一种大规模风电集群超短期风电功率预测方法与流程

1.本发明涉及风电功率预测领域，是一种大规模风电集群超短期风电功率预测方法。


背景技术：

2.现有技术中，本领域是以单个风电场的输出功率为预测目标进行短期风电功率预测的，但是从电网调度的角度和需求上，单纯的风电场功率预测已不能满足系统调度的需求。一方面，调度人员在安排运行方式和旋转备用时更关注整个系统中不确定性功率的大小，而不是单个风电场；另一方面，风电穿透功率的提高使得电网实时运行调度和联络线交换功率控制的难度越来越大，因此针对风电集群的功率预测更有利于调度计划的制定。
3.本领域需要亟待解决的技术问题是：
4.(1)当前的风电集群预测方法多面向中小规模，面向大规模风电集群的预测方法尚未充分展开，事实上，大规模风电基地的功率预测结果对于区域电网调度意义更大；
5.(2)区别于单个风电场的功率预测模式，集群功率预测的输入数据为单个风电场提供的数据组成的数据集合，其数据的发散性难以直接表征风电集群的出力特性，需要进一步从单场数据集合中提取出表征风电集群出力的模式；
6.(3)大规模风电集群的风电场数量众多，其建模效率随着风电场数量的增加而下降，因此，如何提升建模效率，加速预测模型的收敛。


技术实现要素：

7.本发明的目的是，克服现有技术的不足，提供一种科学合理，物理意义清晰、快速高效、简单实用、精度更高且能够反映系统动态特性、跟踪未来功率趋势的大规模风电集群超短期风电功率预测方法。
8.实现本发明目的采用的技术方案是：一种大规模风电集群超短期风电功率预测方法，其特征在于：它包括以下步骤：
9.1)基于模糊聚类的风电集群划分方法
10.将模糊聚类引入隶属度的概念，使各样本以一定的隶属度从属于不同聚类，据此将样本划分为若干互不相交的子集，记观测数据矩阵为式(1):
11.x＝[x1,x2,,xs]
ꢀꢀ
(1)
[0012]
式中，xj＝[x
i1
,x
i2
,,x
ib
]，x
ib
为第i个样本的第b次观测结果，i＝1,2,,n，s为变量个数；
[0013]
定义目标函数为式(2)：
[0014][0015]
式中，v代表聚类中心矩阵，其中v＝[v1,v2,,vc]，c代表聚类中心的个数，u＝(u
jk
)c×m为隶属度矩阵，u
jk
为第k个样本xk从属于第j类的隶属度，d
jk
＝||x
k-vj||代表样本xk与聚类中心vj的欧氏距离，m为样本个数；
[0016]
模糊聚类以初始化聚类中心为基础，通过不断更新隶属度矩阵和聚类中心，并以目标函数最小化为优化目标，最终获得类别划分，聚类中心和隶属度更新方法为式(3)-式(4)：
[0017][0018][0019]
式中l为迭代次数；
[0020]
有代表性的输入特征是保证算法收敛的根本条件，通过统计特征构建，对风电场的波动特性进行表征，以各个风电场的波动特征作为输入，以模糊聚类算法作为分类器，实现风电集群的划分，风电场波动特征构建方案为式(5)-式(10)：
[0021]
①
第一统计特征为风电场最大出力的标幺值，代表风电场最大出力水平；
[0022][0023]
式中，n为风机的数量，f表示计算标幺值，p表示风机的功率，表示风电场最大出力的标幺值；
[0024]
②
第二统计特征为风电场最大风速值，反映风电场最大风速；
[0025]vmax
＝max{v1,v2,...,vn},n＞0
ꢀꢀ
(6)
[0026]
式中，v
max
为风电场的最大风速，vi表示第i台风机的风速，n表示风机的数量；
[0027]
③
第三统计特征为风电场功率方差，反映风电场功率波动；
[0028][0029]
式中，为风电场的功率方差，pi表示第i台风机的功率，p表示风电场的平均功率，n表示风机的数量；
[0030]
④
第四统计特征为风电场风速方差，反映风电场风速波动；
[0031][0032]
式中，表示为风电场的风速方差，vi表示第i台风机的风速，表示风电场的平均风速，n表示风机的数量；
[0033]
⑤
第五统计特征为平均风速，反映平均风速分布状况；
[0034][0035]
