一种风电场功率超短期预测方法、系统、计算机及存储介质

1.本发明属于风电场功率预测领域，具体涉及一种基于入流风况预测和时变有向图生成器的边特征权重分配图神经网络的风电场功率超短期预测方法、系统、计算机及存储介质。


背景技术：

2.风能因其分布广泛、无污染等优点，成为比较有发展前景的新能源之一。随着风力发电行业的快速发展，大规模集群风电场与大尺寸高功率输出机组成为主流风力发电模式。现有风电场功率预测方法均基于单列排布或规则排布，没有考虑不规则复杂排布与动态入流风况影响下的难以有效量化的多尾流效应。实现复杂排布风电场尾流影响下功率超短期预测不仅可以分析风电场功率损失情况，还可以通过功率预测结合尾流优化控制有效提升风电场发电效率，因此基于入流风况预测和时变有向图生成器的边特征权重分配图神经网络风电场功率预测具有重要的意义。


技术实现要素：

3.本本发明目的在于提出一种风电场功率超短期预测方法、系统、计算机及存储介质。
4.实现本发明目的的技术解决方案为：一种风电场功率超短期预测方法，基于入流风况预测和时变有向图生成器的边特征权重分配图神经网络，实现风电场功率超短期预测，具体步骤如下：
5.步骤1、采集风电场内各风力机的历史时刻数据，计算风电场入流风速风向；
6.步骤2、构建预测风电场入流风速风向的双lstm模型，将历史时刻的风电场入流风速和风向输入双lstm预测模型，预测未来时刻风电场入流风速风向；
7.步骤3、构建基于复杂排布空间量化方法、2d-jensen模型和尾流偏转模型的时变有向图生成器，将预测的未来时刻风电场入流风速风向、各风力机设定偏航角和各风力机位置坐标输入时变有向图生成器，生成未来时刻的时变有向图；
8.步骤4、构建边特征权重分配图神经网络功率预测模型，将未来时刻时变有向图输入图神经网络功率预测模型，进行风电场内各风力机功率超短期预测。
9.一种风电场功率超短期预测系统，基于所述的风电场功率超短期预测方法，实现风电场功率的超短期预测。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，基于所述的风电场功率超短期预测方法，实现风电场功率的超短期预测。
11.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，基于所述的风电场功率超短期预测方法，实现风电场功率的超短期预测。
12.本发明与现有技术相比，其显著优点在于：1)时变有向图生成器通过复杂排布空
间量化方法与物理尾流模型，能够实现表征复杂排布风电场内复杂尾流影响关系。2)将尾流损失因子作为边特征，可以有效量化风电场内各风力机间尾流影响程度，通过该边特征构建有向图，可以有效提高图神经网络功率预测性能。3)通过入流风况预测模型实现对风电场入流风速风向准确的超短期预测，基于预测未来时刻的入流风况，结合时变有向图生成器与边特征权重分配图神经网络，能够实现复杂尾流影响下风电场的超短期功率预测。
附图说明
13.图1为本发明风电场功率超短期预测方法的流程图。
14.图2为本发明时变有向图生成器的流程图。
15.图3为实施例真实风电场各风力机位置示意图。
16.图4为本发明改进图网络层的结构示意图。
17.图5为本发明图神经网络层更新与聚合过程的示意图。
具体实施方式
18.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
19.本发明一种风电场功率超短期预测方法，基于入流风况预测和时变有向图生成器的边特征权重分配图神经网络，实现风电场功率超短期预测，如图1所示，具体步骤如下：
20.步骤1、采集风电场内各风力机当前至过去n个时刻内的历史数据，保留关键特征数据(风速、风向、偏航角等)，计算风电场入流风速风向；
21.采集风电场内各风力机过去n个时刻内的scada数据或激光雷达数据，并保留其中的各风力机风速、风向特征，对各风力机风速和风向求平均值获得风电场的入流风速风向，具体公式为：
[0022][0023][0024]
式中，θ
in
为风电场入流风向，v
in
为风电产入流风速，n为风电场内风力机总数，θi为第i台风力机风向，vi为第i台风力机风速。
