功率拟合值和残差值以及随机森林模型得到的海上风电机组功率影响因素选择结果和海上风电机组有功功率数据进行拼接得到时序数据，将时序数据进行归一化得到归一化数据；
12.s8：构建bigru循环神经网络模型，将归一化数据输入结合注意力机制的bigru循环神经网络进行训练，得到训练好的结合注意力机制的bigru循环神经网络模型；
13.s9：利用训练好的bigru循环神经网络对待预测海上风电机组功率数据进行预测得到输出特征，将输出特征进行反归一化处理得到海上风电机组预测功率数值。
14.本发明实施例还提供一种基于混合模型的海上风电机组功率预测的装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述方法的步骤。
15.采用本发明实施例，可以实现海上风电机组功率预测。
16.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
17.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.图1是本发明实施例的基于混合模型的海上风电机组功率预测的方法流程图；
19.图2是本发明实施例的基于混合模型的海上风电机组功率预测的装置示意图。
具体实施方式
20.下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
21.方法实施例
22.根据本发明实施例，提供了一种基于混合模型的海上风电机组功率预测的方法，图1是本发明实施例的基于混合模型的海上风电机组功率预测的方法的流程图，如图1所示，具体包括：
23.s1、获取历史机组数据采集与控制系统数据，所述历史机组数据采集与控制系统数据包括：海上风电机组功率数据、平均风速、平均发电机转速、平均湿度、平均温度、转向角和机组偏航次数，对历史机组数据采集与控制系统数据进行预处理；
24.对历史机组数据采集与控制系统数据进行预处理具体包括：对历史机组数据采集与控制系统进行数据划分、时间序列处理和标准化处理。
25.s2、通过python导入依赖的包，将海上风电机组功率数据进行读取并可视化展示，通过自相关函数绘制自相关图和偏自相关图，并进行平稳性检验；
26.s3、对海上风电机组功率数据存在季节性特性进行平稳性分析后进行差分和季节性差分运算确定第一sarima模型参数，通过得到自相关图和偏自相关图确定第二sarima模型参数；
27.s3具体包括：所述s3具体包括：对海上风电机组功率数据存在季节性特性，进行平稳性分析后进行差分和季节性差分运算确定季节性差分阶数和差分阶数，通过自相关图和偏自相关图确定季节性自回归参数、季节性移动平均阶数、自回归参数和移动平均阶数。。
28.s4、基于第一sarima模型参数和第二sarima模型参数建立sarima模型，基于sarima模型对预处理后的海上风电机组功率数据进行拟合分析得到拟合结果和对应残差值，并利用ljung-box方法对残差进行白噪声检验；
29.s4具体包括：基于季节性差分阶数和季节性自回归参数建立sarima模型，所述sarima模型如下：
30.其中，s为季节性周期长度；代表季节性p阶自回归算子，θq(bs)μ
t
表示季节性q阶移动平均算子；p代表季节性自回归参数；d是季节性差分阶数；q代表季节性移动平均阶数，p代表自回归参数；d是季节性差分阶数；q代表季节性移动平均阶数；
31.基于sarima模型对预处理后的海上风电机组功率数据进行拟合分析得到拟合结果和对应残差值，并利用ljung-box方法对残差进行白噪声检验。
32.s5、将预处理后的机组数据采集与控制系统数据进行归一化处理，将归一化处理后的数据输入随机森林模型进行训练得到训练好的随机森林模型；
33.s6、利用训练好的随机森林模型对海上风电机组scada数据进行因素选择得到选择结果，选择结果包括海上风电机组功率的影响因素数量和所占比重；
34.s6具体包括：
35.采用随机有放回的方式抽取样本生成子数据集；
36.分别在生成子数据集上独立地训练各个子决策树，其中，在训练子决策树时，利用特征信息选取最优划分特征，具体为通过基尼不纯度得到平均不纯度减少值来选择最优划分特征，其中，平均不纯度减少值计算公式为：