式中，表示为平均风速，vi表示第i台风机的风速，n表示风机的数量；
[0036]
⑥
第六统计特征为平均功率标幺值，反映平均功率分布状况；
[0037][0038]
式中，表示平均功率标幺值，f表示计算标幺值，pi表示第i台风机的功率，n表示风机的数量；
[0039]
2)基于时空注意力神经网络的风电集群功率预测方法
[0040]
给出具有n个特征的多变量时间序列x＝[x1,x2,,xn]
t
∈rn×k，k代表输入序列的长度，表示第i个输入变量的输入时间序列；
[0041]
对于各个特征采用前馈神经网络对空间嵌入进行计算；对输入数据x＝[x1,x2,,xn]
t
，所有输入变量的嵌入计算结果为d＝[d1,d2,,dn]
t
,对于时间步输入x＝[x1,x2,,xk]，由两层lstm组成的编码层计算的时间步嵌入h＝[h1,h2,,hk]；
[0042]
采用前馈神经网络作为对齐模型，计算空间注意权值对于输出时间步j，第i个空间注意力权重为式(11)-式(12)：
[0043][0044][0045]
其中[h
′
j-1
；di]∈r
p+m
，h
′
j-1
∈r
p
代表lstm解码器的上以隐含层状态，di∈rm代表第i个特征的空间嵌入，为注意力权重，be为偏置值，w为权重值，进一步根据空间注意力权重计算空间上下文向量gj；
[0046]
对于输出时间步j，使用对齐模型计算与h
t
所对应的时间注意力权重是关于h
t
和解码器上一隐含层状态h
′
j-1
的函数，为式(13)：
[0047][0048]
其中，ba为偏置值，w为权重值，[h
′
j-1
；h
t
]∈r
p+m
，进一步根据时空上下文向量sj计算注意力权重空间和时间注意力依赖于lstm解码器的隐含层状态，即lstmg和lstms，在计算空间上下文向量gj时，lstm的隐含层状态和神经元状态分别定义为h
′g和c
′g。对于输出时间步j，输入到空间注意力是由解码器隐含层状态h
′
g,j-1
计算得出的gj，将r
g,j
和上一时间步进行拼接得到输入到lstmg来更新隐含层状态h
′
g,j
，bg为偏置值，wg为权重值，为式(14)：
[0049][0050]
对于lstm的时间上下文向量sj，lstm的隐含层和神经元状态分别为h
′s∈r
p
和c
′s∈r
p
，在时间步j，h
′
s,j-1
代表用于计算时间上下文向量的时间注意力，拼接和r
s,j
并输入到lstms更新隐含层状态h
′
s,j
，bs为偏置值，ws为权重值，为式(15)：
[0051][0052]
在预测之前，最后一步是将两个lstm的隐藏状态更新连接到[h
′
g,j
；h
′
s,j
]；
[0053]
以stan模型作为预测器，设当前时间为t，特征数量为k,各输入特征均向前取16步，即t-15t时点的特征作为输入，基于时空相关特征挖掘对大规模风电集群超短期风电功率进行预测，其预测为i-v：
[0054]
i.根据气象及历史功率构造统计特征，表征风电场波动特性，采用k-means算法对输入特征进行聚类，实现风电集群的划分；
[0055]
ii.采用主成分分析算法将各风电集群的风速、温度、湿度进行降维，结合风速、温度、湿度和压强的平均值构建空间特征集合；
[0056]
iii.构建时空注意力网络，划分训练集和测试集，在训练集上训练时空注意力网络，得到超短期功率预测模型；
[0057]
iv.叠加各风电集群预测结果，重构风电基地功率预测结果；
[0058]
v.结合综合指标评估体系，对大规模风电集群的超短期功率预测结果进行准确率和稳定性的综合评估；
[0059]
3)仿真计算
[0060]
仿真输入量：对电场的实测数据进行分析，确定风电场的总装机容量；输入数据：风电场历史功率，风电场的风速、温度和湿度nwp数据；数据采样间隔为15min；根据步骤1)至步骤2)，得到预测时段的风电功率超短期预测结果；
[0061]
4)误差分析
[0062]
均方根误差的计算为式(16)：
[0063][0064]
式中，yi代表i时刻的实际功率，代表i时刻的预测功率，n代表测试集长度，cap代表实际风电场开机容量，由于实际风电场开机容量难以获取，设定装机容量为实际风电场开机容量；