[0025]
步骤2、构建预测风电场入流风速风向的双lstm模型，将过去n个时刻的风电场入流风速和风向分别输入双lstm预测模型，预测未来时刻风电场入流风速风向；
[0026]
构建预测风电场入流风速风向的双lstm模型，使用两个相同结构的lstm模型分别对入流风速和入流风向进行预测，lstm神经网络构建过程为：
[0027]it
＝σ(w
xi
x
t
+w
hiht-1
+bi)
[0028]ft
＝σ(w
xf
x
t
+w
hfht-1
+bf)
[0029]ot
＝σ(w
xo
x
t
+w
hoht-1
+bo)
[0030]ct
＝f
t
⊙ct-1
+i
t
⊙
tanh(w
xc
x
t
+w
hcht-1
+bc)
[0031]ht
＝o
t
⊙
tanh(c
t
)
[0032]
式中，i
t
、f
t
、o
t
分别表示为t时刻更新门、遗忘门和输出门矩阵，c
t
、h
t
分别表示为t时刻的单元细胞状态和隐藏层状态矩阵，x
t
表示t时刻的长短期记忆单元输入矩阵，w
xi
、w
xf
、w
xo
、w
xc
分别为输入层神经网络中更新门、遗忘门和输出门和细胞状态的权重，w
hi
、w
hf
、w
ho
、w
hc
分别为隐藏层神经元中更新门、遗忘门和输出门和细胞状态的权重，bi、bf、bo、bc分别为更新门、遗忘门和输出门和细胞状态的偏置，σ为sigmoid激活函数；
[0033]
预测风电场入流风速风向的双lstm模型(简称双lstm模型)训练过程要求采集较长时间风电场各风力机风速、风向、偏航角和功率历史数据，如数据出现缺失则对数据进行补全,获得连续的时间序列数据；对连续时间序列每时刻下全部风力机风速及风向求平均值，获得风电场历史入流风速风向时间序列；将完整的入流风速风向时间序列进行标准化，标准化公式为：
[0034][0035]
式中，x
′
为标准化后的时间序列，x为原始时间序列，x
max
为时间序列中最大值；将标准化后的入流风速风向时间序列作为双lstm模型训练集数据；使用mse、mae或其他指标作为损失函数，设置相应的迭代步数、批处理数等超参数，通过优化器对双lstm模型参数进行优化；当模型训练过程中的损失函数不再降低，则优化参数完成，双lstm模型创建完成。
[0036]
步骤3、将模型预测的未来时刻风电场入流风速风向、各风力机设定偏航角、各风力机位置坐标和风力机参数(风轮半径、额定风速、推力系数等)等数据输入基于复杂排布空间量化方法、2d-jensen模型和尾流偏转模型的时变有向图生成器，生成未来时刻的时变有向图；
[0037]
获得风电场入流风向后，以主入流风向为基准根据风力机相对空间位置进行坐标变换，将以正东为x轴、以正北为y轴的固定坐标系转换为以入流风向的方向为x轴、垂直于入流风向的方向为y轴的新坐标系，并将各风力机位置坐标转换为新坐标，计算公式为：
[0038][0039]
式中，xi′
,yi′
为第i风力机转换后新坐标，xi,yi为第i风力机转换前坐标，θ
in
为风电场主入流风向(θ
in
为绝对风向，即风电场主入流风向与正北方向夹角)；
[0040]
风电场内各风力机根据入流风向转换坐标系后，获得风电场全部n台风力机x轴坐标序列x
′
＝(x1′
,x
′2,
…
,x
n-1
,xn′
)，将x轴坐标序列x
′
内元素按由小到大进行排序，获得排序后的坐标序列x
′
min
→
max
，此时根据x
′
min
→
max
确定风力机上下游顺序。转换后x轴坐标最小的风力机为风电场最上游风力机，转换后x轴坐标最大的风力机为风电场最下游风力机，设风力机上下游顺序表达式为：
[0041]
(wt1,wt2,
…
wt
n-1
,wtn,)
min
→
max
[0042]
其中，wt代表各风力机，min
→
max表示按x轴坐标由小到大排序；
[0043]
如图2所示，基于风力机上下游顺序依次通过尾流偏转模型和2d-jensen模型判断每对上下游风力机间是否存在尾流影响并计算尾流影响程度；若存在尾流影响，则在上下
游风力机之间建立有向边，上游风力机为发送节点，下游风力机为接受节点，设置该边的特征为上游风力机对下游风力机的尾流损失因子；若不存在，则上下游风力机间不建立边；遍历风电场内全部风力机后，得到整个风电场的边特征集合e
