[发明专利]一种基于时空相关性的风电场短期风速预测方法

说明书

本发明公开了一种基于时空相关性的风电场短期风速预测方法，该方法基于VMD和混合深度学习模型CNN‑Attention‑LSTM，首先获取目标站点风速的时空数据，经过数据清理后进行VMD分解，获得较为稳定的IMF(固有模态函数)分量；进一步地，针对各IMF分量，应用底层的CNN模型抽取风速的空域特征；再应用项层LSTM模型进行风速时域特征的提取并得到各分量的预测结果，同时融合通道注意力机制；最后进行合并获得最终预测风速。本发明充分利用风速的时空相关性，结合VMD和CNN‑Attention‑LSTM网络，改善原始风速的不平稳特性，有效提高风速预测精度，可以优化包含风电场的电网调度性能，保障电力系统的可靠、经济运行。

技术领域

本发明涉及一种风速预测方法，尤其涉及一种基于时空相关性的风电场短期风速预测方法。

背景技术

与煤炭、石油、天然气等传统能源相比，风能具有污染低、成本少、可持续的特点，目前已经成为新能源的主流，并在世界范围内广泛应用。根据全球风能理事会(GWEC)发布的最新报告，2020年全球风电装机容量达到743GW，新增装机同比增长53％。然而，对于包含风电场的电力系统来说，风电场的随机性、波动性和间歇性，对整个电力系统的运行控制提出了重大挑战。

目前，风速预测技术可分为三类：物理模型、统计模型和人工智能模型。物理模型主要通过建立风速与气压、空气密度、空气湿度的关系完成风速预测。该建模过程需要大量的计算，通常用于特定区域的长期风速预测。与物理模型相比，统计模型简单易行，在短期风速预测中广泛采用。它利用历史风速数据，建立系统输入和输出之间的线性映射关系。人工智能模型的基础是机器学习技术。它基于大量风速时间数据，描述系统输入和输出之间复杂的非线性关系。最近，随着深度学习技术的蓬勃发展，它们也迅速应用于短期风速预测，如CNN、RNN(循环神经网络)、GRU(门控循环单元)、LSTM等。该类方法结合现有的风速预测技术以及混合神经网络模型在一定程度上取得了不错的预测结果。但是，目前的短期风速预测算法大多只关注时域数据，而目标风电场附近站点的风速数据也同时包含着丰富的信息，例如风速的空域数据。目前这部分空域数据与预测常用的时域数据之间所具有的相关性未得到有效的利用，导致短期风速预测的精度在某些情景下的预测准确率大大降低。

发明内容

发明目的：针对以上问题，本发明提出一种基于时空相关性的风电场短期风速预测方法，能够提高风电场短期风速预测的精度。

技术方案：本发明所采用的技术方案是一种源测量单元测试系统及测试方法，包括以下步骤：

步骤1、获取风电场风速时空数据序列，进行数据预处理；所述数据预处理包括获取目标站点的原始时空风速序列X(t)_l，对缺失数据、重复数据和跳变数据使用该数值附近的风速平均值替换，得到预处理之后的风速数据

步骤2、应用VMD对预处理后的风速时空数据序列进行分解，得到固态模式函数分量IMF；步骤2中所述的应用VMD对预处理后的风速时空数据数列进行分解，得到表示原始数据时空特征的K个分量，即t时刻风电场第l个站点风速的第k个固态模式函数分量。其中t∈R^T，k∈R^K，l∈R^L。

步骤3、对IMF分量应用CNN模型提取风速的空域特征；其中所述的卷积神经网络模型包括卷积层、池化层和全连接层，具体为：

卷积层：其中，代表特征图谱中的第l层的第q个特征，代表第l层的核滤波器，代表偏移向量，M_q是输入数据选择区域，*代表卷积操作，p代表当前使用的数据；

池化层：其中，down(·)为下取样操作；

全连接层：x_l＝g(ω^lx^l-1+b^l)，ω^l和b^l分别代表权矩阵和偏移向量。