[0065]
平均绝对误差的计算为式(17)：
[0066][0067]
式中，r
mae
表示平均绝对误差，yi代表i时刻的实际功率，yi代表i时刻的预测功率；
[0068]
合格率计算为式(12)：
[0069][0070]
式中，bi代表合格率判定标准，bi＝0代表样本i预测合格，bi＝1代表样本i预测合
格，此外，最大正误差和最小负误差用来评估极端误差事件，误差的计算为式(19)：
[0071]
err(t)＝y(t)-y
pred
(t)
ꢀꢀ
(19)
[0072]
式中，err(t)表示误差值，y(t)表示实际值，y
pred
(t)表示预测值；
[0073]
最大正误差计算为式(20)：
[0074]
mpe＝argmax(err(t)) (20)
[0075]
式中，err(t)表示误差值，mpe表示最大正误差；
[0076]
最小负误差计算为式(21)：
[0077]
mne＝argmin(err(t)) (21)
[0078]
式中，mne表示最小负误差；
[0079]
按步骤3)输入仿真输入量，将模型计算的预测功率同实测功率经过步骤4)中的误差评价标准式(16)－式(21)进行误差计算，求得预测的均方根误差、平均绝对误差、合格率、最大正误差和最小负误差。
[0080]
本发明的一种大规模风电集群超短期风电功率预测方法，能够实现对风电场出力特性的有效识别，并实现对风电场集群进行合理划分；主成分分析算法能够实现风电集群空间特征提取，实现输入数据降维，加速算法训练速度，促进算法收敛；stan模型能够实现对区域风电的快速建模与预测；能够反映系统动态特性、跟踪未来功率趋势。具有科学合理，物理意义清晰、快速高效、简单实用、精度更高的优点。第4h的测试集预测rmse为0.07631，极端误差在装机容量的25％左右，预测合格率接近100％，预测性能稳定。
附图说明
[0081]
图1为时间步j的时空注意力权重计算示意图；
[0082]
图2为时空特征矩阵图；
[0083]
图3为风电集群预测框架结构示意图；
[0084]
图4为不同特征主成分贡献率示意图；
[0085]
图5为预测功率曲线图；
[0086]
图6为极端误差事件示意图。
具体实施方式
[0087]
下面结合附图和具体实施例，对本发明的一种大规模风电集群超短期风电功率预测方法作进一步说明。
[0088]
结合图1-图3，本发明的一种大规模风电集群超短期风电功率预测方法，包括以下步骤：
[0089]
1)基于模糊聚类的风电集群划分方法
[0090]
将模糊聚类引入隶属度的概念，使各样本以一定的隶属度从属于不同聚类，据此将样本划分为若干互不相交的子集，记观测数据矩阵为式(1):
[0091]
x＝[x1,x2,,xs] (5)
[0092]
式中，xj＝[x
i1
,x
i2
,,x
ib
]，x
ib
为第i个样本的第b次观测结果，i＝1,2,,n，s为变量个数。
[0093]
定义目标函数为式(2)：
[0094][0095]
式中，v代表聚类中心矩阵，其中v＝[v1,v2,,vc]，c代表聚类中心的个数，u＝(u
jk
)c×m为隶属度矩阵，u
jk
为第k个样本xk从属于第j类的隶属度，d
jk
＝||x
k-vj||代表样本xk与聚类中心vj的欧氏距离，m为样本个数。
[0096]
模糊聚类以初始化聚类中心为基础，通过不断更新隶属度矩阵和聚类中心，并以目标函数最小化为优化目标，最终获得类别划分，聚类中心和隶属度更新方法为式(3)-式(4)：
[0097][0098][0099]
式中l为迭代次数。
[0100]
有代表性的输入特征是保证算法收敛的根本条件，通过统计特征构建，对风电场的波动特性进行表征，以各个风电场的波动特征作为输入，以模糊聚类算法作为分类器，实现风电集群的划分，风电场波动特征构建方案为式(5)-式(10)：
[0101]
①
第一统计特征为风电场最大出力的标幺值，代表风电场最大出力水平；
[0102][0103]