sr
和邻接矩阵a；邻接矩阵a表征各上下游风力机间是否存在尾流影响，边特征集合e
sr
表征各上下游风力机间尾流影响的程度；
[0044]
其中，根据尾流偏转模型和2d-jensen模型判断各上下游风力机间是否存在尾流影响及计算尾流影响程度的具体方法为：
[0045]
根据两台风力机转换后的新坐标计算两台风力机的相对位置和方位角，同时根据风力机上下游顺序定义上游风力机与下游风力机，定义上下游风力机连线与上游风力机尾流中心轴线的夹角θ
l
，通过尾流偏转模型对θ
l
进行求解，计算公式为：
[0046]
θ
l
＝0.3c
t
·
β1+θ
fwt-θ
in
[0047]
式中，θ
in
为入流风向角，θ
fwt
为上游风力机相对于下游风力机所在的方位角，β1为上游风力机的偏航角，c
t
为风力机推力系数；
[0048]
定义下游风力机所在截面与上游风力机的垂直距离为l
l
，计算公式为：
[0049]
l
l
＝ldcos(θ
l
)
[0050]
式中，ld为上下游风力机的机舱连线距离；
[0051]
同时定义下游风力机与上游风力机尾流中心横向距离为lr，计算公式为：
[0052]
lr＝ldsin(θ
l
)
[0053]
式中，ld为上下游风电机组的机舱连线距离；
[0054]
下游风力机所处截面位置的尾流半径计算公式为：
[0055]rl
＝kl
l
+r0[0056]
式中，k为尾流衰减系数，r0为风力机的风轮半径；
[0057]
根据计算所得的尾流半径r
l
，判断下游风力机是否受上游风力机的尾流影响，具体方法为：
[0058]
1)若l
r-r0′
＞r
l
，则下游风力机不受上游风力机的尾流影响；
[0059]
2)若l
r-r0′
≤r
l
，则下游风力机受上游风力机的尾流影响；
[0060]
其中，r0’
为下游风力机风轮半径在垂直上游风力机尾流中心方向上的投影长度，计算公式为：
[0061]
r0′
＝r
0 cos(0.3c
t
·
β1+β2)
[0062]
式中，β2为下游风力机的偏航误差角。
[0063]
因此当下游风力机受上游风力机的尾流影响时，利用2d-jensen尾流模型计算计算下游风力机的尾流损失因子δu，并将尾流损失因子δu作为上下游风力机机节点间的边特征，计算公式为：
[0064][0065]
式中，uw(l
l
,lr)为下游风力机受上游风力机尾流影响下等效风速，x为下游尾流纵向距离，u0为上游风力机入流风速，c
t
为风力机推力系数。
[0066]
最终根据各上下游风力机间是否存在尾流影响以及计算的尾流损失因子汇总为风力机间边特征集合e
sr
及邻接矩阵a；邻接矩阵具体定义为n
×
n矩阵，n表示有向图中存在
的节点数，若节点i风力机对节点j风力机存在尾流影响，邻接矩阵中第i行第j列元素为1，若不存在尾流影响则该元素为0，公式为：
[0067][0068]
将未来时刻风电场入流风向设置为全局特征，将未来时刻风电场入流风速设置为各风力机节点特征；最终将全局特征g
in
、边特征e
sr
、节点特征ni和邻接矩阵a汇总为未来时刻的有向图g＝(e
sr
,ni,g
in
,a)。
[0069]
步骤4、构建边特征权重分配图神经网络功率预测模型，将未来时刻时变有向图输入图神经网络功率预测模型，进行风电场内各风力机功率超短期预测；
[0070]
如图4所示，边特征权重分配图神经网络模型的层数一般选择2-4层，其中第一层为采用有向图边特征权重分配的图神经网络层(权重层)，其余层为不采用边权重分配的通用图神经网络层(通用层)；如图5所示，每层图神经网络层具有三个更新函数与三个聚合函数，分别是边更新函数φe(
·
)、节点更新函数φn(
·
)、全局更新函数φg(
·
)、邻边聚合函数φe→n(
·
)、边聚合函数φe→g(
·
)、节点聚合函数φn→g(
·
)；权重层是在通用层基础上嵌入边特征权重分配函数ρe(
·
)；
[0071]
在单层图神经网络层中，输入图为g
in
＝(e
sr
,ni,g
in
,a)，图中具有全部边特征e
sr
，节点特征ni，与全局特征g
