本发明涉及海上风电场功率预测，具体涉及一种融合时空信息的海上风电场功率预测方法及装置。
背景技术：
1、海上风电相较于陆上风电面临更加复杂多变的气象环境，预测难度较大，风电场的安全可靠运行面临更大的挑战。此外，海水的比热容比陆地高，风流热效应和尾流效应显著，常见的风电功率物理模型难以测适应海上气象条件演变迅速、海况复杂多变的现实情况，因此，需要开展更适合海上风电的功率预测方法研究。
2、目前已有的风电功率预测方法大致可以分为物理模型方法、时间序列模型法、机器学习方法和深度学习方法等。由于海上气象条件多变，海上风电输出功率与海况条件深度耦合，导致一般的物理模型方法和时间序列模型方法都难以适用于海上风电的功率预测。此外，海上风电功率出力与气象条件之间存在复杂的非线性关系，机器学习方法也难以准确预测海上风电功率的出力情况。近年来，深度学习方法发展迅速，lstm和gru等深度网络被提出并不断改进以适用于不同的时序预测任务，这些深度学习方法都需要通过类似于循环神经网络的结构进行模型训练，这将耗费更多的计算效率。基于这个原因，谷歌在2023年推出了tsmixer模型，该模型中不仅采用线性结构，提高计算效率，而且强调了对于多变量输入之间信息的提取，提高了时序预测准确性。
3、但是，目前已有的风电功率深度学习预测方法仍缺少对于海上风电场中多个风电机组之间不同空间位置的空间特征的信息提取能力以及针对同样一段多变量时间序列的不同尺度的信息提取能力。因此如何更好地提取不同维度的特征信息，设计更符合海上风电功率预测的深度模型，实现海上风电功率预测方法及装置开发是本领域人员亟需解决的问题。
4、综上所述，急需一种融合时空信息的海上风电场功率预测方法及装置以解决现有技术中存在的问题。
技术实现思路
1、本发明目的在于提供一种融合时空信息的海上风电场功率预测方法，旨在解决精准预测海上风电场短期功率的问题，便于电力系统规划工作的顺利开展，具体技术方案如下：
2、一种融合时空信息的海上风电场功率预测方法，包括：
3、获取海上风电场内所有风电机组的混合时间序列数据以构建张量数据集，将张量数据集划分为训练集、验证集和测试集；
4、利用训练集对tsmixer模型进行训练得到海上风电场功率预测模型；
5、利用验证集对海上风电场功率预测模型的超参数进行调参验证；
6、将测试集输入到海上风电场功率预测模型中，实现海上风电场功率预测；
7、其中，所述tsmixer模型包括：
8、时间序列输入层，用于将输入的混合时间序列数据输出为混合时间序列特征图 y；其中，， n为海上风电场的风电机组总数量， t为混合时间序列的长度， c为混合时间序列的特征个数，表示欧氏空间；
9、混合器层，其包括时间序列混合器和并联设置的 m个不同时间尺度的特征序列混合器，所述时间序列混合器中的mlp模块后面级联一个空间特征注意力层；所述混合时间序列特征图 y输入至混合器层中输出为 m个不同时间尺度的特征图 y m， m为大于等于2的自然数；
10、时域投影层，对 m个不同时间尺度的特征图 y m分别进行训练后，重构成相同的指定输出序列长度的预测时间序列；
11、输出预测层，通过加法器将 m个指定输出序列长度的预测时间序列相加得到最后的预测时间序列进行输出。
12、以上技术方案中优选的，所述混合时间序列数据包括风电机组的空间位置数据和多维时序数据；所述多维时序数据包括风速、风向、空气密度、温度、湿度、湍流强度以及风电机组功率的时序数据；其中，为第个风电机组的横坐标，为第个风电机组的纵坐标，为第个风电机组的叶片高度。
13、以上技术方案中优选的，所述风电机组的空间位置数据获取方式为：获取海上风电场所有风电机组的分布位置，采用网格划分的方式将海上风电场内所有风电机组的位置绘制于二维坐标系上，对每个网格进行二维位置编码，记录风电机组在网格中的横、纵坐标和叶片高度，得到风电机组的空间位置数据。
14、以上技术方案中优选的，所述混合时间序列特征图 y在混合器层中的处理流程为：
15、时间序列混合器接收混合时间序列特征图 y后，进行二维批量归一化操作以及转置操作后得到混合时间序列特征图 y t，混合时间序列特征图 y t经过mlp模块进行特征提取后得到更高维度的混合时间序列特征图 y'，混合时间序列特征图 y'经过空间特征注意力层处理以及转置操作后得到高维混合时间序列特征图 y h，将高维混合时间序列特征图 y h与混合时间序列特征图 y进行残差连接后得到新的高维混合时间序列特征图 y hl；
16、新的高维混合时间序列特征图 y hl进行二维批量归一化操作后分别输入至 m个不同时间尺度的特征序列混合器中进行不同时间尺度的均匀采样操作，再分别输入至各自的mlp模块中进行训练，最后输出 m个不同时间尺度的特征图 y hh；
17、将高维混合时间序列特征图 y hl分别与 m个不同时间尺度的特征图 y hh进行残差连接后得到混合器层输出的 m个不同时间尺度的特征图 y m。
