一种结合VMD和注意力机制的风电场短期风速预测方法技术

本发明专利技术公开了一种结合VMD和注意力机制的风电场短期风速预测方法，首先获取目标站点的风速时空数据，根据原始数据集建立系列SWSM，对SWSM进行VMD风速分解，将CNN模型与注意力机制结合，针对各子SWSM，应用底层的SENet模型提取风速的空域特征；再用顶层的GRU模型进行风速时域特征的提取，并得到各自的预测结果；累加各个预测结果获得最终预测风速；本发明专利技术充分利用风速的时空相关性，结合VMD和注意力机制，改善了原始风速的不平稳特性，并利用注意力机制优化CNN

【技术实现步骤摘要】
一种结合VMD和注意力机制的风电场短期风速预测方法


[0001]本专利技术涉及新能源发电
与深度学习
，尤其涉及一种结合VMD和注意力机制的风电场短期风速预测方法。

技术介绍

[0002]目前，利用可再生能源作为未来能源短缺的解决方案的需求日益增长，许多传统的发电系统正在被可再生能源系统取代。风能作为世界上最具潜力、最实用、最丰富、最环保的可再生资源之一，在世界范围内得到了广泛的关注和利用。因此，风力发电技术需要进一步发展。
[0003]准确预测短期风速对于电力系统运行控制具有十分重要的意义，有助于合理调度风电并网，降低风电功率变化引起的电压和频率波动，提高电网运行的可靠性。目前，风速预测技术可分为三类:物理模型、统计模型和人工智能模型。物理模式以数值天气预报模式为代表，该模式利用实时气象条件进行预报，但由于建模过程需要大量计算，通常用于特定区域的长期风速预报。不适合短期和超短期风速预测。统计方法通过学习规律，建立历史风速数据之间的非线性映射关系，实现时间序列预测。人工智能模型的基础是机器学习技术。它基于大量风速时数据，描述了系统输入与输出之间复杂的非线性关系。随着深度学习技术的快速发展，深度学习技术也迅速应用于短期风速预测，这些方法将现有的风速预测技术与混合神经网络模型相结合，并取得了良好的预测效果。
[0004]因为风力发电具有间歇性、波动性和不确定性等特点。在实际应用中，通常会结合一定的处理方法来获得相对稳定的子序列。通过对收敛条件的合理控制。此外，当输入时间序列较长时，LSTM、GRU等网络容易丢失序列信息，难以对数据之间的结构信息进行建模，这也影响了风速预测的准确性。

