基于时序表征和多级注意力的超短期风电功率预测方法及预测系统技术方案

本发明专利技术公开了一种基于时序表征和多级注意力的超短期风电功率预测方法及预测系统，采集风电功率数据和气象数据；采用时序嵌入层Time2Vec对风电功率数据进行表征，获得时间的周期性分量和非周期性分量；然后与原始风电功率数据进行拼接，并处理得到高维风电功率序列，利用自注意力进行重构；对气象数据以及重构后的序列利用交叉注意力进行重构，并对重构后序列利用时空卷积

【技术实现步骤摘要】
基于时序表征和多级注意力的超短期风电功率预测方法及预测系统


[0001]本专利技术涉及风电功率预测，具体是涉及一种基于时序表征和多级注意力的超短期风电功率预测方法及预测系统。

技术介绍

[0002]随着“双碳”目标的提出，加快构建以新能源为主体的新型电力系统具有重要意义。风力发电被认为是推进能源转型和可持续发展的重要方式之一，然而，受气象因素影响，风电功率具有较强的波动性和随机性，这对电力系统的功率平衡、规划调度带来了较大的挑战。确定性的超短期风电功率预测结果是调度部门制定发电计划和运行策略的重要依据，因而，需要对超短期风电功率进行准确的预测，从而确保电力系统的经济调度和安全运行。
[0003]近年来，以机器学习和深度学习为主体的人工智能方法已被广泛应用于风电功率预测。支持持向量回归、随机森林等机器学习方法在小样本数据集上取得了良好的预测精度，然而，随着风电相关数据的大规模增加，以卷积神经网络、长短期记忆网络为基础的深度学习方法在风电功率预测中取得了更为优异的预测性能。而在深度学习模型中引入高效的数据处理方法如变分模态分解、奇异谱分析等能够进一步提升模型的预测表现，这些方法通过分解风电功率序列，获取时间的相关特征，从而提升预测精度。然而，上述处理方法需要人为提取风电功率序列中的时间信息，其过程往往与模型实际的预测环节相分离，增加了模型性能对数据处理的依赖性。此外，现有的风电功率预测方法通常会将历史气象特征也作为模型的输入，然而不同时刻的气象特征对风电功率的实际影响是不同的，直接将历史气象特征作为模型输入容易忽略其与风电功率之间的动态耦合关系，导致模型的预测性能下降。

