[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

说明书

本发明提出了一种分区模态分解多时空卷积网络风电场出力预测方法。该方法将分区、模态分解与多时空卷积网络相结合，用于对风电场的出力进行预测。首先，所提方法中分区主要用于对包括风电场的出力数据、历史运行数据、场站基本数据、气象预测数据、气象实测数据在内的风电场原始数据进行空间尺度上的划分，其次，所提方法中模态分解主要用于对空间尺度化后的原始数据进行模态分解，便于进一步对原始数据进行多时空尺度化；最后，多时空卷积网络对风电场出力进行预测。所提方法能够完成对风电场出力数据的精确预测，提高能源利用率，减少碳排放。

技术领域

本发明属于电力系统人工智能领域，涉及一种数值计算与人工智能结合的方法，适用于电力系统的风电场出力预测。

背景技术

现有用于风电场出力预测的时间序列模型通过学习负荷数据的时间序列特性进行预测，但却无法对非线性映射进行学习，也不具备对数据的非线性关系进行拟合的能力；特征学习模型通过学习数据的非线性映射关系进行预测，但却无法对时间序列特性进行学习，不具备对数据的时序特性进行考察的能力。上述两类模型无法同时学习负荷的非线性关系和时间序列特性，预测精确度低。

另外，风电场的出力受多种因素影响，数据成因复杂，在不经分解地使用原始数据进行分析、预测的情况下，会使所得结果的准确度降低，不利于运行调度部门制定、调整风电调度计划和制定运行方式。

因此，提出一种分区模态分解多时空卷积网络风电场出力预测方法，具备学习负荷数据的时间序列特性与非线性映射的能力，能精准地对风电场出力进行预测。

发明内容

本发明提出一种分区模态分解多时空卷积网络风电场出力预测方法，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；