式中，n为风机的数量，f表示计算标幺值，p表示风机的功率，表示风电场最大出力的标幺值；
[0104]
②
第二统计特征为风电场最大风速值，反映风电场最大风速；
[0105]vmax
＝max{v1,v2,...,vn},n＞0
ꢀꢀ
(6)
[0106]
式中，v
max
为风电场的最大风速，v表示风机的风速，n表示风机的数量；
[0107]
③
第三统计特征为风电场功率方差，反映风电场功率波动；
[0108][0109]
式中，为风电场的功率方差，pi表示第i台风机的功率，表示风电场的平均功率，n表示风机的数量；
[0110]
④
第四统计特征为风电场风速方差，反映风电场风速波动；
[0111][0112]
式中，表示为风电场的风速方差，vi表示第i台风机的风速，表示风电场的平均风速，n表示风机的数量；
[0113]
⑤
第五统计特征为平均风速，反映平均风速分布状况；
[0114][0115]
式中，表示为平均风速，vi表示第i台风机的风速，n表示风机的数量；
[0116]
⑥
第六统计特征为平均功率标幺值，反映平均功率分布状况；
[0117][0118]
式中，表示平均功率标幺值，f表示计算标幺值，pi表示第i台风机的功率，n表示风机的数量。
[0119]
以159个风电场的6个统计特征作为输入，采用模糊聚类算法将其划分为几个风电集群。2)基于时空注意力神经网络的风电集群功率预测方法
[0120]
给出具有n个特征的多变量时间序列x＝[x1,x2,,xn]
t
∈rn×k，k代表输入序列的长度，表示第i个输入变量的输入时间序列；
[0121]
对于各个特征采用前馈神经网络对空间嵌入进行计算；对输入数据x＝[x1,x2,,xn]
t
，所有输入变量的嵌入计算结果为d＝[d1,d2,,dn]
t
,对于时间步输入x＝[x1,x2,,xk]，由两层lstm组成的编码层计算的时间步嵌入h＝[h1,h2,,hk]。
[0122]
采用前馈神经网络作为对齐模型，计算空间注意权值对于输出时间步j，第i个空间注意力权重为式(11)-式(12)：
[0123][0124][0125]
其中[h
′
j-1
；di]∈r
p+m
，h
′
j-1
∈r
p
代表lstm解码器的上以隐含层状态，di∈rm代表第i个特征的空间嵌入，为注意力权重，be为偏置值，w为权重值，进一步根据空间注意力权重计算空间上下文向量gj。
[0126]
对于输出时间步j，使用对齐模型计算与h
t
所对应的时间注意力权重是关于h
t
和解码器上一隐含层状态h
′
j-1
的函数，为式(13)：
[0127][0128]
其中，ba为偏置值，w为权重值，[h
′
j-1
；h
t
]∈r
p+m
，进一步根据时空上下文向量sj计算注意力权重空间和时间注意力依赖于lstm解码器的隐含层状态，即lstmg和lstms，在计算空间上下文向量gj时，lstm的隐含层状态和神经元状态分别定义为h
′g和c
′g。对于输出时间步j，输入到空间注意力是由解码器隐含层状态h
′
g,j-1
计算得出的gj，将r
g,j
和上一时间步进行拼接得到输入到lstmg来更新隐含层状态h
′
g,j
，bg为偏置值，wg为权重值，为式(14)：
[0129][0130]
对于lstm的时间上下文向量sj，lstm的隐含层和神经元状态分别为h
′s∈r
p
和c
′s∈r
p
，在时间步j，h
′
s,j-1
代表用于计算时间上下文向量的时间注意力，拼接和r
s,j
并输入到lstms更新隐含层状态h
′
s,j
，bs为偏置值，ws为权重值，为式(15)：
[0131][0132]
在预测之前，最后一步是将两个lstm的隐藏状态更新连接到[h
′
g,j
；h
′
s,j
]。
[0133]
以stan模型作为预测器，设当前时间为t，特征数量为k,各输入特征均向前取16步，即t-15～t时点的特征作为输入。
[0134]
如图3所示，基于时空相关特征挖掘对大规模风电集群超短期风电功率进行预测，其预测为i-v：
[0135]
i.根据气象及历史功率构造统计特征，表征风电场波动特性，采用k-means算法对输入特征进行聚类，实现风电集群的划分；
