一种短期风速多步预测模型、方法及设备技术

本申请公开了一种短期风速多步预测模型、方法及设备，模型由编码器、解码器和改进的注意力机制构成。改进注意力机制是由多头指数平滑注意力和频率注意力相结合而形成的新的注意力机制，能够提取隐含在风速时间序列中的水平分量、趋势增量和季节型模式；并利用风速时间序列的特征和先验信息快速筛选风速时间序列中的高价值信息，对相关性高的信息赋予重要的权值。编码器的网络层采用扩张循环神经网络结构，利用多层网络逐层剔除隐含在水平分量、趋势分量和季节型模式中的残差，能够捕捉风速时间序列的短时和长时相关性，提高对风速时间序列隐变量和季节型特点的学习能力。从而解决了现有技术对短期风速预测精度较低的技术问题。题。题。

【技术实现步骤摘要】
一种短期风速多步预测模型、方法及设备


[0001]本申请涉及风速预测
，尤其涉及一种短期风速多步预测模型、方法及设备。

技术介绍

[0002]受气候、地理环境等因素的影响，风能会随着时间随机波动变化，导致风力发电表现出明显的随机性、波动性和间歇性，加大了电网调度运行和调峰的难度，因此，对短期风速进行准确预测对风电场的管理和计划有重要意义。
[0003]深度学习方法在风速预测领域中具有不错的发展前景。例如在深度学习技术方面，循环神经网络、长短期记忆神经网络等深度神经网络以其非线性处理能力强、学习速度快、易于解决时序数据问题等优势在复杂动态环境下的实时预测控制领域逐步受到关注。RNN是一种以时间序列为输入，在序列演进方向进行递归，且所有节点按链式连接的递归神经网络。短期风速信号同时具有非线性和非平稳性的特征，直接利用原始信号建立预测模型往往达不到精度要求。
[0004]目前，短期风速预测技术存在以下缺点和不足：1)反向传播神经网络、支持向量机、极限学习机等人工智能方法虽然都取得了有效的预测结果，但这些浅层学习算法难以对输入数据的深层特征进行挖掘，从而限制了模型的预测精度；2)目前，常用的信号分解技术包括经验模态分解、集成经验模态分解和变模态分解法等，但是这些信号分解技术容易产生模态混叠现象，对噪声的影响比较敏感；3)RNN在训练过程中容易发生梯度爆炸和梯度消失现象，导致其处理长期依赖问题时能力有限；4)传统Transformer模型的注意力机制无法很好利用时间序列固有的特征来分配权重，缺乏对时间序列数据进行分解的能力，无法自动学习和提取时间序列的季节性模式和变化趋势。

