一种风电集群功率日前预测方法

1.一种风电集群功率日前预测方法，其特征在于，所述方法包括：基于风电序列，构建邻接矩阵A s 、同时率邻接矩阵A t 、方差邻接矩阵A v ；根据邻接矩阵A s 、同时率邻接矩阵A t 和方差邻接矩阵A v ，构建汇聚效应邻接矩阵A a ；使用皮尔逊相关系数构建邻接矩阵A r ，并基于格兰杰因果校验构建因果邻接矩阵A g ；其中，所述邻接矩阵A r 和因果邻接矩阵A g 用于表征近距离风电场之间的关联关系；基于邻接矩阵A r 和格兰杰因果邻接矩阵A g ，构建时序因果邻接矩阵A b ；构建误差特性邻接矩阵A e ；其中，所述误差特性邻接矩阵A e 用于表征风电场之间的误差；构建基于通道注意力机制的图卷积神经网络模型，在所述图卷积神经网络模型中，设计多个图卷积模块，分别输入不同属性的邻接矩阵，形成多通道，每个通道用于提取风电集群中不同特性规律，得到多种特征，函数定义如下：式中， 表示汇聚效应的第l+1层特征， 表示时序因果的第l+1层特征， 表示误差的第l+1层特征，f表示图卷积函数， 表示汇聚效应的第l层特征， 表示时序因果的第l层特征， 表示误差的第l层特征；在多通道的基础上，引入注意力机制，学习每种特征对于预测重要性的权重，最终结合多种特性得到风电集群功率日前预测结果，函数定义如下：式中，Softmax(·)表示归一化函数，concat(·)表示拼接函数，Output表示风电集群功率日前预测结果，W a 表示汇聚效应特征的权重，W b 表示时序因果特征的权重，W e 表示误差特征的权重，H表示融合特征， 表示第l+1层汇聚效应的可学习参数， 表示第l+1层时序因果的可学习参数， 表示第l+1层误差特征的可学习参数；通过如下方法构建邻接矩阵A s ：利用如下公式遍历计算风电集群中不同风电场之间的联系度，得到联系度矩阵：式中，μ(A,B)为风电序列A与风电序列B的联系度矩阵；{Δx i ,Δx i+1 }、{Δx′ i ,Δx′ i+1 }分别表示风电序列A、风电序列B的第i个相同特性元素的相邻差分值；{Δx j ,Δx j+1 }、{Δx′ j ,Δx′ j+1 }分别表示风电序列A、风电序列B的第j个相反特性元素的相邻差分值；I为差异性系数；J为对立性标识系数；N为集合中特征总个数；α i 为第i个相同集对的特性强度；β j 为第j个相反集对的特性强度；S′为相同集对的总强度；F′为不确定性集对的总强度；P′为相反集对的总强度；按照从小到大的顺序，在联系度矩阵中选取前m个元素，m为同时率和方差的平均连接数量，保留m个元素值，其余置零，形成矩阵M；利用矩阵M构建基于集对分析的邻接矩阵A s ，计算过程如下：式中，μ ij 为第i号和第j号风电场的联系度；∞表示两个风电场无连接关系；τ表示一个常数，用于避免边的权重为0；S ij 表示集对分析建立的边权重。 2.如权利要求1所述的方法，其特征在于，通过如下方法构建同时率邻接矩阵A t ：遍历计算风电集群中每两个风电场每天的同时率，形成矩阵T k×i×j ，公式如下：式中，P i k 表示第i号风电场第k天的功率序列， 表示第j号风电场第k天的功率序列，Cap i 表示第i号风电场的开机容量，Cap j 表示第j号风电场的开机容量； 表示第k天风电集群的同时率矩阵， 表示第k天第i号和第j号风电场功率加和的同时率；对矩阵T k×i×j 内的每个子矩阵进行判别，得到每天的判别矩阵，将每天的判别矩阵加和得到同时率判别矩阵H i×j ，公式如下：式中， 表示第k天的判别矩阵， 表示第k天中第i行第j列的判别结果，h ij 表示所有天数的第i行第j列的判别结果之和； 表示第k天第j号风电场的同时率；利用同时率判别矩阵进行有向加权图的邻接矩阵A t 的构建，具体公式如下：式中，W ij 表示第i号风电场指向第j号风电场的权重；t ij 表示同时率建立的边权重。 3.如权利要求2所述的方法，其特征在于，通过如下方法构建方差邻接矩阵A v ：构建方差矩阵，并基于方差矩阵构建方差邻接矩阵A v ；其中，方差矩阵的构建公式如下：式中，V k×i×j 表示方差矩阵， 表示第i号风电场和第j号风电场相加的归一化序列， 表示序列均值，n为风电序列的元素数量，w为风电序列的序号， 表示第k天风电集群的方差矩阵， 表示第k天第i号和第j号风电场功率加和的方差。 4.如权利要求3所述的方法，其特征在于，根据邻接矩阵A s 、同时率邻接矩阵A t 和方差邻接矩阵A v ，通过如下公式构建汇聚效应邻接矩阵A a ：式中，a ij 表示汇聚效应建立的边权重，s ij 表示改进集对分析构建的边权重，t ij 表示同时率构建的边权重，v ij 表示方差构建的边权重。 5.如权利要求1所述的方法，其特征在于，使用皮尔逊相关系数构建邻接矩阵A r ，包括：遍历计算风电集群中每两个风电场每天的相关系数，形成矩阵P k×i×j ，公式如下：式中， 表示第k天风电集群的相关系数矩阵； 表示第k天第i号和第j号风电场功率的相关系数； 分别表示第i、j号风电场的第k天的序列； 分别表示第i，j号风电场第k天的均值；对矩阵T k×i×j 内的每个子矩阵进行判别，得到每天的判别矩阵，将每天的判别矩阵加和得到同时率判别矩阵H i×j ，公式如下：式中， 表示第k天的判别矩阵， 表示第k天中第i行第j列的判别结果，h ij 表示所有天数的第i行第j列的判别结果之和；利用同时率判别矩阵进行有向加权图的邻接矩阵A r 的构建。 6.如权利要求1所述的方法，其特征在于，基于格兰杰因果校验构建因果邻接矩阵A g ，包括：利用格兰杰检验遍历检验不同风电场每天的功率序列是否具备格兰杰因果关系，从而得到判别矩阵，并根据所述判别矩阵构建因果邻接矩阵A g ；其中，利用格兰杰检验遍历检验不同风电场每天的功率序列是否具备格兰杰因果关系的计算公式如下：式中， 表示第k天下第i号风电场对第j号风电场的格兰杰因果； 表示第k天下第i号风电场对第j号风电场的格兰杰检验值；Fa表示格兰杰检验阈值。 7.如权利要求2所述的方法，其特征在于，构建误差特性邻接矩阵A e ，包括：基于误差平滑评价系数来误差特性邻接矩阵A e ；其中，所述误差平滑评价系数表示为：式中， 表示第k天第i号和第j号风电场误差加和的归一化值； 分别表示第i号风电场和第j号风电场的第k天预测误差序列。 8.如权利要求1至7中任一项所述的方法，其特征在于，所述方法还包括：选取归一化均方根误差NRMSE、归一化平均绝对误差NMAE和决定系数R 2 作为预测模型性能的评价指标，计算式分别为：式中，n为预测的功率序列长度，y i,pre 和y i,ture 分别为功率的预测值和实际值， 表示功率实际值的平均值，Cap为装机容量。