[发明专利]一种基于图卷积神经网络的风电功率预测方法及系统

说明书

一种基于图卷积神经网络的风电功率预测方法及系统，获取区域内各个风电的地理位置信息，构建距离倒数矩阵；对风电数据进行采样构建样本集，样本集包括训练数据样本集以及预测数据样本集；依据距离倒数矩阵构建图卷积神经网络层；构建时序卷积神经网络层；基于图卷积神经网络层以及时序卷积神经网络层构建风电预测模型；利用训练数据样本集对风电预测模型进行训练，然后对预测数据样本集进行预测。本发明利用基于图卷积神经网络能够有效处理风电站间地理位置信息的非欧氏数据，可以充分挖掘其数据的空间相关性；针对风电站之间的图数据结构进行了合理的设计，使其更符合风电的出力特性；利用该模型进预测风电功率，能够提高预测的精度。

技术领域

本发明涉及风电预测技术领域，特别是涉及一种基于图卷积神经网络的风功率预测方法及系统。

背景技术

随着环境和化石能源问题的日益突出，风电作为可再生能源在近年得到了广泛发展，但风电出力的随机性与波动性对电网安全稳定运行提出了巨大的挑战。风电功率预测的精确度会影响电网消纳风电的能力，并且风电预测误差过大也会给电网运行调度带来不利影响。

风电的出力特征与大气运动密切相关，而大气运动在空间上是连续传播的。因此风电出力不仅在时间上具有持续性，在空间上也具有关联性，风电的时空特性是固然存在的自然规律，考虑其时空特性能够有效降低风电预测误差。若在区域内存在多个风电，多个风电之间的风功率大小在空间上存在关联性，因此对风电进行联合风电预测具有重要意义。

目前，针对风电时空特性建模的方法主要有物理方法、统计学方法以及人工智能法。物理方法主要依赖于数字天气预报的数据进行计算，其需要借助于复杂的数学模型，对计算需求较高，一般不适用于短期的风电预测。统计学方法现一般采用连接函数(Copula)法、马尔科夫链法(Markov Chain)以及核密度估计(Kernel Density Estimation)三大类方法。统计学模型计算复杂度较低，但对于时空特性建模的精确度与适用性较差。人工智能方法较多采用卷积神经网络(Convolutional Neural Network)结合循环神经网络(Recurrent Neural Network)对风电时空相关性进行建模。但是风电之间的地理信息为非欧氏数据，传统卷积神经网络其不能有效处理非欧氏数据，其在数据处理上存在缺陷。

总体来说对于降低风电的联合预测误差问题，目前缺少一种适用性广泛、可靠的解决方法。

发明内容

针对现有的风电风功率预测方法适用性较差、不够精确且无法有效处理地理信息此类非欧氏数据的问题。本发明的目的是提出了一种更准确、可靠的风电风功率预测方法，一种基于图神经网络的风电风功率预测方法及系统。

为实现上述目的，本发明采用如下的技术方案：

一种基于图卷积神经网络的风电功率预测方法，包括：

对风电数据进行采样构建样本集，使用风电预测模型对样本集进行风电功率预测，其中，风电预测模型包括时序卷积神经网络层和以风电图数据结构图为基础的图卷积神经网络层；风电图数据结构为节点包含外界交互的全连接有向图结构。

本发明进一步的改进在于，获取区域内各个风电站的经纬度，根据经纬度，计算风电站之间的距离，根据风电站的距离，构建风电图数据结构。

本发明进一步的改进在于，依据风电图数据结构构建距离倒数矩阵，依据距离倒数矩阵构建图卷积神经网络层。

本发明进一步的改进在于，距离倒数矩阵D(i,j)为节点间的距离倒数信息，使用d_ij描述第i节点与第j节点之间的距离，距离倒数矩阵D(i,j)对角线元素为0，非对角线元素为节点间距离的倒数i＝1,2,……N，j＝1,2,……N。

本发明进一步的改进在于，获取各个风电站的历史风功率实测数据，以L步历史数据作为预测输入信息、K步后的实测数据作为预测目标信息，构建样本集。