技术实现思路

[0005]本专利技术公开一种结合VMD和注意力机制的风电场短期风速预测方法，旨在解决
技术介绍
中提出的当输入时间序列较长时，LSTM、GRU等网络容易丢失序列信息，难以对数据之间的结构信息进行建模，这也影响了风速预测的准确性的技术问题。
[0006]为了实现上述目的，本专利技术采用了如下技术方案：
[0007]一种结合VMD和注意力机制的风电场短期风速预测方法，具体包括以下步骤：
[0008]步骤1：建立时间与空间两个维度的风速数据集；
[0009]步骤2：根据原始数据建立一系列SWSM，这些SWSM中包含风速数据集的时域空域特征；
[0010]步骤3：使用VMD对每一个时间序列上的SWSM进行风速分解，分解得到由各个IMF组成的子SWSM；
[0011]步骤4：将CNN模型与注意力机制结合，得到SENet模型；
[0012]步骤5：针对各子SWSM，应用步骤4得到SENet模型，提取风速的空域特征；
[0013]步骤6：应用GRU模型对步骤5得到的空域特征进行处理，提取时域特征并得到风速的各预测分量；
[0014]步骤7：通过基于注意力机制的注意力层对输入的特征赋予不同的权重；
[0015]步骤8：合并各个预测结果并获得最终预测风速。
[0016]在一个优选的方案中，在所述步骤1中，建立风速数据集包含了时间与空间两个维度，对于原始风速数据集，将预测时间及位置的风速设置为标签风速，然后将数据集和标签风速在时间序列按比例划分为训练集、验证集和测试集。
[0017]在一个优选的方案中，在所述步骤2中，SWSM的建立包括以下流程：
[0018]假设研究对象是空间区域上的M行和N列组成的阵列，该阵列可以由M
×
N网格表示，在此阵列中，每个站点的位置可以由一个二维矩形坐标(i，j)(1≤i≤M，1≤j≤N)索引，对于每个站点，风速为一维时间系列，时间为t时，站点(M,N)的空间风速矩阵SWSM可以定义为x(i，j)
t
∈R
M
×
N
：
[0019][0020]通过上述方法将风速序列转化为SWSM。
[0021]在一个优选的方案中，步骤3中，VMD分解的主要步骤如下所示：
[0022]S21：首先构造变分问题，保证分解序列为具有中心频率的有限带宽的模态分量，同时使各模态的估计带宽之和最小，预处理之后的风速数据为相应约束变分表达式为
[0023][0024][0025]式中，K为需要分解的模式个数，正整数，{u
k
}、{ω
k
}分别对应分解后第k个模态分量和中心频率，δ(t)为狄拉克函数，*为卷积运算；
[0026]S22：为求解S21，引入拉格朗日乘子λ，将约束问题转化为无约束问题，得到增广拉格朗日表达式：
[0027][0028]式中，α是惩罚因子，用于降低高斯噪声的影响；
[0029]S23：最后采用交替方向乘子ADMM迭代算法求解无约束变分问题，优化得到各模态分量和中心频率，搜寻增广拉格朗日函数的鞍点，迭代更新参数{u
k
}，{ω
k
}和λ；其公式如
下：
[0030][0031][0032][0033]式中和分别表示f(ω)、u
i
(ω)、λ(ω)和的傅立叶变换；n是迭代次数；γ为噪声容忍度，用于满足信号分解的保真度要求；
[0034]S24：最后，对于给定的判断精度e>0，当满足时，则停止迭代，否则返回步骤S3。；最后，可以得到k个分解而成的IMF分量；使用VMD方法分解SWSM，得到各个IMF组成的子SWSM，当时间为t时，站点(M,N)的分量IMF
k
组成的子SWSM可以定义为
[0035][0036]在一个优选的方案中，所述步骤4，在SENet里使用的CNN与注意力结合的核心思想是通过学习的方式来自动获取到每个特征通道的重要程度，然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征，这个功能由SE块来实现，而在SENet层中包含了一个卷积层，两个SE块层，然后紧接了另一个卷积层，在每个SE块中设置了一个卷积层、一个全局平均池化层、两个激活层和一个融合层；以下是SENet层构成的步骤：
[0037]S41:首先F
tr
是一个转换操作，它是一个标准的卷积操作，输入为X，输出为U，以下是它的定义公式：
[0038][0039]式中，Vc表示第c个卷积核，X
s
表示第s个输入，*表示卷积运算，u
c
代表3D矩阵U中的第c个2D矩阵，则为X对应通道的2D空间核，它代表v
c
的单个通道。
[0040]S42：然后是Squeeze操作，它其实就是一个全局平均池化操作，用于压缩空间特征，将W
×
H
×
C的输入转换为1
×1×
C的输出，其中，W表示通道的宽度，H表示通道的高度，共有C个通道，Squeeze操作公式如下：