[0136]
ii.采用主成分分析算法将各风电集群的风速、温度、湿度进行降维，结合风速、温度、湿度和压强的平均值构建空间特征集合；
[0137]
iii.构建时空注意力网络，划分训练集和测试集，在训练集上训练时空注意力网络，得到超短期功率预测模型；
[0138]
iv.叠加各风电集群预测结果，重构风电基地功率预测结果；
[0139]
v.结合综合指标评估体系，对大规模风电集群的超短期功率预测结果进行准确率和稳定性的综合评估。
[0140]
3)仿真计算
[0141]
仿真输入量：对电场的实测数据进行分析，确定风电场的总装机容量；输入数据：风电场历史功率，风电场的风速、温度和湿度nwp数据；数据采样间隔为15min；根据步骤1)至步骤2)，得到预测时段的风电功率超短期预测结果。
[0142]
4)误差分析
[0143]
均方根误差的计算为式(16)：
[0144][0145]
式中，yi代表i时刻的实际功率，代表i时刻的预测功率，n代表测试集长度，cap代表实际风电场开机容量，由于实际风电场开机容量难以获取，设定装机容量为实际风电场开机容量。
[0146]
平均绝对误差的计算为式(17)：
[0147][0148]
式中，r
mae
表示平均绝对误差，yi代表i时刻的实际功率，yi代表i时刻的预测功率。
[0149]
合格率计算为式(12)：
[0150][0151]
式中，bi代表合格率判定标准，bi＝0代表样本i预测合格，bi＝1代表样本i预测合格。
[0152]
此外，最大正误差和最小负误差用来评估极端误差事件，误差的计算为式(19)：
[0153]
err(t)＝y(t)-y
pred
(t)
ꢀꢀ
(19)
[0154]
式中，err(t)表示误差值，y(t)表示实际值，y
pred
(t)表示预测值。
[0155]
最大正误差计算为式(20)：
[0156]
mpe＝argmax(err(t))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)
[0157]
式中，err(t)表示误差值，mpe表示最大正误差。
[0158]
最小负误差计算为式(21)：
[0159]
mne＝argmin(err(t))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0160]
式中，mne表示最小负误差。
[0161]
按步骤3)输入仿真输入量，将模型计算的预测功率同实测功率经过步骤4)中的误差评价标准式(16)－式(21)进行误差计算，求得预测的均方根误差、平均绝对误差、合格率、最大正误差和最小负误差。
[0162]
本发明的一种大规模风电集群超短期风电功率预测方法，以某地的159个风电场的大规模风电集群实测数据为例进行分析，采样间隔为15min。该电站的装机容量为17286.6mw，集群划分结果如表1所示。
[0163]
表1集群划分结果
[0164][0165]
为了同一量纲，提升计算效率，采用最大-最小归一化方法对输入、输出数据进行归一化处理，以某个特征x为例，归一化的原理如下：
[0166][0167]
其中，x
′
代表归一化后的特征向量，x
min
和x
max
分别代表x的最大值和最小值。预测阶段，依据反归一化公式将预测结果还原到原始功率区间，反归一化原理如公式(23)所示：
[0168]
x＝x'(x
max-x
min
)+x
min
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(23)
[0169]
以1号集群为例，采用主成分分析对空间的32个风电场的风速、温度、湿度三个特征进行降维，取主成分数量为10。各特征的主成分贡献率如图4所示，风速的第一、第二主成分贡献率相对较高，相加高于70％，因此取风速的第一、第二主成分作为建模输入。温度的第一主成分高于90％，因此取温度的第一主成分作为建模输入。湿度的第一主成分高于70％，因此温度的第一主成分被选为建模输入。主成分分析算法将风速、温度、湿度组成的96个空间特征降低为4个，大幅度降低了数据维度，保留空间特征的一致性，促进算法的收敛。