18、以上技术方案中优选的，所述空间特征注意力层先对混合时间序列特征图 y'进行采样操作生成混合时间序列特征图 y1,， 将混合时间序列特征图 y1输入到第一维度上的均值池化层，再经过1×1卷积层、非线性池化层和1×1卷积层训练后由sigmoid函数激活，最后通过重构输出层保证输出的特征图形状大小与输入混合器层的混合时间序列特征图 y一致；其中 k被采样的风电机组个数， k<n/4。
19、以上技术方案中优选的，所述空间特征注意力层对混合时间序列特征图 y'进行采样操作，具体是：以单个风电机组的位置为中心，采样距离其最近的 k个风电机组的混合时间序列数据，生成采样后的混合时间序列特征图 y1,。
20、以上技术方案中优选的，每个所述特征序列混合器输出的特征图 y m分别输入至对应的时域投影层中，各特征图 y m在对应的时域投影层中先进行转置操作，然后经过各自的全连接层训练后重构成相同的指定输出序列长度的预测时间序列。
21、以上技术方案中优选的，所述时间序列混合器中mlp模块由全连接层、relu激活函数和dropout层组成；所述特征序列混合器中mlp模块由全连接层、relu激活函数、dropout层、全连接层和dropout层五层模块线性连接组成。
22、以上技术方案中优选的，将张量数据集按比例随机划分为训练集、验证集和测试集。
23、本发明还提供了一种融合时空信息的海上风电场功率预测装置，所述预测装置包括处理器以及存储器，所述存储器中存储有所述的融合时空信息的海上风电场功率预测方法，所述处理器用于执行所述的融合时空信息的海上风电场功率预测方法。
24、应用本发明的技术方案，具有以下有益效果：
25、本发明的海上风电场功率预测方法融合了多种时序数据以及风电机组位置信息数据，可靠性更强，采用了新颖的深度时序网络tsmixer作为骨架模型，能够更加精准地对海上风电场功率进行预测。
26、本发明的海上风电场功率预测方法对深度时序网络tsmixer模型进行改进，增加了空间特征注意力层以及多个不同时间尺度的特征序列混合器，在海上风电功率预测任务中考虑了同个风电场的多个不同位置的风电机组之间的耦合特性以及单个风电机组的历史时序数据在不同时间尺度上的特征信息，提高了模型的特征信息提取能力。
27、除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
1.一种融合时空信息的海上风电场功率预测方法，其特征在于，包括：
2.根据权利要求1所述的融合时空信息的海上风电场功率预测方法，其特征在于，所述混合时间序列数据包括风电机组的空间位置数据和多维时序数据；所述多维时序数据包括风速、风向、空气密度、温度、湿度、湍流强度以及风电机组功率的时序数据；其中，为第个风电机组的横坐标，为第个风电机组的纵坐标，为第个风电机组的叶片高度。
3.根据权利要求2所述的融合时空信息的海上风电场功率预测方法，其特征在于，所述风电机组的空间位置数据获取方式为：获取海上风电场所有风电机组的分布位置，采用网格划分的方式将海上风电场内所有风电机组的位置绘制于二维坐标系上，对每个网格进行二维位置编码，记录风电机组在网格中的横、纵坐标和叶片高度，得到风电机组的空间位置数据。
4.根据权利要求1所述的融合时空信息的海上风电场功率预测方法，其特征在于，所述混合时间序列特征图y在混合器层中的处理流程为：
5.根据权利要求4所述的融合时空信息的海上风电场功率预测方法，其特征在于，所述空间特征注意力层先对混合时间序列特征图y'进行采样操作生成混合时间序列特征图y1,， 将混合时间序列特征图y1输入到第一维度上的均值池化层，再经过1×1卷积层、非线性池化层和1×1卷积层训练后由sigmoid函数激活，最后通过重构输出层保证输出的特征图形状大小与输入混合器层的混合时间序列特征图y一致；其中k被采样的风电机组个数，k<n/4。
6.根据权利要求5所述的融合时空信息的海上风电场功率预测方法，其特征在于，所述空间特征注意力层对混合时间序列特征图y'进行采样操作，具体是：以单个风电机组的位置为中心，采样距离其最近的k个风电机组的混合时间序列数据，生成采样后的混合时间序列特征图y1, 。
7.根据权利要求1所述的融合时空信息的海上风电场功率预测方法，其特征在于，每个所述特征序列混合器输出的特征图ym分别输入至对应的时域投影层中，各特征图ym在对应的时域投影层中先进行转置操作，然后经过各自的全连接层训练后重构成相同的指定输出序列长度的预测时间序列。
8.根据权利要求1所述的融合时空信息的海上风电场功率预测方法，其特征在于，所述时间序列混合器中mlp模块由全连接层、relu激活函数和dropout层组成；所述特征序列混合器中mlp模块由全连接层、relu激活函数、dropout层、全连接层和dropout层五层模块线性连接组成。
9.根据权利要求1所述的融合时空信息的海上风电场功率预测方法，其特征在于，将张量数据集按比例随机划分为训练集、验证集和测试集。
10.一种融合时空信息的海上风电场功率预测装置，其特征在于，所述预测装置包括处理器以及存储器，所述存储器中存储有如权利要求1-9任意一项所述的融合时空信息的海上风电场功率预测方法，所述处理器用于执行如权利要求1-9任意一项所述的融合时空信息的海上风电场功率预测方法。