[0037][0038]
t为某个时间的结果总和，pi为某一事件的概率；
[0039]
采用袋外错误率进行验证与分析，最终得到训练好的随机森林模型。
[0040]
s7：将sarima模型得到的海上风电机组功率拟合值和残差值以及随机森林模型得到的海上风电机组功率影响因素选择结果和海上风电机组有功功率数据进行拼接得到时序数据，将时序数据进行归一化得到归一化数据；
[0041]
将时序数据进行归一化得到归一化数据，归一化公式如下：
[0042][0043]
其中x0为原始数据，x为归一化后的数据，xmin为样本最小值，xmax为样本最大值。
[0044]
s8：构建bigru循环神经网络模型，将归一化数据输入结合注意力机制的bigru循环神经网络进行训练，得到训练好的结合注意力机制的bigru循环神经网络模型；
[0045]
构建bigru循环神经网络模型具体包括：
[0046]
s61：构建输入层和输出层，其中输入层的节点数与待输入时序数据的特征属性相同，输出层包含拟合结果与预测结果，拟合结果用于计算拟合误差，预测结果为海上风电机
组时序预测结果；
[0047]
s62：构建隐藏层，所述隐藏层为采用gru细胞搭建的循环神经网络层；
[0048]
隐藏层为采用gru细胞搭建的循环神经网络层具体包括：采用gru细胞搭建单层循环神经网络结构，gru细胞包含了更新门、重置门和输出门门控结构，更新门用于控制隐藏状态的更新，重置门决定是否忽略之前的隐藏状态，将t时刻的输入xt和t-1时刻的输出h
t-1
一起输入细胞进行计算；依次的前向传播计算公式如下：
[0049][0050]ht-1
表示上一时刻的隐层信息，x
t
表示当前输入向量，σ为sigmoid函数，w
xu
和w
xr
分别为重置门和更新门的权重矩阵；
⊙
为点乘运算,w为权重矩阵，小角标代表不同的阶段，bu、br、bh表示偏置向量，中间时刻的神经元与x
t
拼接之后得到的数据代入tanh中得到
[0051]
s63：将得到拟合结果、预测结果和历史海上风电机组功率数据作为训练数据，进行参数寻优，确定隐藏层采用3层神经网络结构，其中一层为循环bigru神经网络层，一层为attention层，第三层为dense层，确定训练次数；定义损失函数，梯度下降方式采用adam下降方法，得到训练好的bigru循环神经网络模型。
[0052]
将归一化数据输入结合注意力机制的bigru循环神经网络进行训练具体包括：
[0053]
前向传播计算bigru细胞输出；
[0054]
反向计算每个bigru细胞的误差项，按照时间和网络层级两个方向反向传播；再根据相应的误差项，计算每个权重的梯度；
[0055]
基于梯度的优化算法更新权重，其中选用平均绝对误差作为误差计算方式，训练过程中的损失函数为：
[0056][0057]
yi就是预测值，xi就是输入值，h(xi)为输入后的神经单元。
[0058]
s9：利用训练好的bigru循环神经网络对待预测海上风电机组功率数据进行预测得到输出特征，将输出特征进行反归一化处理得到海上风电机组预测功率数值。
[0059]
具体实施方法如下：
[0060]
本发明提供了一种基于sarima-rf-bigru混合模型的海上风电机组功率预测方法及装置，用以解决或者至少部分解决现有技术中存在的预测结果不够精确的技术问题。
[0061]
为了解决上述技术问题，本发明第一方面提供了一种基于因素选择和残差优化混合神经网络模型的海上风电机组功率预测方法，包括：
[0062]
s1:获取海上风电机组历史数据采集与控制系统(scada)数据，scada数据包括海上风电机组有功功率、无功功率、平均风速、平均发电机转速、平均湿度、平均温度、转向角、机组偏航次数等84维数据，对scada数据进行预处理；
[0063]
s2：通过python导入依赖的包，将海上风电机组功率数据进行读取进行可视化展示，并通过自相关函数(auto correlation function,acf)绘制自相关图和偏自相关图，并
进行平稳性检验。
[0064]