[0170]
数据驱动模型训练参数如表2所示，为了降低过拟合风险，设置dropout为0.2。
[0171]
表2训练参数
[0172][0173]
对于16步的功率外推建模，对不同的预测步长空间注意力权重变化幅度不大。但是就某一预测步长来说，历史功率所占的注意力权重最高，由此可见功率序列的自相关性对于超短期的功率预测建模起主导作用。其次是风速的第一主成分，然后是空间平均风速，据此可见数值天气预报提供的风速对于精确建模也有一定的贡献。严格来说，风速和风电功率之间存在因果关联，风速的注意力权重应该很高，但是由于数值天气预报存在误差，这种因果关系在注意力权重的外化上被淡化。和风速和历史功率相比、温度、湿度和压强贡献较小。
[0174]
区域风电集群及风电群体的第16步预测曲线如图5所示，预测曲线可以精准地追踪实际功率曲线，误差较小。但是值得指出的是，stan模型和其他的多步预测模型一样，其预测结果也存在时序上的延时，而且随着预测步长的增加，时延越来越明显。表3-表7分别展示了1-5号集群的预测性能。
[0175]
表3 1号集群性能
[0176][0177]
表4 2号集群性能
[0178][0179]
表5 3号集群性能
[0180][0181]
表6 4号集群性能
[0182][0183][0184]
表7 5号集群性能
[0185][0186]
stan模型的合格率指标几乎稳定在100％，大部分样本预测的绝对误差都低于装机容量的25％。相关系数及r2系数随着预测时间尺度的增加呈下降趋势，但是外推到第16步，仍然保持较高的数值，说明预测曲线和实际功率曲线保持很高的相似程度，波峰波谷可以有效拟合。mae和rmse两项误差评估指标有轻微的上升趋势，幅度不大，说明在测试集上绝对误差较低，对第4小时的预测结果，rmse仍然能稳定在装机容量的10％以内，stam模型对大规模风电集群的功率预测性能稳定。
[0187]
极端误差事件对电力系统的影响最大，极端正误差说明预测值严重低于实际值，实际风电出力较高，容易出现弃风现象。极端负误差说明预测值严重高于实际值，实际风电出力较低，容易出现切负荷事件，stan模型的16步预测的极端误差统计如图6所示。按照绝对误差超过装机容量的40％即被认定为极端误差事件的说法，与以单场为单位的预测结果相比，以大规模风电集群为预测单位极少发生极端误差事件。随着预测步长的增加，极端误差的绝对值呈大致上升趋势。对于第16步的预测，极端正误差为装机容量的25.278％，极端正误差为装机容量25.719％，均明显低于装机容量的40％，以此证明stan模型的稳定性。
[0188]
将本发明提出的stan和时间卷积网络(tcn)、长短时记忆网络(lstm)、双向长短时记忆网络(bilstm)以及lstm组成的循环自编码器(rec-encoder)进行性能对比，对比指标为未来4h预测结果的平均rmse。结果表明，stan算法取得的误差最低；性能最低的是tcn算法，其最高误差和最低rmse之前相差0.00734。但是风电集群总装机容量为16887mw，相当于两种算法的预测误差相差124mw，相当于一个中小规模风电场的装机容量。
[0189]
将本发明的集群划分-子集群预测结果叠加的预测模式、单场预测叠加的预测模式、直接以总集群进行预测的预测模式进行性能对比，对比性能同样为4h预测的平均rmse。本发明预测模式的平均rmse为0.0522，单场预测叠加的平均rmse为0.0618，直接总集群的预测模式的平均rmse为0.0639，本发明的提出的预测模式误差最低，对于保障区域保证供
电能力的贡献更大。
[0190]
本发明具体实施方式并非穷举，并不构成对权利要求保护范围的限定，本领域技术人员根据本发明实施例获得的启示，不经过创造性劳动就能够想到其它实质上等同的替代，均在本发明保护范围内。

技术特征：
