关键词:
风电功率预测
特征提取
Hodrick-Prescott滤波
注意力
图神经网络
摘要:
随着能源消费转型,新能源在能源消费总量的占比逐渐攀升,以风力发电、光伏发电为代表的新能源电力发展迅速。然而,风力发电受气象因素、昼夜周期一些因素的影响,具有强波动性和不可控性。当高比例的风电接入电力系统后,会对电网的安全性和稳定性造成巨大威胁,并增加调度运行难度。因此,风力发电功率的精准预测成为研究的重点。对风电功率数据进行了数据分析之后,本文改进了 Transformer结构,提出了基于Hodrick-Prescott(HP)滤波和稀疏自注意力的风功率预测架构(Hodrick-Prescot-t Filter Prob-Sparse Self-attention Network,HPPSAN),提升了风电预测精度。此外,考虑到风电场的空间相关性,本文在HPPSAN的基础上利用图卷积神经网络改进模型,进一步提高了风功率预测准确度。具体工作和创新如下:第一,风电功率日内存在多个波峰和波谷,且日间差距较大,存在较大的波动性和不确定性,但计算其自相关系数可知,风电功率具有自相关性,即存在可分解出的周期项。此外,风电功率受多种因素共同影响,它们与功率之间呈现复杂且非线性的关系,在一段时间内对于风功率的影响是在不断变化的,由此影响风电的波动情况。基于以上分析,本文提出了一种基于HP滤波和稀疏自注意力的编码器-解码器结构模型HPPSAN用于风电功率预测,该模型作为一种融合特征分解和预测建模的统一框架,通过端到端的训练进一步优化分解的结果,并且模型内部模块充分利用输入特征以得到更具有泛化性的风电特征,提升了模型预测精度。在公开的风电场数据集上的实验结果表明,相较于其他深度学习算法,本模型预测风电功率平均NRMSE降低20.8%。本文提出的HP分解模块相较未使用该模块的模型降低NRMSE10.4%,提出的分解-重构模块相较未使用该模块的模型平均降低NRMSE3.5%。第二,考虑同一个地区风电场在空间上的相关性,本文提出了一种基于图卷积神经网络的改进HPPSAN模型,构造空间感知图和语义感知图,通过图卷积神经网络融合风电数据的空间信息,进一步提升了模型预测精度。在公开的风电场数据集上的实验结果表明,与其他算法相比,本模型平均MSE降低21.8%。以上是本文的主要工作,希望本文工作能够为电网调度、检修计划、新能源消纳分析等多项业务提供有益有效的理论参考和数据依据。