s3:对海上风电机组功率数据存在季节性特性，进行平稳性分析后进行差分和季节性差分运算确定差分次数d，通过得到pacf图和acf图确定参数(p,q),s表示季节长度。
[0065]
s4:利用确定好的sarima(p,d,q)(p,d,q)s对海上风电机组功率数据进行拟合分析，sarima模型数学表达式为：
[0066][0067]
其中，s为季节性周期长度；代表季节性p阶自回归算子，θq(bs)μ
t
表示季节性q阶移动平均算子；p代表季节性自回归参数；d是季节性差分阶数；q代表季节性移动平均阶数。
[0068]
得到拟合结果和对应残差值，并利用ljung-box方法对残差进行白噪声检验。
[0069]
s5：将获取的海上风电机组scada数据共计84维进行归一化处理。
[0070]
s6:将归一化处理后的数据输入随机森林模型进行训练，得到训练好的随机森林模型；
[0071]
s7:利用训练好的随机森林模型对海上风电机组scada数据进行因素选择，得到选择结果，选择结果包括海上风电机组功率的影响因素数量以及所占比重。
[0072]
s8:将sarima模型得到的海上风电机组功率拟合值和残差值、随机森林模型得到的海上风电机组功率影响因素选择结果和海上风电机组有功功率数据进行拼接，将拼接后的数据进行归一化梳理；
[0073]
s9：将归一化处理后的数据输入结合注意力机制的bigru循环神经网络进行训练，得到训练好的结合注意力机制的bigru循环神经网络模型；
[0074]
s10:利用训练好的bigru循环神经网络对海上风电机组功率数据进行预测，得到海上风电机组预测功率数值。
[0075]
在一种实施方式中，s1中对历史scada信息进行预处理，包括：对历史scada信息进行数据划分、时间序列处理以及标准化处理。
[0076]
在一种实施方式中，s2中python导入statsmodels数据库，它提供建立sarima模型的功能。其中包括：
[0077]
s2.1:对海上机组功率数据时间序列进行相关性衡量，自相关函数(auto correlation function,acf)表达式为：
[0078][0079]
s2.2:对海上风电机组功率数据进行单位根adf检验，检验原始数据的平稳性，adf检验结果要极显著的拒绝原假设说明时间序列是平稳的，反之则为非平稳序列需要进行差分处理。
[0080]
在一种实施方式中，s7具体包括：
[0081]
s7.1:采用随机有放回的方式抽取样本生成子数据集；
[0082]
s7.2:分别在生成子数据集上独立地训练各个子决策树，其中，在训练子决策树时，利用特征信息选取最优划分特征，具体为通过基尼不纯度得到平均不纯度减少值来选择最优划分特征，其中，平均不纯度减少值计算公式为：
[0083][0084]
s7.3:采用袋外错误率进行验证与分析，最终得到训练好的随机森林模型。
[0085]
在一种实施方式中，预处理后的历史海上风电机组scada信息为时序数据，该时序数据包括特征属性，s9具体包括：
[0086]
s9.1：通过网络搜索法进行参数寻优，确定模型拟采用3层神经网络结构，其中一层为循环bigru神经网络层，一层为attention层，第三层为dense层。每层的神经元个数分别为50、128、2。确定训练次数，mini-batch数目为128，梯度下降方式采用adam下降方法。
[0087]
s9.2：模型训练，将以上得到的功率时序数据包括功率残差值、平均风速、平均发电机转速值、海上风电机组功率值，作为所有数据样本，所有数据分成训练集和测试集，其中训练集数据为4/5，测试集测试数据为1/5。
[0088]
s9.3:对样本进行归一化处理，归一化公式为：
[0089][0090]
其中x0为原始数据，x为归一化后的数据。
[0091]
s9.1具体包括：
[0092]
s9.1.1:前向传播计算bigru细胞输出；
[0093]
s9.1.2:反向计算每个bigru细胞的误差项，按照时间和网络层级两个方向反向传播；再根据相应的误差项，计算每个权重的梯度；
[0094]
s9.1.3:基于梯度的优化算法更新权重，其中选用平均绝对误差作为误差计算方式，训练过程中的损失函数为：
[0095][0096]
