![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于MTGNN的多元气象信息多步长预测研究.pdf
《基于MTGNN的多元气象信息多步长预测研究.pdf》由会员分享,可在线阅读,更多相关《基于MTGNN的多元气象信息多步长预测研究.pdf(8页珍藏版)》请在咨信网上搜索。
1、水利水电技术(中英文)第 54 卷 2023 年第 S2 期Water Resources and Hydropower Engineering Vol.54 No.S2李俊伟,朱涛,潘堋,等.基于 MTGNN 的多元气象信息多步长预测研究J.水利水电技术(中英文),2023,54(S2):133-140.LI Junwei,ZHU Tao,PAN Peng,et al.Research of multistep prediction model for multivariate whether based on MTGNNJ.Water Re-sources and Hydropower E
2、ngineering,2023,54(S2):133-140.基于 MTGNN 的多元气象信息多步长预测研究李俊伟,朱 涛,潘 堋,闫文棋(云南电网有限责任公司昆明供电局,云南 昆明 650011)收稿日期:2023-05-08基金项目:云南电网有限责任公司科技项目(0501002022030101DL00014)作者简介:朱 涛(1978),男,正高级工程师,博士,主要从事调控一体化、电力系统分析与控制工作。E-mail:taozh78 通信作者:李俊伟(1991),男,工程师,学士,主要从事电网运行方式安排策划工作。E-mail:836391911 摘 要:气象数据是光伏出力预测的重要依据
3、,气象数据的质量对预测的准确性至关重要。但某些分布式光伏系统缺乏数值天气预报,难以得到准确的气象信息预测。针对这一问题,提出一种基于多元时间序列图神经网络(multivariate time series graph neural networks,MTGNN)的多元气象信息多步长预测方法,将多个种类的气象信息当作多元时间序列处理,每一类气象信息视作图的一个节点,利用图卷积模块负责将节点的信息与其邻居的信息融合,以处理空间依赖关系;利用时域卷积模块负责提取时间特征,最终实现多步长预测。最后利用某地气象装置采集的数据进行仿真验证,结果表明 MT-GNN 的预测精度和稳定性相比于传统 LSTM 模
4、型均有显著提高。关键词:分布式光伏发电;气象预测;图卷积网络;时域卷积;时间序列DOI:10.13928/ki.wrahe.2023.S2.023中图分类号:TM614文献标志码:A文章编号:1000-0860(2023)S2-0133-08Research of multistep prediction model for multivariate whether based on MTGNNLI Junwei,ZHU Tao,PAN Peng,YAN Wenqi(Kunming Power Supply Bureau of Yunnan Power Grid Co.,Ltd.,Kunmin
5、g 650011,Yunnan,China)Abstract:Weather data is important for photovoltaic power prediction.For the cases that numerical weather prediction is not a-vailable for photovoltaic plants,this paper proposes a multistep prediction model for multivariate whether data based on Multivari-ate Time Series Graph
6、 Neural Networks(MTGNN).The multivariate whether data is treated as multivariate time series,and dif-ferent kinds of whether data are simulated by nodes of a graph.Graph convolutional modules are employed to extract spatial fea-tures and combine the information of a node with its neighbors.Temporal
7、convolutional modules are used to extract temporal fea-tures.Numerical experiments show that the MTGNN model has a significantly improved prediction accuracy and stability than that of the LSTM model.Keywords:distributed photovoltaic power generation;whether prediction;graph convolutional networks;t