1.一种大规模风电集群超短期风电功率预测方法，其特征在于：它包括以下步骤：1)基于模糊聚类的风电集群划分方法将模糊聚类引入隶属度的概念，使各样本以一定的隶属度从属于不同聚类，据此将样本划分为若干互不相交的子集，记观测数据矩阵为式(1):x＝[x1,x2,,x
s
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式中，x
j
＝[x
i1
,x
i2
,,x
ib
]，x
ib
为第i个样本的第b次观测结果，i＝1,2,,n，s为变量个数；定义目标函数为式(2)：式中，v代表聚类中心矩阵，其中v＝[v1,v2,,v
c
]，c代表聚类中心的个数，u＝(u
jk
)
c
×
m
为隶属度矩阵，u
jk
为第k个样本x
k
从属于第j类的隶属度，d
jk
＝||x
k-v
j
||代表样本x
k
与聚类中心v
j
的欧氏距离，m为样本个数；模糊聚类以初始化聚类中心为基础，通过不断更新隶属度矩阵和聚类中心，并以目标函数最小化为优化目标，最终获得类别划分，聚类中心和隶属度更新方法为式(3)-式(4)：式(4)：式中l为迭代次数；有代表性的输入特征是保证算法收敛的根本条件，通过统计特征构建，对风电场的波动特性进行表征，以各个风电场的波动特征作为输入，以模糊聚类算法作为分类器，实现风电集群的划分，风电场波动特征构建方案为式(5)-式(10)：
①
第一统计特征为风电场最大出力的标幺值，代表风电场最大出力水平；式中，n为风机的数量，f表示计算标幺值，p表示风机的功率，表示风电场最大出力的标幺值；
②
第二统计特征为风电场最大风速值，反映风电场最大风速；v
max
＝max{v1,v2,...,v
n
},n＞0 (6)式中，v
max
为风电场的最大风速，v
i
表示第i台风机的风速，n表示风机的数量；
③
第三统计特征为风电场功率方差，反映风电场功率波动；式中，为风电场的功率方差，p
i
表示第i台风机的功率，表示风电场的平均功率，n表示风机的数量；
④
第四统计特征为风电场风速方差，反映风电场风速波动；
式中，表示为风电场的风速方差，v
i
表示第i台风机的风速，表示风电场的平均风速，n表示风机的数量；
⑤
第五统计特征为平均风速，反映平均风速分布状况；式中，表示为平均风速，v
i
表示第i台风机的风速，n表示风机的数量；
⑥
第六统计特征为平均功率标幺值，反映平均功率分布状况；式中，表示平均功率标幺值，f表示计算标幺值，p
i
表示第i台风机的功率，n表示风机的数量；2)基于时空注意力神经网络的风电集群功率预测方法给出具有n个特征的多变量时间序列x＝[x1,x2,...,x
n
]
t
∈r
n
×
k
，k代表输入序列的长度，表示第i个输入变量的输入时间序列；对于各个特征采用前馈神经网络对空间嵌入进行计算；对输入数据x＝[x1,x2,...,x
n
]
t
，所有输入变量的嵌入计算结果为d＝[d1,d2,...,d
n
]
t
,对于时间步输入x＝[x1,x2,...,x
k
]，由两层lstm组成的编码层计算的时间步嵌入h＝[h1,h2,...,h
k
]；采用前馈神经网络作为对齐模型，计算空间注意权值对于输出时间步j，第i个空间注意力权重为式(11)-式(12)：式(12)：其中[h
′
j-1
；d
i
]∈r
p+m
，h
′
j-1
∈r
p
代表lstm解码器的上以隐含层状态，d
i
∈r
m
代表第i个特征的空间嵌入，为注意力权重，b
e
为偏置值，w为权重值，进一步根据空间注意力权重计算空间上下文向量g
j
；对于输出时间步j，使用对齐模型计算与h
t
所对应的时间注意力权重是关于h
t
和解码器上一隐含层状态h
′
j-1
的函数，为式(13)：其中，b
a
为偏置值，w为权重值，[h
′
j-1
；h
t
]∈r
p+m
，进一步根据时空上下文向量s
j
计算注意力权重空间和时间注意力依赖于lstm解码器的隐含层状态，即lstm
g
和lstm
s
，在计算空间上下文向量g
j
时，lstm的隐含层状态和神经元状态分别定义为h
′
g
和c
′
g
。对于输出时间
步j，输入到空间注意力是由解码器隐含层状态h
′
g,j-1
计算得出的g
j
，将r
g,j