s9.4:将测试集输入到训练集训练好的循环bigru神经网络进行预测，同时对预测数据进行反归一化处理，使得得到的数据为真实的海上风电机组数据，反归一化公式为：
[0097][0098]
本发明提供的一种基于sarima-rf-bigru混合模型的海上风电机组功率预测方法，首先利用训练好的sarima模型对海上风电机组功率数据进行拟合分析得到功率拟合结果和残差数据；然后利用训练好的随机森林模型进行海上风电机组数据最优数据选择，得到海上风电机组功率数据影响最优数据及其概率；然后将sarima模型得到的拟合值和残差数值与海上风电机组功率机组最优影响因素以及海上风电机组功率数据一起输入到训练好的bigru神经网络模型对海上风电机组功率进行预测，不断地输入海上风电机组scada数据得到实时的海上风电机组功率预测值，相比于现有技术中仅能得到使用时间越久，可靠性越低的笼统性趋势分析结果而已，随着数据量的增大模型预测结果越精确，提高了预测的精确性，从而可以提高对海上风电机组功率风险预警，及时预防和止损。
[0099]
装置实施例一
[0100]
本发明实施例提供一种基于混合模型的海上风电机组功率预测的装置，如图2所示，包括：存储器20、处理器22及存储在存储器20上并可在处理器22上运行的计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。
[0101]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换本发明各实施例技术方案，并不使相应技术方案的本质脱离本方案的范围。

技术特征：
1.一种基于混合模型的海上风电机组功率预测的方法，其特征在于，包括：s1、获取历史机组数据采集与控制系统数据，所述历史机组数据采集与控制系统数据包括：海上风电机组功率数据、平均风速、平均发电机转速、平均湿度、平均温度、转向角和机组偏航次数，对历史机组数据采集与控制系统数据进行预处理；s2、通过python导入依赖的包，将海上风电机组功率数据进行读取并可视化展示，通过自相关函数绘制自相关图和偏自相关图，并进行平稳性检验；s3、对海上风电机组功率数据存在季节性特性进行平稳性分析后进行差分和季节性差分运算确定第一sarima模型参数，通过自相关图和偏自相关图确定第二sarima模型参数；s4、基于第一sarima模型参数和第二sarima模型参数建立sarima模型，基于sarima模型对预处理后的海上风电机组功率数据进行拟合分析得到拟合结果和对应残差值，并利用ljung-box方法对残差进行白噪声检验；s5、将预处理后的机组数据采集与控制系统数据进行归一化处理，将归一化处理后的数据输入随机森林模型进行训练得到训练好的随机森林模型；s6、利用训练好的随机森林模型对海上风电机组scada数据进行因素选择得到选择结果，选择结果包括海上风电机组功率的影响因素数量和所占比重；s7：将sarima模型得到的海上风电机组功率拟合值和残差值以及随机森林模型得到的海上风电机组功率影响因素选择结果和海上风电机组有功功率数据进行拼接得到时序数据，将时序数据进行归一化得到归一化数据；s8：构建bigru循环神经网络模型，将归一化数据输入结合注意力机制的bigru循环神经网络进行训练，得到训练好的结合注意力机制的bigru循环神经网络模型；s9：利用训练好的bigru循环神经网络对待预测海上风电机组功率数据进行预测得到输出特征，将输出特征进行反归一化处理得到海上风电机组预测功率数值。2.根据权利要求1所述的方法，其特征在于，所述对历史机组数据采集与控制系统数据进行预处理具体包括：对历史机组数据采集与控制系统进行数据划分、时间序列处理和标准化处理。3.根据权利要求2所述的方法，其特征在于，所述s3具体包括：对海上风电机组功率数据存在季节性特性，进行平稳性分析后进行差分和季节性差分运算确定季节性差分阶数和差分阶数，通过自相关图和偏自相关图确定季节性自回归参数、季节性移动平均阶数、自回归参数和移动平均阶数。4.根据权利要求3所述的方法，其特征在于，所述s4具体包括：基于季节性差分阶数和季节性自回归参数建立sarima模型，所述sarima模型如下：其中，s为季节性周期长度；代表季节性p阶自回归算子，θ