in
，更新顺序如下所示：
[0072]
首先进行边特征更新，每个有向边的更新需要邻近发送节点特征ns和接收节点特征nr，以及该边自身特征e
sr
，将所有特征输入到边更新函数φe(
·
)中，边更新函数由神经网络mlpe(
·
)生成，更新后的边特征e
sr
′
为：
[0073]esr
′
＝φe(e
sr
,ns,nr)＝mlpe(e
sr
,ns,nr)
[0074]
边权重w
sr
定义如下：
[0075][0076]
式中x为下游尾流纵向距离，权重层采用边特征权重分配函数，将边更新后的边特征e
sr
′
与权重相乘得到最终边特征e
sr”：
[0077]esr”＝ρe(e
sr
)
×esr
′
＝w
sr
×esr
′
[0078]
通用层不采用边特征权重分配函数，最终边特征即为更新后边特征：
[0079]esr
″
＝e
sr
′
[0080]
图神经网络层中全部边特征更新完成后，对节点特征进行更新，每个节点特征ni更新过程需要所有邻边特征e
si
、自身节点特征ni和全局特征g
in
，首先使用邻边聚合函数φe→n(
·
)将与该节点存在连接的s条邻边特征聚合；权重层采用求和函数作为邻边聚合函数，通用层采用求平均函数作为邻边聚合函数，聚合后邻边特征定义如下：
[0081]
权重层：
[0082][0083]
通用层：
[0084][0085]
将聚合后的邻边特征e
si
、自身节点特征ni和全局特征g
in
输入到节点更新函数φn(
·
)中，节点更新函数由神经网络mlpn(
·
)生成，更新后的节点特征ni′
为：
[0086]
ni′
＝φn(e
si
,ni,g
in
)＝mlpn(e
si
,ni,g
in
)
[0087]
全部节点特征更新完后，进行全局特征更新，全局特征更新需要全部边特征、所有节点特征和风电场全局特征；首先使用全部边聚合函数φe→g(
·
)将有向图中所有m条有向边的边特征聚合起来；权重层采用求和函数作为全部边聚合函数，通用层采用求平均函数作为全部边聚合函数，聚合后全部边特征定义如下：
[0088]
权重层：
[0089][0090]
通用层：
[0091][0092]
全部边特征聚合完成后，使用全部节点聚合函数φn→g(
·
)将有向图中全部p个节点特征；权重层采用求和函数作为全部节点聚合函数，通用层采用求平均函数作为全部节点聚合函数，聚合后全部节点特征定义如下：
[0093]
权重层：
[0094][0095]
通用层：
[0096][0097]
全部边特征与节点特征聚合完成后，将聚合后的边特征e、聚合后节点特征n和全局特征g
in
输入全局更新函数φg(
·
)中，全局特征更新函数由神经网络mlpg(
·
)生成，更新后的全局特征g
′
如下：
[0098]g′
＝φg(e,n,g
in
)＝mlpg(e,n,g
in
)
[0099]
全局特征更新完后得到单层图神经网络层的计算完成，全部更新与聚合过程中邻接矩阵a不改变，图神经网络层输出边特征e
sr
″
、节点特征ni′
和全局特征g
′
，将输出的边特征e
sr
″
、节点特征ni′
和全局特征gv和邻接矩阵a当作输入特征，输入到下一层的图神经网络层；
[0100]
有向图中的边特征、节点特征、边特征与邻接矩阵经过全部图神经网络层计算后，得到输出有向图g
out
＝(e
srout
,n
iout
,g
out
,a)，将输出有向图中节点特征输入全连接层mlp
p
(
·
)，最终计算有向图中各节点的特征，节点特征即为各风力机的功率特征poweri：
[0101]
poweri＝mlp
p
(n
iout
)
[0102]
采集较长时间风电场各风力机风速、风向、偏航角、输出功率历史数据，对历史数据进行清洗，剔除功率或风速非正值数据，保证训练数据集质量；将清洗后历史数据集通过时变有向图生成器生成时变有向图，时变有向图的全局、节点、边特征及邻接矩阵随不断变化的入流风况、偏航角动态调整，将生成的时变有向图作为图神经网络模型的训练集；
[0103]
输入时变有向图训练数据集，使用优化算法根据损失函数对图神经网络模型进行训练优化，其损失函数采用mse指标，具体为：
[0104][0105]
