1.考虑海上风电多机组时空特性的超短期功率预测模型建立方法,其特征在于包括以下步骤:S1)分析Transformer模型机制;
所述步骤S1)分析Transformer模型机制包括:
S11)Transformer模型分析
Transformer模型是一种神经网络,其模型在采用了自注意力机制代替了常规的RNN,以解决输入和输出间的全局依赖关系,实现模型并行化,使其可以学习复杂模式与动态的时间序列,并利用多变量时间序列提高预测RNN的泛化能力,重点采用缩放点积注意力函数,则公式如下所示:式中:A(Q,K,V)为注意力函数,K为所有键映射的键矩阵,V为所有值映射值矩阵,K与V信息包含输入时间序列的时间与功率信息,Q为所有查询映射查询,d为时间序列其矩阵的维度,Softmax(·)为激活函数;
Transformer模型结构包含N个编码器与N个解码器,位置编码通过输入时间序列位置信息得位置向量并与输入数据相加,使得模型无需RNN结构可感知输入数据位置信息,位置信息如式(2)、式(3)所示:式中:pos为时间序列位置,2i表示时间序列位置为偶数,2i+1表示时间序列位置为奇数,d为时间序列维度;
Transformer模型采用多头自注意力机制,其将Q,K,V通过其对应的线性映射矩阵映射至不同的空间,再分别计算注意力函数形成多头注意力,然后将多头注意力拼接后再通过线性映射矩阵WO映射输出,计算公式如下所示:M(Q,K,V)=Concat(head1,...,headh)WO (4)headi=A(QWiQ,KWiK,VWiV) (5)
式中:M(Q,K,V)为多头自注意力函数,WO,WQ,WK,QV分别为M,Q,K,V的线性映射矩阵,Concat(·)为拼接函数;
前馈神经网络由两次线性转化与一个ReLU激活函数组成,计算公式如下所示:FFNN(x)=max(0,xW1+b1)W2+b2 (6)
式中:FFNN(x)为前馈神经网络函数,W1,b1为第一次线性转化参数,W2,b2为第二次线性转化参数;
通过相加与归一化连接各个子模块,采用相加关注训练前后的差异部分变化,并采用归一化加快网络收敛与泛化能力;
S11)概率化Transformer模型
Transformer模型在处理时间序列预测问题时,采用概率稀疏自注意力机制模型,在计算注意力函数时,采用KL散度度量两个概率分布差异的方法以评估查询的LTD稀疏性,最终的评估查询稀疏性公式近似如下所示:式中:qi为查询矩阵Q中第i个查询值,ki为键矩阵K中第i个键值,d为键值的矩阵维度,j为键个数,Lk为查询向量长度;
利用评估查询稀疏性改进注意力函数,将与预测结果影响概率较大的查询向量作为稀疏矩阵的主要元素,而将与预测结果影响概率较小的查询向量变为零向量,其表现为利用最终的评估查询稀疏性公式可知其查询向量概率化,将相关度较大的查询向量用于预测,以达到降低空间复杂度的目的,其稀疏矩阵稀疏度需要进行人工选取达到较优预测精度,改进注意力函数如下所示:式中:Q为Q维度相同的稀疏矩阵,其稀疏度为有效查询向量个数,K为所有键映射的键矩阵,V为所有值映射值矩阵,d为时间序列其矩阵的维度,Softmax(·)为激活函数;
同时,在概率稀疏自注意力机制和相加与归一化后加入卷积层与最大池化层,剔除编码器中已包括的序列中其他元素的信息的输出,以缩短输入序列的长度,减少模型计算复杂度与空间复杂度,同时保证模型输入时间功率序列的局部相关性;
S2)建立基于改进Transformer的海上风电多机组超短期功率预测模型;
所述步骤S2)建立基于改进Transformer的海上风电多机组超短期功率预测模型具体为:S21)海上风电多机组时空特性相似性度量分析
海上风电多机组功率受区域风速与风向的影响,同时存在一定的尾流效应,并且不同机组型号、位置也会影响其功率变化,而机组功率变化又具有一定的时空相似性,若同时考虑各机组母线位置信息,一定程度上可以提高聚类机组的曲线平滑性与功率预测的准确性;
考虑海上风电机组功率的时间-功率的功率序列,引入DTW算法进行海上风电多机组时空特性相似性度量分析,反应海上风电功率序列间的波动趋势,进而度量海上风电多机组时空特性相似性,以达到聚类预测的效果,DTW距离越小,则代表机组功率序列间的相似性相似度越高;