q
(b
s
)μ
t
表示季节性q阶移动平均算子；p代表季节性自回归参数；d是季节性差分阶数；q代表季节性移动平均阶数，p代表自回归参数；d是季节性差分阶数；q代表季节性移动平均阶数；基于sarima模型对预处理后的海上风电机组功率数据进行拟合分析得到拟合结果和对应残差值，并利用ljung-box方法对残差进行白噪声检验。5.根据权利要求4所述的方法，其特征在于，所述s6具体包括：采用随机有放回的方式抽取样本生成子数据集；
分别在生成子数据集上独立地训练各个子决策树，其中，在训练子决策树时，利用特征信息选取最优划分特征，具体为通过基尼不纯度得到平均不纯度减少值来选择最优划分特征，其中，平均不纯度减少值计算公式为：t为某个时间的结果总和，p
i
为某一事件的概率；采用袋外错误率进行验证与分析，最终得到训练好的随机森林模型。6.根据权利要求5所述的方法，其特征在于，所述将时序数据进行归一化得到归一化数据，归一化公式如下：其中x0为原始数据，x为归一化后的数据，x
min
为样本最小值，x
max
为样本最大值。7.根据权利要求6所述的方法，其特征在于，所述构建bigru循环神经网络模型具体包括：s61：构建输入层和输出层，其中输入层的节点数与待输入时序数据的特征属性相同，输出层包含拟合结果与预测结果，拟合结果用于计算拟合误差，预测结果为海上风电机组时序预测结果；s62：构建隐藏层，所述隐藏层为采用gru细胞搭建的循环神经网络层；s63：将得到拟合结果、预测结果和历史海上风电机组功率数据作为训练数据，进行参数寻优，确定隐藏层采用3层神经网络结构，其中一层为循环bigru神经网络层，一层为attention层，第三层为dense层，确定训练次数；定义损失函数，梯度下降方式采用adam下降方法，得到训练好的bigru循环神经网络模型。8.根据权利要求7所述的方法，其特征在于，所述隐藏层为采用gru细胞搭建的循环神经网络层具体包括：采用gru细胞搭建单层循环神经网络结构，gru细胞包含了更新门、重置门和输出门门控结构，更新门用于控制隐藏状态的更新，重置门决定是否忽略之前的隐藏状态，将t时刻的输入x
t
和t-1时刻的输出h
t-1
一起输入细胞进行计算；依次的前向传播计算公式如下：h
t-1
表示上一时刻的隐层信息，x
t
表示当前输入向量，σ为sigmoid函数，w
xu
和w
xr
分别为重置门和更新门的权重矩阵；
⊙
为点乘运算。9.根据权利要求8所述的方法，其特征在于，所述将归一化数据输入结合注意力机制的bigru循环神经网络进行训练具体包括：前向传播计算bigru细胞输出；反向计算每个bigru细胞的误差项，按照时间和网络层级两个方向反向传播；再根据相应的误差项，计算每个权重的梯度；基于梯度的优化算法更新权重，其中选用平均绝对误差作为误差计算方式，训练过程
中的损失函数为：10.一种基于混合模型的海上风电机组功率预测的装置，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至9中任一项所述的基于混合模型的海上风电机组功率预测的方法的步骤。

技术总结
本发明公开了一种基于混合模型的海上风电机组功率预测的方法及装置，所述方法包括：首先利用训练好的SARIMA模型对海上风电机组功率数据进行拟合分析得到功率拟合结果和残差数据；然后利用训练好的随机森林模型进行海上风电机组数据最优数据选择，得到海上风电机组功率数据影响最优数据及其概率；然后将SARIMA模型得到的拟合值和残差数值与海上风电机组功率机组最优影响因素以及海上风电机组功率数据一起输入到训练好的BIGRU神经网络模型对海上风电机组功率进行预测，不断地输入海上风电机组SCADA数据得到实时的海上风电机组功率预测值。本发明可以实现基于混合模型的海上风电机组功率预测的方法及装置。海上风电机组功率预测的方法及装置。海上风电机组功率预测的方法及装置。


技术研发人员：孙晓聪 贾小刚 兰世平 张建文 王建波 林延填 周兴政 彭虹桥
受保护的技术使用者：长江三峡集团福建能源投资有限公司
技术研发日：2023.06.01
技术公布日：2023/9/5