式中，power
ik
为k时刻输入有向图中第i台风力机节点功率预测值，p
ik
为k时刻输入有向图第i台风力机的实际功率值，q为输入数据的总数，n为风场内的风力机总数。
[0106]
本发明还提出一种基于入流风况预测和时变有向图生成器的边特征权重分配图神经网络风电场功率超短期预测系统，利用所述的基于入流风况预测和时变有向图生成器的边特征权重分配图神经网络风电场功率超短期预测方法，实现风电场功率超短期预测。
[0107]
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，利用所述的基于入流风况预测和时变有向图生成器的边特征权重分配图神经网络风电场功率超短期预测方法，实现风电场功率超短期预测。
[0108]
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，利用所述的基于入流风况预测和时变有向图生成器的边特征权重分配图神经网络风电场功率超短期预测方法，实现风电场功率超短期预测。
[0109]
实施例
[0110]
为了验证本发明方案的有效性，利用真实风电场的scada数据进行如下实验。
[0111]
采集国内某真实风电场内各风力机风向、风速、偏航角和输出功率特征数据，风电场具有33台风力机，位置关系如图3所示。风电场中全部风力机型号相同，风力机叶轮半径为38.5m，风力机额定功率为1500kw，风力机推力系数为0.7，尾流衰减系数为0.075。
[0112]
通过各风力机风速和风向数据计算风电场入流风速和入流风向序列，对入流风速风向序列进行标准化操作。构建并训练两个lstm模型，两模型分别预测风电场入流风速和入流风向，输入过去50个时刻点至当前的入流风速与风向单变量数据序列，输出未来时刻的预测风电场入流风速和风向单变量。训练过程采用mae作为损失函数，优化器选择adam算法，迭代2000步，批训练数选择72。利用历史入流风况时间序列数据训练两个lstm预测模型。
[0113]
将未来时刻风电场入流风速风向及各风力机设定偏航角输入时变有向图生成器，生成以未来时刻风电场入流风向作为全局特征、以风力机间尾流损失因子作为边特征、以风电场入流风速作为节点特征的时变有向图。
[0114]
图神经网络功率预测模型采用三层图神经网络层，第一层为采用边特征权重分配的网络层，第二三层为不采用边特征权重分配的通用网络层。激活函数为relu函数，优化器选择adam算法，学习率设置为3e-6
，迭代20000步。
[0115]
模型训练完成后利用测试集数据图神经网络模型进行功率预测准确性测试，最终风电场总功率预测准确率为87％，风电场33台风力机总功率平均预测绝对误差为1900kw，
真实值与预测值的相关系数为0.949。结果表明本发明精确有效，可以实现准确风电场功率输出的准确超短期预测。
[0116]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0117]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种风电场功率超短期预测方法，其特征在于，基于入流风况预测和时变有向图生成器的边特征权重分配图神经网络，实现风电场功率超短期预测，具体步骤如下：步骤1、采集风电场内各风力机的历史时刻数据，计算风电场入流风速风向；步骤2、构建预测风电场入流风速风向的双lstm模型，将历史时刻的风电场入流风速和风向输入双lstm预测模型，预测未来时刻风电场入流风速风向；步骤3、构建基于复杂排布空间量化方法、2d-jensen模型和尾流偏转模型的时变有向图生成器，将预测的未来时刻风电场入流风速风向、各风力机设定偏航角和各风力机位置坐标输入时变有向图生成器，生成未来时刻的时变有向图；步骤4、构建边特征权重分配图神经网络功率预测模型，将未来时刻时变有向图输入图神经网络功率预测模型，进行风电场内各风力机功率超短期预测。2.如权利要求1所述的风电场功率超短期预测方法，其特征在于，步骤1，采集风电场内各风力机的历史时刻数据，计算风电场入流风速风向，具体方法为：采集风电场内各风力机过去n个时刻内的scada数据或激光雷达数据，并保留各风力机风速、风向特征，对各风力机风速和风向求平均值获得风电场的入流风速风向，具体公式为：为：式中，θ