DTW算法利用计算归整路径距离定量时间序列间的相似性,若存在时间序列A与时间序列B,其长度分别为a与b,则定义归整路径为:WP(A,B)={w1,…,wk} (9)
max(a,b)≤k≤a+b (10)
wα=(i,j),wα+1=(i',j') α∈k (11)
其中:i为时间序列A的坐标,j为时间序列B的坐标;
利用欧几里得距离度量wα与wα+1的距离,其可以表示为:
采用动态规划思想计算最小WPD以计算其DTW距离,以此来表并两个时间序列间的关联度,其DP实现方式如下公式表示:由于海上风电机组功率时间序列长度较长,单一采用DP思想不能高效的计算DTW距离,利用抽象化与去抽象化改进DTW算法,其通过将WPD矩阵进行抽象化,即将整个WPD矩阵像素合并,进而在抽象化WPD矩阵中进行DTW算法,在抽象化后的WPD矩阵进行去抽象化,即进行WPD矩阵扩充并保持DP求解结果,同时在WP向横向、纵向与斜向扩展半径参数粒度,在DP求解结果与扩展粒度中进行DP求解再次获得新的DP求解结果,以此过程直至去抽象化至最初WPD矩阵;
改进DTW算法减少搜索空间的策略,降低了DTW算法时间复杂度,海上风电机组功率序列长,采用该方法可以有效的度量海上风电多机组时空特性相似性,以此进行多机组聚类混合预测;
S22)预测模型结构
首先改进DTW算法度量海上风电多机组的时空特性,根据时空特性度量结果并加入地理相邻原则与汇流母线信息,对海上风电机组进行聚类,提高了海上风电场的预测效率,同时降低聚类后功率曲线不平稳而导致预测误差过大得问题,聚类完成后,利用改进Transformer预测模型预测机组群超短期功率;
为提高数据输入质量、预测精度与收敛速度,采用标准归一化方法对原始风电功率数据进行归一化处理,将其转换为(-1,1)区间的数据,数据归一化的公式为:式中:xtrain为归一化后的海上风电功率值;xmax为原始海上风电功率数据中的最大值;xmin为原始海上风电功率数据中的最小值;xi为实际的海上风电功率值;
同时需要对输入层时间序列型进行差分平滑序列,降低时间序列空间复杂度,减小预测误差,差分平滑功率序列公式如下所示:ΔP(t)=DS(ΔP(t-θ),ΔP(t-2θ),…)+e(t) (16)式中:ΔP(t)为t时刻与t-θ时刻海上风电功率的变化值;DS(·)为海上风电功率差分序列的时间相关性函数;e(t)为t时刻的最小预测误差;
给出预测模型结构;
S23)损失函数选择
平均绝对值误差用来衡量目标值与预测值之差的绝对值之和,衡量预测误差的平均模长,公式如下所示:式中:yi为海上风电功率目标值,为海上风电功率预测值,m为预测值数;
均方误差是最常用的回归损失函数,通过求解目标值与预测值的距离平方和,衡量其误差,公式如下所示:均方根误差是均方误差的算术平方根,可以更加直观的观察实际值与预测值的误差大小,公式如下所示:R方值用以评价模型质量,其结果范围在[0,1],R2结果越接近1,则表示其模型质量较好,公式如下所示:式中:y为海上风电功率序列,为海上风电功率序列的平均值,Var(y)为海上风电功率值方差;
S3)算例分析验证。
2.根据权利要求1所述的考虑海上风电多机组时空特性的超短期功率预测模型建立方法,其特征在于,所述步骤S22)预测模型结构中,编码层采用一层改进Transformer结构,解码层采用两层改进Transformer结构,同时根据输入的数据特性及调试,设置改进Transformer结构稀疏度即有效查询向量个数为48,编码层与解码层中卷积层内核设置为3,卷积步长设置为1,激活函数为ELU函数,同时最大池化内核设置为3,聚类层中将所有机组进行FDTW算法计算,进而产生WPD矩阵,并考虑汇流母线与位置信息进行相邻机组聚类,然后将聚类后的机组进行时间序列拼接:式中:m为聚类前的机组群数,n为时间序列标度。
3.根据权利要求1所述的考虑海上风电多机组时空特性的超短期功率预测模型建立方法,其特征在于,所述步骤S3)算例分析验证的内容包括:海上风电多机组时空特性分析、预测模型结构准确度验证和预测模型结构性能验证。