8、emporal convolution;time series0 引 言0 引 言 全球气候变化已成为人类面临的重大挑战之一。光伏发电是应对气候危机、实现节能减排的重要手段,在全球能源结构加速调整的背景下,光伏发电已实现跃升式发展。光伏发电因受天气影响,331李俊伟,等/基于 MTGNN 的多元气象信息多步长预测研究水利水电技术(中英文)第 54 卷 2023 年第 S2 期具有随机性、波动性,对电网安全稳定运行形成很大挑战。为了更准确地预测光伏发电功率,保障电网安全稳定运行,对气象信息的预测就变得非常重要。数值 天 气 预 报(numerical weather prediction,NWP
9、)是获取气象预测信息的途径之一,数值天气预报是指根据大气实际情况,在一定的初值和边值条件下,通过大型计算机作数值计算,求解描写天气演变过程的流体力学和热力学的方程组,预测未来一定时段的大气运动状态和天气现象的方法1。利用数值天气预报预测光伏出力是一种常见的思路2-5,但对于分布式光伏系统,往往不适合直接使用数值天气预报数据,由于分布式光伏电站一般装机容量较小,没有安装专门的新能源资源监测装置,直接运用广域气象数据内距光伏电站最近点数据进行功率预测可能存在精度较低的问题6。针对这一问题,文献6-8提出了一些数值天气预报的校正和信息融合方法。张童彦等6提出了一种基于气象资源插值与迁移学习的预测方法
10、,对广域气象资源数据进行网格化插值,依据插值结果对具有相同气象特征的光伏电站进行自组织映射网络(Self-Organizing Maps,SOM)聚类,再结合 LSTM 网络,引入误差修正环节,建立源域至目标域的双迁移模型。高博7提出一种基于时空图网络的分布式光伏发电出力预测方法,以注意力机制赋予历史数据不同权重,利用深度自注意力网络实现出力预测,并计算不同站点间距离以及历史出力数据相关性,利用矩阵变换实现特征融合,以提高预测精度。张永蕊8提出了考虑区域风光资源时空相关性的多点 NWP 风速和辐照度集中式修正方法,同时修正多个具有一定相关性的场站级 NWP 数据。现实中某些光伏电站无法获得数值
11、天气预报,针对这种情况,另一种预测气象信息和光伏出力的方法就是将气象信息和光伏出力当作时序数据处理,利用统计学方法和深度学习等工具,从历史数据中提取特征,预测未来的数据。这方面研究主要集中于太阳辐照度和风速的预测。太阳辐照度预测方面模型包括深度回声状态网络(deep echo state network,DESN)9、循环神经网络(recurrent neural networks,RNN)10,门控循环单元-随机森林(gated recurrent unit-random forrest,GRU-RF)模型11等。风速预测的一类常用方法是利用空间相关性预测,风速相关性包括:同一空间点处的时序
12、相关性、不同空间点处的空间相关性(没有时滞)、不同空间点处的空间相关性(允许有时滞)12,其研究框架和具体预测方法可参见文献12-17。本文从时间序列预测的角度研究气象预测问题,采用一种通用的多元时间序列预测框架,结合气象预测的具体问题,提出一种基于多元时间序列图神经网络(multivariate time series graph neural networks,MT-GNN)的多元气象信息多步长预测方法。将多个种类的气象信息当作多元时间序列处理,每一类气象信息视作图的一个节点,利用图卷积模块将节点的信息与其邻居的信息融合,以处理空间依赖关系,同时利用时域卷积模块则提取时间特征,实现多元气象
13、信息的多步长预测。最后利用某地气象装置采集的数据进行仿真验证,结果表明 MTGNN 的预测精度和稳定性相比于传统 LSTM 模型均有显著提高。1 基于 MTGNN 的多元气象信息多步长预测方法1 基于 MTGNN 的多元气象信息多步长预测方法1.1 数据预处理和划分 本文的实验数据来自某地气象装置采集,包括短波辐射、气压、温度、湿度、风速等 5 类气象信息。数据采集频率为 10 min/次,预测任务是使用 10 个时间节点的历史数据预测未来 6 个时间节点的气象数据。模型训练集为 2020 年全年数据,测试集为 2021年全年数据。首先对原始数据预处理,包括空缺值插值和归一化两个步骤。由于气象
14、信息采集装置的不稳定性,气象数据中可能出现空缺值,首先需要对其进行线性插值补全,具体公式为xt=xi+t-titj-ti()(xj-xi)(1)式中,ti、tj为数据空缺区间的起点和终点(ti和tj时刻的数据未缺失);xi、xj分别为时刻ti和tj的数据值;xt为插值后 ti和 tj之间时刻 t 的数据值。但对于空缺时间过长的情况,插值的结果可能与真实值存在较大误差,因此需将该段空缺区间删去,本文将 30 min 以上的空缺删去。为保证训练过程中模型梯度变化合理,需要对输入数据进行 min-max 归一化处理,归一化公式为x=x-xminxmax-xmin(2)式中,x 为原始数据值;x 为归