in
为风电场入流风向，v
in
为风电场入流风速，n为风电场内风力机总数，θ
i
为第i台风力机风向，v
i
为第i台风力机风速。3.如权利要求1所述的风电场功率超短期预测方法，其特征在于，步骤2，构建预测风电场入流风速风向的双lstm模型，将历史时刻的风电场入流风速和风向输入双lstm预测模型，预测未来时刻风电场入流风速风向，其中：预测风电场入流风速风向的双lstm模型采用两个相同结构的lstm模型，分别对入流风速和入流风向进行预测，lstm模型的网络结构为：i
t
＝σ(w
xi
x
t
+w
hi
h
t-1
+b
i
)f
t
＝σ(w
xf
x
t
+w
hf
h
t-1
+b
f
)o
t
＝σ(w
xo
x
t
+w
ho
h
t-1
+b
o
)c
t
＝f
t
⊙
c
t-1
+i
t
z
⊙
tanh(w
xc
x
t
+w
hc
h
t-1
+b
c
)h
t
＝o
t
⊙
tanh(c
t
)式中，i
t
、f
t
、o
t
分别表示为t时刻更新门、遗忘门和输出门矩阵，c
t
、h
t
分别表示为t时刻的单元细胞状态和隐藏层状态矩阵，x
t
表示t时刻的长短期记忆单元输入矩阵，w
xi
、w
xf
、w
xo
、w
xc
分别为输入层神经网络中更新门、遗忘门和输出门和细胞状态的权重，w
hi
、w
hf
、w
ho
、w
hc
分别为隐藏层神经元中更新门、遗忘门和输出门和细胞状态的权重，b
i
、b
f
、b
o
、b
c
分别为更新门、遗忘门和输出门和细胞状态的偏置，σ为sigmoid激活函数；将入流风速、风向时间序列标准化后，作为入流风况双lstm预测模型的训练集数据，使
用mse、mae或其他指标作为损失函数，设置相应的迭代步数、批处理数，通过优化器对双lstm预测模型参数进行优化，当模型训练过程中的损失函数不再降低，则优化参数完成，预测风电场入流风速风向的双lstm模型构建完成。4.如权利要求1所述的风电场功率超短期预测方法，其特征在于，步骤3，构建基于复杂排布空间量化方法、2d-jensen模型和尾流偏转模型的时变有向图生成器，将各风力机设定偏航角、各风力机位置坐标和通过双lstm预测模型预测的未来时刻风电场入流风速风向输入时变有向图生成器，生成未来时刻的时变有向图，其中时变有向图生成器，具体方法为：以主入流风向为基准，根据风力机相对空间位置进行坐标变换，将以正东为x轴、以正北为y轴的固定坐标系转换为以入流风向的方向为x轴、垂直于入流风向的方向为y轴的动态时变坐标系，并将各风力机位置坐标转换为新坐标，计算公式为：式中，x
i
′
,y
i
′
为第i风力机转换后新坐标，x
i
,y
i
为第i风力机转换前坐标，θ
in
为风电场主入流风向为绝对风向，取风电场主入流风向与正北方向夹角；在新坐标系下，获取风电场全部n台风力机x轴坐标序列x
′
＝(x
′1,x
′2,
…
,x
′
n-1
,x
′
n
)，将x轴坐标序列x
′
内元素按由小到大进行排序，获得排序后的坐标序列x
′
min
→
max
，根据x
′
min
→
max
确定风力机上下游顺序，其中x轴坐标最小的风力机为风电场最上游风力机，x轴坐标最大的风力机为风电场最下游风力机，风力机上下游顺序表达式为：(wt1,wt2,
…
wt
n-1
,wt
n
,)
min
→
max
其中，wt
i
代表第i台风力机，min
→
max表示按x轴坐标由小到大排序；基于风力机上下游顺序依次通过尾流偏转模型和2d-jensen模型判断每对上下游风力机间是否存在尾流影响并计算尾流影响程度，若存在尾流影响，则在上下游风力机之间建立有向边，上游风力机为发送节点，下游风力机为接受节点，设置该边的特征为上游风力机对下游风力机的尾流损失因子；若不存在，则上下游风力机间不建立边，具体方法为：根据两台风力机转换后的新坐标计算两台风力机的相对位置和方位角，同时根据风力机上下游顺序定义上游风力机与下游风力机，定义上下游风力机连线与上游风力机尾流中心轴线的夹角θ
l
，通过尾流偏转模型对θ
l
进行求解；θ
l