和上一时间步进行拼接得到输入到lstm
g
来更新隐含层状态h
′
g,j
，b
g
为偏置值，w
g
为权重值，为式(14)：对于lstm的时间上下文向量s
j
，lstm的隐含层和神经元状态分别为h
′
s
∈r
p
和c
′
s
∈r
p
，在时间步j，h
′
s,j-1
代表用于计算时间上下文向量的时间注意力，拼接和r
s,j
并输入到lstm
s
更新隐含层状态h
′
s,j
，b
s
为偏置值，w
s
为权重值，为式(15)：在预测之前，最后一步是将两个lstm的隐藏状态更新连接到[h
′
g,j
；h
′
s,j
]；以stan模型作为预测器，设当前时间为t，特征数量为k,各输入特征均向前取16步，即t-15～t时点的特征作为输入，基于时空相关特征挖掘对大规模风电集群超短期风电功率进行预测，其预测为i-v：i.根据气象及历史功率构造统计特征，表征风电场波动特性，采用k-means算法对输入特征进行聚类，实现风电集群的划分；ii.采用主成分分析算法将各风电集群的风速、温度、湿度进行降维，结合风速、温度、湿度和压强的平均值构建空间特征集合；iii.构建时空注意力网络，划分训练集和测试集，在训练集上训练时空注意力网络，得到超短期功率预测模型；iv.叠加各风电集群预测结果，重构风电基地功率预测结果；v.结合综合指标评估体系，对大规模风电集群的超短期功率预测结果进行准确率和稳定性的综合评估；3)仿真计算仿真输入量：对电场的实测数据进行分析，确定风电场的总装机容量；输入数据：风电场历史功率，风电场的风速、温度和湿度nwp数据；数据采样间隔为15min；根据步骤1)至步骤2)，得到预测时段的风电功率超短期预测结果；4)误差分析均方根误差的计算为式(16)：式中，y
i
代表i时刻的实际功率，代表i时刻的预测功率，n代表测试集长度，cap代表实际风电场开机容量，由于实际风电场开机容量难以获取，设定装机容量为实际风电场开机容量；平均绝对误差的计算为式(17)：式中，r
mae
表示平均绝对误差，y
i
代表i时刻的实际功率，y
i
代表i时刻的预测功率；
合格率计算为式(12)：式中，b
i
代表合格率判定标准，b
i
＝0代表样本i预测合格，b
i
＝1代表样本i预测合格，此外，最大正误差和最小负误差用来评估极端误差事件，误差的计算为式(19)：err(t)＝y(t)-y
pred
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)式中，err(t)表示误差值，y(t)表示实际值，y
pred
(t)表示预测值；最大正误差计算为式(20)：mpe＝argmax(err(t))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)式中，err(t)表示误差值，mpe表示最大正误差；最小负误差计算为式(21)：mne＝argmin(err(t))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)式中，mne表示最小负误差；按步骤3)输入仿真输入量，将模型计算的预测功率同实测功率经过步骤4)中的误差评价标准式(16)－式(21)进行误差计算，求得预测的均方根误差、平均绝对误差、合格率、最大正误差和最小负误差。

技术总结
本发明是一种大规模风电集群超短期风电功率预测方法，其特点是，包括：基于模糊聚类的风电集群划分方法、基于时空注意力神经网络的风电集群功率预测方法、仿真计算和误差分析步骤。首先采用统计特征提取方法构造风电场波动特征，进一步以模糊聚类算法构建风电集群划分模型；然后，构建时空注意力网络提取风电数据时空特征，并训练大规模风电集群功率预测模型；最后，用综合指标评估体系分析风电功率预测性能的稳定性。具有科学合理、物理意义清晰、快速高效、简单实用、精度更高的优点。精度更高的优点。精度更高的优点。


技术研发人员：杨茂 韩超 张薇 王勃 王钊
受保护的技术使用者：中国电力科学研究院有限公司
技术研发日：2023.03.12
技术公布日：2023/7/18