[发明专利]一种分区模态分解多时空卷积网络风电场出力预测方法

权利要求书

1.一种分区模态分解多时空卷积网络风电场出力预测方法，其特征在于，该方法将分区、模态分解和多时空卷积网络进行结合，用于风电场出力的预测；所提分区模态分解多时空卷积网络方法在使用过程中的步骤为：

步骤(1)：输入风电场原始数据A，包括风电场的原始出力数据、历史运行数据、场站基本数据、气象预测数据、气象实测数据；

步骤(2)：在风电场原始数据完成输入后，对数据进行空间尺度上的划分，将原始数据分为N个子区域，各子区域的原始数据为A₁,A₂,…,A_N，且：

式中n为任一子区域，n∈[1,N]且n∈R；

步骤(3)：在风电场原始数据完成空间尺度上的划分后，对各分区分别进行模态分解，每个子区域划分为M个模态，对于任一子区域n，其各个模态的出力数据分别为A_n,1,A_n,2,…,A_n,M；

式中m为子区域n的任一模态，m∈[1,M]且m∈R；

步骤(4)：在风电场原始数据完成模态分解后，对各模态进行时间尺度上的划分，分为T个时间尺度，完成数据的多时空尺度化，而后输入多时空卷积网络；对于任一子区域n的任一模态m，其各个时间尺度数据为A_n,m,1,A_n,m,2,…,A_n,m,T，各时间尺度的具体长度记为T₁,T₂,…,T_T；

在模态分解和多时空分解结束后，A₁,A₂,…,A_N均用矩阵表示；对于任一分区的数据，其数据形状都相同；记数据长度为q，则任意的分区n的通式A_n为：

其中：

式中，T₀为所预测的时间长度，T_i为对应分区n的时间尺度；

步骤(5)：将步骤(4)得到的数据输入多时空卷积网络进行训练，使多时空卷积网络具有对风电场出力进行预测的能力；而后多时空卷积网络计算输出各模态在各时空尺度下的预测结果，对于任一子区域n的任一模态m，其预测数据为A′_n,m，其各个时间尺度的预测数据为A′_n,m,1,A′_n,m,2,…,A′_n,m,T，有：

式中，t为子区域n的模态m的任一时间尺度，t∈[1,T]且t∈R；

多时空卷积网络的卷积层，用于使网络的输出结果和输入数据维度一致；残差块堆叠结构，用于加深神经网络层数，防止训练困难，使多时空卷积网络具有信息记忆能力和拟合数据非线性关系的能力，每个残差块都包含一个分支，用来引出一系列的转换函数F，该转换函数的输出又被添加到下一残差块的输入中：

o＝Activation(z+F(z))                              (6)

式中，z为残差块的输入；F(z)为转换函数的输出；o为残差块的输出；

残差块中又包括：因果扩展卷积层、权重归一化、ReLU、Dropout和1×1卷积；其中，因果扩展卷积层中的因果卷积的输入输出关系为：

y₀,...,y_B＝f(x₀,...,x_B)                              (7)

式中，x₀,...,x_B为长度为B的时间序列数据；y₀,...,y_B为对应每一时刻的输出；

因果扩张卷积层满足下列关系：

式中，x_i为第i个输入数据；x_s-d·i为第s-d·i个输入数据；s-d·i表示过去的方向；d为扩张系数；k为过滤因子即卷积核，k-1用在求和符号∑中，在式中用以表示使i遍历从i＝0到i＝k-1的k个值；s为网络层标号；f(i)为对应x_i的输出；F(s)为卷积层输出；

步骤(6)：对多时空卷积网络计算得出的各模态在各时空尺度下的预测结果进行综合计算，得出总预测结果；

对各模态的各个时间尺度下的预测结果A′_n,m,1,A′_n,m,2,…,A′_n,m,t根据时间尺度的不同进行相应比例的叠加，得出各分区的各模态预测结果，对于任一子区域n，其各个模态的出力预测数据分别为A′_n,1,A′_n,2,…,A′_n,M，计算过程为公式(5)所述；

对各分区的各模态预测结果A′_n,1,A′_n,2,…,A′_n,M进行叠加，得出各分区的预测结果A′₁,A′₂,…,A′_N，计算过程为：

A′_n＝A′_n,1+A′_n,2+…+A′_n,M        (9)

对各分区预测结果A′₁,A′₂,…,A′_N进行叠加，得出总预测结果A′；计算过程为：

A′＝A′₁+A′₂+…+A′_N       (10)

得出总预测结果A′。