＝0.3c
t
·
β1+θ
fwt-θ
in
式中，θ
in
为入流风向角，θ
fwt
为上游风力机相对于下游风力机所在的方位角，β1为上游风力机的偏航角，c
t
为风力机推力系数；定义下游风力机所在截面与上游风力机的垂直距离为l
l
；l
l
＝ldcos(θ
l
)式中，ld为上下游风力机的机舱连线距离；同时定义下游风力机与上游风力机尾流中心横向距离为l
r
；l
r
＝ldsin(θ
l
)下游风力机所处截面位置的尾流半径计算公式为：r
l
＝kl
l
+r0式中，k为尾流衰减系数，r0为风力机的风轮半径；根据计算所得的尾流半径r
l
，判断下游风力机是否受上游风力机的尾流影响，若l
r-r0′
＞r
l
，则下游风力机不受上游风力机的尾流影响；若l
r-r0′
≤r
l
，则下游风力机受上游风力机的尾流影响，其中，r0’
为下游风力机风轮半径在垂直上游风力机尾流中心方向上的投影长度，计算公式为：r0′
＝r0cos(0.3c
t
·
β1+β2)式中，β2为下游风力机的偏航误差角；当下游风力机受上游风力机的尾流影响时，利用2d-jensen尾流模型计算计算下游风力机的尾流损失因子δu，并将尾流损失因子δu作为上下游风力机机节点间的边特征，计算公式为：式中，u
w
(l
l
,l
r
)为下游风力机受上游风力机尾流影响下等效风速，x为下游尾流纵向距离,u0为上游风力机入流风速，c
t
为风力机推力系数；遍历风电场内全部风力机后，得到整个风电场的边特征集合e
sr
和邻接矩阵a，邻接矩阵a表征各上下游风力机间是否存在尾流影响，边特征集合e
sr
表征各上下游风力机间尾流影响的程度，其中邻接矩阵具体定义为n
×
n矩阵，n表示有向图中存在的节点数，若节点i风力机对节点j风力机存在尾流影响，邻接矩阵中第i行第j列元素为1，若不存在尾流影响则该元素为0，公式为：最后，将未来时刻风电场入流风向设置为全局特征g
in
，将未来时刻风电场入流风速设置为各风力机节点特征n
i
，将全局特征g
in
、节点特征n
i
、边特征e
sr
和邻接矩阵a汇总为未来时刻的有向图g＝(e
sr
,n
i
,g
in
,a)。5.如权利要求4所述的风电场功率超短期预测方法，其特征在于，步骤4，构建边特征权重分配图神经网络功率预测模型，将未来时刻时变有向图输入图神经网络功率预测模型，进行风电场内各风力机功率超短期预测，其中边特征权重分配图神经网络功率预测模型，具体为：边特征权重分配图神经网络功率预测模型选择2-4层，其中第一层采用有向图边特征权重分配的图神经网络层，为权重层，其余层不采用边权重分配的图神经网络层，为通用层；每层图神经网络层具有三个更新函数与三个聚合函数，分别是边更新函数φ
e
(
·
)、节点更新函数φ
n
(
·
)、全局更新函数φ
g
(
·
)、邻边聚合函数φ
e
→
n
(
·
)、边聚合函数φ
e
→
g
(
·
)、节点聚合函数φ
n
→
g
(
·
)，权重层是在通用层基础上嵌入边特征权重分配函数ρ
e
(
·
)；在单层图神经网络层中，输入图为g
in
＝(e
sr
,n
i
,g
in
,a)，图中具有全部边特征e
sr
，节点特征n
i
，与全局特征g
in
，更新顺序如下所示：首先进行边特征更新，每个有向边的更新需要邻近发送节点特征n
s
和接收节点特征n
r
，以及该边自身特征e
sr
，将所有特征输入到边更新函数φ
e
(
·
)中，边更新函数由神经网络mlp
e
(
·
)生成，更新后的边特征e
sr
′
为：e
sr
′
＝φ
e
(e
sr
,n
s
,n
r
)＝mlp
e
(e
sr
,n
s
,n
r
)边权重w
sr
定义如下：
式中x为下游尾流纵向距离，权重层采用边特征权重分配函数，将边更新后的边特征e
sr
′
与权重相乘得到最终边特征e
sr”：e
sr”＝ρ
e
(e
sr
)
×
e
sr
′
＝w
sr
×
e
sr
′
通用层不采用边特征权重分配函数，最终边特征即为更新后边特征：e
sr”＝e
sr
′
图神经网络层中全部边特征更新完成后，对节点特征进行更新，每个节点特征n
i
更新过程需要所有邻边特征e
si
、自身节点特征n
i
和全局特征g