[0041][0042]S43：接下来就是Excitation操作，这个操作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合VMD和注意力机制的风电场短期风速预测方法，其特征在于，具体包括以下步骤：步骤1：建立时间与空间两个维度的风速数据集；步骤2：根据原始数据建立一系列SWSM，这些SWSM中包含风速数据集的时域空域特征；步骤3：使用VMD对每一个时间序列上的SWSM进行风速分解，分解得到由各个IMF组成的子SWSM；步骤4：将CNN模型与注意力机制结合，得到SENet模型；步骤5：针对各子SWSM，应用步骤4得到SENet模型，提取风速的空域特征；步骤6：应用GRU模型对步骤5得到的空域特征进行处理，提取时域特征并得到风速的各预测分量；步骤7：通过基于注意力机制的注意力层对输入的特征赋予不同的权重；步骤8：合并各个预测结果并获得最终预测风速。2.根据权利要求1所述的一种结合VMD和注意力机制的风电场短期风速预测方法，其特征在于，在所述步骤1中，建立风速数据集包含了时间与空间两个维度，对于原始风速数据集，将预测时间及位置的风速设置为标签风速，然后将数据集和标签风速在时间序列按比例划分为训练集、验证集和测试集。3.根据权利要求1所述的一种结合VMD和注意力机制的风电场短期风速预测方法，其特征在于，在所述步骤2中，SWSM的建立包括以下流程：假设研究对象是空间区域上的M行和N列组成的阵列，该阵列可以由M
×
N网格表示，在此阵列中，每个站点的位置可以由一个二维矩形坐标(i，j)(1≤i≤M，1≤j≤N)索引，对于每个站点，风速为一维时间系列，时间为t时，站点(M,N)的空间风速矩阵SWSM可以定义为x(i，j)t∈R
M
×
N
：通过上述方法将风速序列转化为SWSM。4.根据权利要求1所述的一种结合VMD和注意力机制的风电场短期风速预测方法，其特征在于，在步骤3中，VMD分解的主要步骤如下所示：S21：首先构造变分问题，保证分解序列为具有中心频率的有限带宽的模态分量，同时使各模态的估计带宽之和最小，预处理之后的风速数据为相应约束变分表达式为相应约束变分表达式为式中，K为需要分解的模式个数，正整数，{u
k
}、{ω
k
}分别对应分解后第k个模态分量和中心频率，δ(t)为狄拉克函数，*为卷积运算；S22：为求解S21，引入拉格朗日乘子λ，将约束问题转化为无约束问题，得到增广拉格朗日表达式：
式中，α是惩罚因子，用于降低高斯噪声的影响；S23：最后采用交替方向乘子ADMM迭代算法求解无约束变分问题，优化得到各模态分量和中心频率，搜寻增广拉格朗日函数的鞍点，迭代更新参数{u
k
}，{ω
k
}和λ；其公式如下：}和λ；其公式如下：}和λ；其公式如下：式中和分别表示f(ω)、u
i
(ω)、λ(ω)和的傅立叶变换；n是迭代次数；γ为噪声容忍度，用于满足信号分解的保真度要求；S24：最后，对于给定的判断精度e>0，当满足时，则停止迭代，否则返回步骤S3。；最后，可以得到k个分解而成的IMF分量；使用VMD方法分解SWSM，得到各个IMF组成的子SWSM，当时间为t时，站点(M,N)的分量IMF
k
组成的子SWSM可以定义为组成的子SWSM可以定义为5.根据权利要求1所述的一种结合VMD和注意力机制的风电场短期风速预测方法，其特征在于，所述步骤4，在SENet里使用的CNN与注意力结合的核心思想是通过学习的方式来自动获取到每个特征通道的重要程度，然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征，这个功能由SE块来实现，而在SENet层中包含了一个卷积层，两个SE块层，然后紧接了另一个卷积层，在每个SE块中设置了一个卷积层、一个全局平均池化层、两个激活层和一个融合层；以下是SENet层构成的步骤：S41:首先F
tr
是一个转换操作，它是一个标准的卷积操作，输入为X，输出为U，以下是它的定义公式：式中，Vc表示第c个卷积核，X
s
表示第s个输入，*表示卷积运算，u
c
代表3D矩阵U中的第c个2D矩阵，则为X对应通道的2D空间核，它代表v
c
的单个通道。S42：然后是Squeeze操作，它其实就是一个全局平均池化操作，用于压缩空间特征，将W
×
H
×
C的输入转换为1
×1×
C的输出，其中，W表示通道的宽度，H表示通道的高度，共有C个通道，Squeeze操作公式如下：
S43：接下来就是Exci...

【专利技术属性】
技术研发人员：季培远，赵英男，陈飞，季冠岚，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：