技术实现思路

[0005]本申请提供了一种短期风速多步预测模型、方法及设备，用于解决现有技术对短期风速预测精度较低的技术问题。
[0006]有鉴于此，本申请第一方面提供了一种短期风速多步预测模型，所述模型包括：嵌入层、编码器和解码器，其中，编码器由两层基于改进注意力机制的循环神经网络层构成，所述改进注意力机制为：基于多头指数平滑注意力机制和频率注意力机制相结合构成的；解码器包括：两层趋势分析堆栈和水平分量分析堆栈；
[0007]嵌入层，用于将风速影响变量转换为隐变量空间作为输入变量输入到编码器中，其中，所述风速影响变量为：基于Holt
‑
Winter模型对风速时间序列分解得到的；
[0008]编码器，用于提取隐含在风速时间序列中的特征，所述特征包括：水平分量、趋势增量和季节型模式，并基于多头指数平滑注意力机制和频率注意力机制相结合的方式根据所述特征筛选风速时间序列中的高价值信息并赋予权重；
[0009]解码器，用于通过两层所述趋势分析堆栈对所述趋势增量和所述季节型模式进行
处理，通过水平分量分析堆栈对所述水平分量进行处理，得到短期风速多步预测结果。
[0010]可选地，所述循环神经网络层为：采用交叉学习的扩张循环网络层。
[0011]可选地，所述编码器，具体用于：
[0012]逐层剔除隐含在原始风速时间序列中的趋势增量和季节模式、以及风速时间序列的残差信号，通过改进注意力机制分配权重，形成新的输入变量传递到下一次循环神经网络层；每一层编码层将上一层的残差作为输入，每一层编码层的输出包括：新的残差、潜在的趋势增量和季节型模态。
[0013]可选地，所述每一层编码层将上一层的残差作为输入，每一层编码层的输出包括：新的残差、潜在的趋势增量和季节型模态，具体包括：
[0014]季节型模态更新：
[0015][0016]趋势增量更新：
[0017][0018]式中，均为经过转换后初始的所述输入变量，为上一层的残差，为新的残差；为潜在的趋势增量；为季节型模态；FA(
·
)和MHESA(
·
)均为注意力机制；f
ln
(
·
)为网络层标准化函数；f
drnn
(
·
)为扩张循环神经网络。
[0019]可选地，所述解码器，具体用于：将所述水平分量、所述趋势增量分量和所述季节型模式分量输入到短期风速多步预测公式中，得到短期风速多步预测结果；
[0020]其中，所述短期风速多步预测公式为：
[0021][0022]式中，为短期风速多步预测结果，N为循环神经网络层的个数，E
t:t+H
为预测阶段的水平分量，B
t:t+H
为预测阶段的趋势增量，S
t:t+H
为预测阶段的季节型模式。
[0023]本申请第二方面提供一种短期风速多步预测方法，所述方法包括：应用于上述第一方面的所述短期风速多步预测模型，方法包括：
[0024]将风速影响变量转换为隐变量空间作为输入变量输入到编码器中，其中，所述风速影响变量为：基于Holt
‑
Winter模型对风速时间序列分解得到的；
[0025]提取隐含在风速时间序列中的特征，所述特征包括：水平分量、趋势增量和季节型模式，并基于多头指数平滑注意力机制和频率注意力机制相结合的方式根据所述特征筛选风速时间序列中的高价值信息并赋予权重；
[0026]通过两层所述趋势分析堆栈对所述趋势增量和所述季节型模式进行处理，通过水平分量分析堆栈对所述水平分量进行处理，得到短期风速多步预测结果。
[0027]可选地，所述提取隐含在风速时间序列中的特征，所述特征包括：水平分量、趋势
增量和季节型模式，并基于多头指数平滑注意力机制和频率注意力机制相结合的方式根据所述特征筛选风速时间序列中的高价值信息并赋予权重，具体包括：
[0028]逐层剔除隐含在原始风速时间序列中的趋势增量和季节模式、以及风速时间序列的残差信号，通过改进注意力机制分配权重，形成新的输入变量传递到下一次循环神经网络层；每一层编码层将上一层的残差作为输入，每一层编码层的输出包括：新的残差、潜在的趋势增量和季节型模态。
[0029]可选地，所述每一层编码层将上一层的残差作为输入，每一层编码层的输出包括：新的残差、潜在的趋势增量和季节型模态，具体包括：
[0030]季节型模态更新：
[0031][0032]趋势增量更新：
[0033][0034]式中，均为经过转换后初始的所述输入变量，为上一层的残差，为新的残差；为潜在的趋势增量；为季节型模态；FA(
·
)和MHESA(
·
)均为注意力机制；f
ln
(
·
)为网络层标准化函数；f
drnn
(
·
)为扩张循环神经网络。
[0035]可选地，所述通过两层所述趋势分析堆栈对所述趋势增量和所述季节型模式进行处理，通过水平分量分析堆栈对所述水平分量进行处理，得到短期风速多步预测结果，具体包括：
[0036]将所述水平分量、所述趋势增量分量和所述季节型模式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种短期风速多步预测模型，其特征在于，包括：嵌入层、编码器和解码器，其中，编码器由两层基于改进注意力机制的循环神经网络层构成，所述改进注意力机制为：基于多头指数平滑注意力机制和频率注意力机制相结合构成的；解码器包括：两层趋势分析堆栈和水平分量分析堆栈；嵌入层，用于将风速影响变量转换为隐变量空间作为输入变量输入到编码器中，其中，所述风速影响变量为：基于Holt
‑
Winter模型对风速时间序列分解得到的；编码器，用于提取隐含在风速时间序列中的特征，所述特征包括：水平分量、趋势增量和季节型模式，并基于多头指数平滑注意力机制和频率注意力机制相结合的方式根据所述特征筛选风速时间序列中的高价值信息并赋予权重；解码器，用于通过两层所述趋势分析堆栈对所述趋势增量和所述季节型模式进行处理，通过水平分量分析堆栈对所述水平分量进行处理，得到短期风速多步预测结果。2.根据权利要求1所述的短期风速多步预测模型，其特征在于，所述循环神经网络层为：采用交叉学习的扩张循环网络层。3.根据权利要求2所述的短期风速多步预测模型，其特征在于，所述编码器，具体用于：逐层剔除隐含在原始风速时间序列中的趋势增量和季节模式、以及风速时间序列的残差信号，通过所述改进注意力机制分配权重，形成新的输入变量传递到下一次循环神经网络层；每一层编码层将上一层的残差作为输入，每一层编码层的输出包括：新的残差、潜在的趋势增量和季节型模态。4.根据权利要求3所述的短期风速多步预测模型，其特征在于，所述每一层编码层将上一层的残差作为输入，每一层编码层的输出包括：新的残差、潜在的趋势增量和季节型模态，具体包括：季节型模态更新：趋势增量更新：式中，均为经过转换后初始的所述输入变量，为上一层的残差，为新的残差；为潜在的趋势增量；为季节型模态；FA(
·
)和MHESA(
·
)均为注意力机制；f
ln
(
·
)为网络层标准化函数；f
drnn
(
·
)为扩张循环神经网络。5.根据权利要求1所述的短期风速多步预测模型，其特征在于，所述解码器，具体用于：将所述水平分量、所述趋势增量分量和所述季节型模式分量输入到短期风速多步预测公式中，得到短期风速多步预测结果；其中，所述短期风速多步预测公式为：
式中，为短期风速多步预测结果，N为循环神经网络层的个数，E
t:t+H
为预测阶段的水平分量，B
t:t+H
为预测阶段的趋势增量，S
t:t+H
为预测阶段的季节型模式。6.一种短期风速多步预测方法，其特征在于，应用于权利要求1
‑
5中任意一种的所述短期风速多步预测模型，方法包括：将风速影响变量...

【专利技术属性】
技术研发人员：马欣，罗向源，张俊，杨毅，孙钦章，曾懿辉，林子健，王祥翔，程博，
申请(专利权)人：广东电网有限责任公司佛山供电局，
类型：发明
国别省市：