in
，首先使用邻边聚合函数φ
e
→
n
(
·
)将与该节点存在连接的s条邻边特征聚合；权重层采用求和函数作为邻边聚合函数，通用层采用求平均函数作为邻边聚合函数，聚合后邻边特征定义如下：权重层：通用层：将聚合后的邻边特征e
si
、自身节点特征n
i
和全局特征g
in
输入到节点更新函数φ
n
(
·
)中，节点更新函数由神经网络mlp
n
(
·
)生成，更新后的节点特征n
i
′
为：n
i
′
＝φ
n
(e
si
,n
i
,g
in
)＝mlp
n
(e
si
,n
i
,g
in
)全部节点特征更新完后，进行全局特征更新，全局特征更新需要全部边特征、所有节点特征和风电场全局特征；首先使用全部边聚合函数φ
e
→
g
(
·
)将有向图中所有m条有向边的边特征聚合起来；权重层采用求和函数作为全部边聚合函数，通用层采用求平均函数作为全部边聚合函数，聚合后全部边特征定义如下：权重层：通用层：全部边特征聚合完成后，使用全部节点聚合函数φ
n
→
g
(
·
)将有向图中全部p个节点特征；权重层采用求和函数作为全部节点聚合函数，通用层采用求平均函数作为全部节点聚合函数，聚合后全部节点特征定义如下：权重层：通用层：
全部边特征与节点特征聚合完成后，将聚合后的边特征e、聚合后节点特征n和全局特征g
in
输入全局更新函数φ
g
(
·
)中，全局特征更新函数由神经网络mlp
g
(
·
)生成，更新后的全局特征g
′
如下：g
′
＝φ
g
(e,n,g
in
)＝mlp
g
(e,n,g
in
)全局特征更新完后得到单层图神经网络层的计算完成，全部更新与聚合过程中邻接矩阵a不改变，图神经网络层输出边特征e
sr
″
、节点特征n
i
′
和全局特征g
′
，将输出的边特征e
sr
″
、节点特征n
i
′
和全局特征g
′
和邻接矩阵a当作输入特征，输入到下一层的图神经网络层；有向图中的边特征、节点特征、边特征与邻接矩阵经过全部图神经网络层计算后，得到输出有向图g
out
＝(e
srout
,n
iout
,g
out
,a)，将输出有向图中节点特征输入全连接层mlp
p
(
·
)，最终计算有向图中各节点的特征，节点特征即为各风力机的功率特征power
i
：power
i
＝mlp
p
(n
iout
)。6.如权利要求1所述的风电场功率超短期预测方法，其特征在于，步骤4，采用mse指标对图神经网络模型进行训练优化，损失函数具体为：式中，power
ik
为k时刻输入有向图中第i台风力机节点功率预测值，p
ik
为k时刻输入有向图第i台风力机的实际功率值，q为输入数据时刻的总数，n为风场内的风力机总数。7.一种风电场功率超短期预测系统，其特征在于，基于权利要求1-6任一项所述的风电场功率超短期预测方法，实现风电场功率的超短期预测。8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，基于权利要求1-6任一项所述的风电场功率超短期预测方法，实现风电场功率的超短期预测。9.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，基于权利要求1-6任一项所述的风电场功率超短期预测方法，实现风电场功率的超短期预测。

技术总结
本发明公开了一种风电场功率超短期预测方法，构建预测风电场入流风速风向的双LSTM模型，将历史时刻的风电场入流风速和风向输入双LSTM预测模型，预测未来时刻风电场入流风速风向；构建基于复杂排布空间量化方法、2D-Jensen模型和尾流偏转模型的时变有向图生成器，将预测的未来时刻风电场入流风速风向、各风力机设定偏航角和各风力机位置坐标输入时变有向图生成器，生成未来时刻的时变有向图；构建边特征权重分配图神经网络功率预测模型，将未来时刻时变有向图输入图神经网络功率预测模型，进行风电场内各风力机功率超短期预测。本发明能够实现时变入流风况及复杂空间排布影响下风电场的超短期功率预测。电场的超短期功率预测。电场的超短期功率预测。


技术研发人员：邱颖宁 周寰育 冯延晖
受保护的技术使用者：南京理工大学
技术研发日：2023.05.15
技术公布日：2023/8/14