【技术实现步骤摘要】
一种基于端到端记忆网络的短期风电功率预测方法
本专利技术涉及风电功率预测领域，具体为一种短期风电功率预测方法。
技术介绍
风电功率短期预测是指根据风速、温度、风向、辐射、降水和云量等NWP数据以及风电场自身的历史数据，对未来1到4小时内风电场所能输出的功率大小进行预测。对风电场的发电功率进行精准地短期预测，有利于国家电网及时调整电力调度分配，提高电能质量和经济效益，保障电力系统的安全稳定运行。风电功率预测方法主要包括三类：物理方法、统计方法和人工智能方法。物理方法根据已有的知识构建物理模型来描述风能-动能的转换过程，再结合风机功率曲线计算风机的输出功率，但是由于模型参数难以准确选取，所以物理方法存在预测准确度低的问题。统计方法通过挖掘风电场的历史数据之间的统计性规律，建立数据样本之间的非线性映射关系，包括自回归积分滑动平均法、持续性方法和卡尔曼滤波法等。人工智能方法结合支持向量机、人工神经网络等模型，通过对大量的历史数据进行非线性分析，将风电功率预测任务定义为时间序列建模问题。目前已有的风电功率短期预测方法中...
【技术保护点】
1.一种基于端到端记忆网络的短期风电功率预测方法，其特征在于，包括如下步骤：/n采集风电场数据；/n将采集的风电场数据进行划分，将其划分为历史数据、被预测多节点天气数据和功率数据，并对历史数据和被预测多节点天气数据进行归一化处理；/n利用多头自注意力机制模型对历史数据进行编码，将编码后的特征向量存入端到端记忆网络的记忆池；采用注意力机制对被预测多节点天气数据进行编码，并将编码结果作为端到端记忆网络的输入向量；将功率数据作为端到端记忆网络的输出向量进行端到端记忆网络的训练；/n使用训练好的端到端记忆网络对风机输出功率进行预测。/n
【技术特征摘要】
1.一种基于端到端记忆网络的短期风电功率预测方法，其特征在于，包括如下步骤：
采集风电场数据；
将采集的风电场数据进行划分，将其划分为历史数据、被预测多节点天气数据和功率数据，并对历史数据和被预测多节点天气数据进行归一化处理；
利用多头自注意力机制模型对历史数据进行编码，将编码后的特征向量存入端到端记忆网络的记忆池；采用注意力机制对被预测多节点天气数据进行编码，并将编码结果作为端到端记忆网络的输入向量；将功率数据作为端到端记忆网络的输出向量进行端到端记忆网络的训练；
使用训练好的端到端记忆网络对风机输出功率进行预测。
2.根据权利要求1所述的基于端到端记忆网络的短期风电功率预测方法，其特征在于，所述采集风电场数据中，还包括对采集的风电场数据的预处理，预处理的方法具体为：对每一个节点的数据进行判断，如果该节点中空数据的比例大于等于35％，对该节点进行删除处理；反之，对于该节点中的空数据进行零元素填充处理。
3.根据权利要求1所述的基于端到端记忆网络的短期风电功率预测方法，其特征在于，历史数据通过拼接数值天气预报数据和SCADA系统采集数据构建，数值天气预报数据包括不同海拔的风速和风向、气温、气压、辐射、降水量以及云量，SCADA系统采集数据包括风机编号、风机传感器测量的风速、风向、温度和功率。
4.根据权利要求1所述的基于端到端记忆网络的短期风电功率预测方法，其特征在于，对数据进行划分并进行归一化处理的方法具体为：对于每一个时间节点，将其前面N个节点的数值天气预报数据和SCADA系统采集数据作为历史数据，即X＝{x1，x2，...，xN}；将其后面M个节点的数值天气预报数据作为被预测多节点天气数据，即B＝{b1，b2，...，bM}；将其后面M个节点的实际功率数据作为功率数据，即模型的输出；然后将历史数据和被预测多节点天气数据归一化到[0，1]区间内，对模型输出不做归一化处理。
5.根据权利要求1所述的基于端到端记忆网络的短期风电功率预测方法，其特征在于，利用多头自注意力机制模型对历史数据进行编码的方法，包括：
(1)基于多头自注意力机制的多头机制，将编码器分为T个头，在每个头中随机初始化三个矩阵其中x∈X表示任意一个历史数据节点，|x|表示x中数据的个数，表示子空间编码长度；
(2)对于每一个历史数据xn∈X，1≤n≤N，通过分别与WQ、WK、WV相乘获取问题向量Qn，键向量Kn，值向量Vn；
(3)对于当前历史数据节点xi，使用问题向量Qi分别与所有历史数据的键向量{K1，K2，...，KN}点乘，计算出每一个历史数据xn在xi中的得分S＝{s1，s2，...，sN}；
(4)对一个得分sn∈S进行操作，得到
<...
【专利技术属性】
技术研发人员：祝永晋，查满霞，严佳欣，谢林枫，马吉科，龙玲莉，李同哲，司加胜，周德宇，
申请(专利权)人：江苏方天电力技术有限公司，东南大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。