技术实现思路

[0004]专利技术目的：针对以上缺点，本专利技术提供一种准确性和可靠性高的基于时序表征和多级注意力的超短期风电功率预测方法及预测系统。
[0005]技术方案：为解决上述问题，本专利技术采用一种基于时序表征和多级注意力的超短期风电功率预测方法，包括以下步骤：
[0006](1)采集数据，采集的数据包括风电功率数据和气象数据；
[0007](2)采用时序嵌入层Time2Vec对风电功率数据进行表征，获得风电功率数据关于时间的周期性分量和非周期性分量；
[0008](3)将获得的周期性分量和非周期性分量与原始风电功率数据进行拼接，并处理得到高维风电功率序列，利用自注意力对高维风电功率序列进行重构；
[0009](4)对气象数据以及重构后的风电功率序列利用交叉注意力进行重构，得到包含两者耦合关系的多维特征序列；
[0010](5)利用时空卷积
‑
长短期记忆网络对多维特征序列进行时序特征提取，得到时序特征；
[0011](6)利用全局注意力处理时序特征，得到相应的超短期风电功率预测值，实现对超短期风电功率的预测。
[0012]进一步的，所述步骤(1)中采集的风电功率数据为风电场的实际风电出力数据，所述气象数据包括风速、风向、温度、气压以及湿度。
[0013]进一步的，所述步骤(2)中经Time2Vec处理后可得到其高阶特征表示t
t2v
(τ)，具体可描述为：
[0014][0015]其中，t
t2v
(τ)[i]为t
t2v
(τ)的第i个分量；τ为风电功率数据的时间序列特征；对应线性分量，用于捕获时间的非周期模式；对应周期分量，用于捕捉时间的周期模式；ω
ih
和为正弦函数的频率和相位；k为Time2Vec的维度。
[0016]进一步的，所述步骤(3)中，利用全连接层将拼接所得结果映射至d维空间，得到高维风电功率序列，然后采用位置编码将位置信息添加到高维风电功率序列中，得到带有位置信息的高维风电功率序列，并利用自注意力对带有位置信息的高维风电功率序列进行重构。
[0017]进一步的，位置编码的计算方式为：
[0018][0019]其中，pos为序列索引，i为维度索引，sin(
·
)、cos(
·
)分别表示正、余弦函数，将映射至d维空间的高维风电功率序列与位置编码结果相加，得到带有位置信息的高维风电功率序列。
[0020]进一步的，采用多头自注意力对高维风电功率序列进行重构，多头自注意力的计算过程为：
[0021][0022]其中，为参数矩阵，Q
y
、K
y
、V
y
为基于带有位置信息的高维风电功率序列Y∈R
T
变换所得到的查询矩阵、键矩阵、值矩阵，T表示输入序列的长度，A
y
表示自注意力机制的输出，d
k
表示键矩阵的维数，m表示多头自注意力的“头数”，O
y
为重构后的风电功率序列。
[0023]进一步的，交叉注意力的计算过程：
[0024][0025]其中，X∈R
T
×
n
为根据气象数据得到的影响风电功率变化的多元气象序列，T为序列长度，n为气象变量的个数；为参数矩阵，Q
xy
为基于重构后的风电功率序列变换得到的查询矩阵，K
xy
和V
xy
为基于多元气象序列变换得到的键矩阵和值矩阵，A
xy
为交叉注意力机制的输出，O
xy
为最终得到的多维特征序列。
[0026]进一步的，所述步骤(5)中时空卷积
‑
长短期记忆网络包括对多维特征序列进行初步特征提取的时间卷积模块和空间卷积模块，以及进行进一步时序特征提取的LSTM网络；初步特征提取具体为：
[0027][0028]其中，W
tem
和b
tem
为时间卷积模块对应的权重和偏置，W
spa
和b
spa
为空间卷积模块对应的权重和偏置，*为卷积运算，Relu(
·
)为对应的激活函数；l
tem
和l
spa
分别为时间卷积模块和空间卷积模块的输出；
[0029]利用LSTM网络进一步进行时序特征提取，具体为：
[0030][0031]其中，LSTM(
·
)表示LSTM网络；H
tem
∈R
T
×
U
为基于l
tem
的网络输出，H
spa
∈R
T
×
U
为基于l
spa
的网络输出；T表示序列长度，U为LSTM网络的隐藏层单元数，和为各自在时间步t对应的隐藏层单元状态。
[0032]进一步的，所述时序特征经全局注意力去噪和门控机制融合后输入至全连接层，全局注意力对时序特征进行变换时，为不同时间步对应的隐藏层状态向量分配一个注意力权重向量，从而过滤掉每个时间步隐藏层状态中的噪声，具体过程为：
[0033本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时序表征和多级注意力的超短期风电功率预测方法，其特征在于，包括以下步骤：(1)采集数据，采集的数据包括风电功率数据和气象数据；(2)采用时序嵌入层Time2Vec对风电功率数据进行表征，获得风电功率数据关于时间的周期性分量和非周期性分量；(3)将获得的周期性分量和非周期性分量与原始风电功率数据进行拼接，并处理得到高维风电功率序列，利用自注意力对高维风电功率序列进行重构；(4)对气象数据以及重构后的风电功率序列利用交叉注意力进行重构，得到包含两者耦合关系的多维特征序列；(5)利用时空卷积
‑
长短期记忆网络对多维特征序列进行时序特征提取，得到时序特征；(6)利用全局注意力处理时序特征，得到相应的超短期风电功率预测值，实现对超短期风电功率的预测。2.根据权利要求1所述的超短期风电功率预测方法，其特征在于，所述步骤(1)中采集的风电功率数据为风电场的实际风电出力数据，所述气象数据包括风速、风向、温度、气压以及湿度。3.根据权利要求1所述的超短期风电功率预测方法，其特征在于，所述步骤(2)中经Time2Vec处理后可得到其高阶特征表示t
t2v
(τ)，具体可描述为：其中，t
t2v
(τ)[i]为t
t2v
(τ)的第i个分量；τ为风电功率数据的时间序列特征；对应线性分量，用于捕获时间的非周期模式；对应周期分量，用于捕捉时间的周期模式；ω
ih
和为正弦函数的频率和相位；k为Time2Vec的维度。4.根据权利要求1所述的超短期风电功率预测方法，其特征在于，所述步骤(3)中，利用全连接层将拼接所得结果映射至d维空间，得到高维风电功率序列，然后采用位置编码将位置信息添加到高维风电功率序列中，得到带有位置信息的高维风电功率序列，并利用自注意力对带有位置信息的高维风电功率序列进行重构。5.根据权利要求4所述的超短期风电功率预测方法，其特征在于，位置编码的计算方式为：其中，pos为序列索引，i为维度索引，sin(
·
)、cos(
·
)分别表示正、余弦函数，将映射至d维空间的高维风电功率序列与位置编码结果相加，得到带有位置信息的高维风电功率序列。6.根据权利要求4所述的超短期风电功率预测方法，其特征在于，采用多头自注意力对
高维风电功率序列进行重构，多头自注意力的计算过程为：其中，为参数矩阵，Q
y
、K
y
、V
y
为基于带有位置信息的高维风电功率序列Y∈R
T
变换所得到的查询矩阵、键矩阵、值矩阵，T表示输入序列的长度，A
y
表示自注意力机制的输出，d
k
表示键矩阵的维数，m表示多头自注意力的“头数”，O
y
为重构后的风电功率序列。7.根据权利要求6所述的超短期风电功率预测方法，其特征在于，交叉注意力的计算过程：其中，X∈R
T
×
n
为根据气象数据得到的影响风电功率变化的多元气象序列，T为序列长度，n为气象变量的个数；为参数矩阵，Q
xy
为基于重构后的风电功率序列变换得到的查询矩阵，K
xy
和V
xy
为基于多元气象序列变换得到的键矩阵和值矩阵，A
xy
为交叉注意力机制的输出，O
xy
...

【专利技术属性】
技术研发人员：臧海祥，张越，程礼临，孙国强，朱瑛，黄蔓云，韩海腾，周亦洲，陈胜，卫志农，
申请(专利权)人：河海大学，
类型：发明
国别省市：