[发明专利]基于端到端模型的爬坡预测方法

说明书

本发明公开了一种基于端到端模型的爬坡预测方法。其方法主要包括数据预处理、预测模型训练、模型预测和风电功率爬坡检测四部分；预测模型训练包括主预测模型训练模块和误差修正模型训练模块，模型预测包括主模型预测模块和误差模型修正模块；主预测模型训练模块用于将历史风电功率数据、历史风速数据和预报风速数据作为模型输入；误差修正模型训练模块用于将主模型输出的风电功率预测残差序列作为数据集对误差修正模型进行训练测试；主模型预测模块用于对风电功率进行预测；误差模型修正模块用于将主预测模型的输出作为残差模型输入，预测残差修正初步预测值；风电功率爬坡检测模块用于风电功率预测序列的爬坡检测，得到爬坡预测特征量。

技术领域

本发明属于风电功率预测领域，尤其涉及风电功率爬坡预测，具体是一种基于端到端模型的爬坡预测方法。

背景技术

风电功率爬坡事件是指在短时间间隔内风电功率的较大波动，会严重影响电网系统的安全稳定运行。因此对于电力系统的安全稳定运行而言，对风电功率爬坡事件的预测方法进行研究极为必要。基于间接预测的爬坡事件预测方法是指首先通过风电功率预测得到未来风电功率时序数据，然后利用风电功率爬坡检测方法对该预测序列进行爬坡检测，最终得到预测爬坡事件。在间接预测方法中，风电爬坡预测性能的好与坏，很大程度上取决于风电功率预测模型的预测精度。因此亟需一种科学有效的风电功率爬坡预测方法。

现有的基于间接预测的风电功率爬坡检测方法中，基于序列分解的方法由于其过程繁琐导致预测运行缓慢，而神经网络模型可以以相对较好的精度快速提供预测结果。但现有的基于神经网络的风电功率爬坡预测模型的输入只利用历史风电功率数据，很难学习到突变的特征，容易造成预测结果的滞后性。同时随着预测步长变大，功率预测的精度越小，最终导致爬坡预测准确度越低。

综上所述，设计一种能实现解决预测滞后性问题和预测步长较大时的预测精度低问题的风电爬坡预测方法尤为重要。

发明内容

针对上述问题，本发明提供一种基于端到端模型的爬坡预测方法，实现分钟级别的短时爬坡预测。

本发明解决上述问题所采用的基于端到端模型的爬坡预测方法，由数据预处理、预测模型训练、模型预测和风电功率爬坡检测四部分组成；其中预测模型训练部分包括主预测模型训练模块和误差修正模型训练模块，模型预测部分主要包括主模型预测模块和误差模型修正模块；其中所述主预测模型训练模块，用于将历史风电功率数据、历史风速数据和预报风速数据作为模型输入，对主模型输入进行训练；所述误差修正模型训练模块，用于将主模型中的风电功率预测模型输出的风电功率预测残差序列作为数据集对误差修正模型进行训练测试；所述主模型预测模块，用于对未来4小时的风电功率进行预测；所述误差模型修正模块用于将主预测模型的输出作为残差模型输入，预测残差并修正初步预测值；所述风电功率爬坡检测模块，用于风电功率预测序列的爬坡检测，最后得到爬坡预测特征量。

进一步的是，所述主预测模型训练模块由端到端模型构成，该端到端模型中编码器和解码器都采用双向长短时记忆神经网络模型作为主要模型结构，并添加注意力机制学习每个步长特征的贡献程度；

进一步的是，所述主预测模型训练模块的输入包括将历史理论功率值、历史实际功率值、历史风速、历史风向和预报风速；

进一步的是，所述主预测模型训练模块将与风电功率相关性更高的预报风速作为神经网络模型的输入，使模型不再只关注历史风电功率数据，避免预测滞后性现象的产生；

进一步的是，所述主预测模型训练模块的输入取过去一周的历史数据，输出未来4个小时的风电功率预测值；

进一步的是，所述误差修正模型训练模块的输入包括当前主模型的功率预测序列和历史预测残差序列将时间卷积网络作为基础结构，解决长期依赖问题，扩大感受野；

进一步的是，所述风电功率爬坡检测模块对上述预测模型输出的风电功率序列进行爬坡检测，最后输出爬坡特征量。