15、一化后的值;xmin、xmax分别为原始数据中的最小值和最大值。归一化后原数据都被映射到0,1 区间。431李俊伟,等/基于 MTGNN 的多元气象信息多步长预测研究水利水电技术(中英文)第 54 卷 2023 年第 S2 期接下来利用预处理后的数据构造 MTGNN 训练数据集。预测任务是使用 10 个时间节点的历史数据预测未来 6 个时间节点的气象数据,MTGNN 的训练方式为监督式训练,因此,对每 16 个连续时间节点的数据,划分前 10 个时间节点数据为输入数据,后 6个时间节点数据为监督信息。1.2 基于 MTGNN 的多步长预测 多元时间序列图神经网络包括一个图学习层、m个图卷积模块
16、、m 个时域卷积模块、以及一个输出模块,其中,负责信息提取的主要是图卷积模块和时域卷积模块。所提模型中每一类气象信息由图的一个节点表示,图卷积模块负责将节点的信息与其邻居的信息融合,以处理空间依赖关系,时域卷积模块则负责提取时间特征。本文模型中各类气象数据间的关联性由一个图结构表示,图卷积模块也依赖此图结构提取信息,此图结构是由 MTGNN 网络中的图学习层从数据中学习得来的,这克服了人为定义图结构的缺点,即通常情况下难以找到明确的标准来充分体现各变量间的关系,人为定义缺少合理的依据。输入数据首先通过一个 11 卷积层,被映射到一个高维的潜在空间,在潜在空间中可以更好地提取数据特征。图学习层负
17、责利用数据计算一个图邻接矩阵,图卷积层利用该邻接矩阵和图卷积方法实现信息融合并提取空间特征,时域卷积模块则负责提取时间特征,图卷积模块和时域卷积模块交错串联。为了避免梯度消失的问题,需要添加一系列残差连接和跳连接:使用残差连接将每个时间卷积模块的输入添加到紧随其后的图卷积模块的输出中;在输入数据和每个时间卷积模块之后添加跳连接,将输入数据和每个时间卷积模块的输出添加到输出模块。输出模块由两个11 卷积层串联构成,负责将数据映射到任务需要的输出维度。MTGNN 网络结构如图 1 所示。1.2.1 图学习层和图卷积模块本文的模型将多元气象信息当作多元时间序列处理,一类气象信息用图的一个节点表示,一
18、个(非赋权)图可用邻接矩阵 A=(aij)NN表示,其中 aij只能取 0 或 1,aij=1 表示结点 i 和 j 存在关联,aij=0 则表示不存在关联。图学习层的计算方法由以下公式表示M1=tanh(E11)M2=tanh(E22)A=ReLU(tanh(M1MT2-M2MT1)(3)图 1 MTGNN 网络结构示意式中,E1、E2为随机点嵌入,可以随着模型训练更新;1、2为可学习的模型参数;tanh()、ReLU()为激活函数;为用来控制激活函数饱和度的超参数。图卷积模块由两个混合跳跃传播层(mix-hop propagation layer)组成,它们相互独立,分别用于处理每个节点输
19、入和输出的信息流,将它们的输出加和后作为图卷积模块的输出。两个混合跳跃传播层分别以 A 和 AT作为邻接矩阵,其中 A 是所述图学习层输出的邻接矩阵,AT是 A 的转置。以A 为邻接矩阵的情况为例,混合跳跃传播层的计算方法如下H(k)=Hin+(1-)AHHout=Ki=0H(i)W(i)(4)式中,为超参数,用来控制保持节点输入状态的比例;Hin为本层的输入,等于上一层的输出;A=D-1(A+I),D是对角阵且Dii=1+jAij;Hout为本层的输出;K 为传播深度;W(i)为可学习的参数。图卷积模块结构如图 2 所示。531李俊伟,等/基于 MTGNN 的多元气象信息多步长预测研究水利水
20、电技术(中英文)第 54 卷 2023 年第 S2 期图 2 图卷积模块结构示意1.2.2 时域卷积模块对每一种单一类型的气象数据,其历史数据形成一个一元变量的时间序列。针对这一时间序列,时域卷积模块使用若干个一维卷积核提取其时域特征,并将这些提取的特征拼接融合,经过激活函数筛选后进入下一层。时域卷积模块由两个空洞 Inception 层构成,每个空洞 Inception 层内部使用若干一维卷积核提取时域特 征。两 个 空 洞 Inception 层 后 分 别 连 接 一 个tanh()激活函数和一个 sigmoid()激活函数,tanh()激活函数作为一个滤波器,而 sigmoid()激活
21、函数作为一个门(gate)控制流入下一层的信息量,tanh()和sigmoid()函数的输出相乘后作为本层的输出。具体地,空洞 Inception 层利用若干个长度不同的一维卷积核提取时域特征,再将每个卷积核提取的特征拼接,计算方法如下zf1k(t)=k-1s=0f1k(s)z(t-d s)z=concat(zf1k1,zf1kl)(5)图 3 时域卷积模块结构示意式中,z 为输入序列;f1k为 1 k 卷积核;为时域卷积操作;zf1k为时域卷积的输出;t 为序列中一个元素的位置;d 为空洞系数;t-d s 为卷积选择的元素位置;concat()为张量拼接操作。时域卷积模块结构如图 3 所示。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 MTGNN 多元 气象 信息 步长 预测 研究
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。