【技术实现步骤摘要】
一种基于时序注意力和空间通道重构卷积风电预测方法
[0001]本专利技术属于新能源
、
人工智能
、
卷积神经网络与电力系统领域,涉及时序注意力与卷积神经网络方法,运用人工智能算法,适用于电力系统风电预测系统的控制
。
技术介绍
[0002]现有用于风电出力预测的循环神经网络模型有着难以捕捉长期依赖
、
容易出现梯度消失或者爆炸的问题,使得其难以训练长序列,现有的
Transformer
模型的内存和计算复杂性与序列长度成二次方关系,而影响风电出力的因素有很多,对于长输入序列和资源受限情况,存在精度下降的问题,无法满足电网高精度的调度和控制要求
。
[0003]另外,现有的使用循环单元来捕捉长期的实践依赖关系,无法在时间维度上并行化,限制其可扩展性,降低计算效率与准确度
。
[0004]因此,提出一种基于时序注意力和空间通道重构卷积风电预测方法,所提出方法具有稳定梯度
、
更深架构和推理效率高的优势,能进行并行训练和有强大的可扩展性,减少由于冗余特征提取而产生的计算成本,能够处理和预测复杂的风电出力变化情况,提高风电预测的速度和精度
。
技术实现思路
[0005]一种基于时序注意力和空间通道重构卷积风电预测方法,先在数据处理上应用归一化生成红绿蓝三色
RGB
图片方法与完备集合经验模态分解方法,运用空间通道重构卷积来提取风电场数据的特征信息,最后利用时间注意力
【技术保护点】
【技术特征摘要】
1.
一种基于时序注意力和空间通道重构卷积风电预测方法,其特征在于,首先在数据处理上应用归一化生成红绿蓝三色
RGB
图片方法与完备集合经验模态分解方法,运用空间通道重构卷积来提取风电场数据的特征信息,最后利用时间注意力单元和接受加权键值模型得到风电出力预测结果,使得风电出力预测更加准确,基于时序注意力和空间通道重构卷积风电预测方法能降低复杂度和计算成本;在使用过程中的步骤为:步骤
(1)
:采集连续7天内每
15
分钟采样一次的
672
组风电场原始数据,每组数据包括风电场风速
、
风向
、
气压
、
温度
、
湿度
、
空气密度
、
降水量
、
平均风功率密度
、
风频分布
、
风向稳定度
、
叶轮直径
、
桨距角
、
风轮叶片数量
、
叶轮转速
、
发电机有功功率和发电机无功功率数据,共计
10752
个数据组成集合
X
,其中,
x
n
表示集合
X
中第
n
个元素;步骤
(2)
:首先将采集的风电场风速
、
风向
、
气压
、
温度
、
湿度
、
空气密度,降水量
、
平均风功率密度
、
风频分布
、
风向稳定度
、
叶轮直径
、
桨距角
、
风轮叶片数量
、
叶轮转速
、
发电机有功功率和发电机无功功率数据集进行异常值处理,然后利用
Sigmoid
函数进行归一化
x
′
n
为:其中,
x
n
为风电场风速
、
风向
、
气压
、
温度
、
湿度
、
空气密度
、
降水量
、
平均风功率密度
、
风频分布
、
风向稳定度
、
叶轮直径
、
桨距角
、
风轮叶片数量
、
叶轮转速
、
发电机有功功率和发电机无功功率数据,
e
为自然常数;步骤
(3)
:将步骤
(2)
中的扩大
255
倍处理得到
s
n
为:
s
n
=
x
n
′×
255 (2)
将
s
n
向下取整得到
s
′
n
,使
s
′
n
为区间
[0,255]
中的整数,生成集合
S
;步骤
(4)
:将集合
S
中
s
′1‑
s
′
3540
元素组成
60
×
59
矩阵
A1:式中,
s
′1为集合
S
中第1个元素,
s
′
60
为集合
S
中第
60
个元素,
s
′
3481
为集合
S
中第
3481
个元素,
s
′
3540
为集合
S
中第
3540
个元素;将集合
S
中
s
′
3541
‑
s
′
7080
元素组成
60
×
59
矩阵
A2:式中,
s
′
3541
为集合
S
中第
3541
个元素,
s
′
3600
为集合
S
中第
3660
个元素,
s
′
7021
为集合
S
中第
7021
个元素,
s
′
7080
为集合
S
中第
7080
个元素;将集合
S
中
s
′
7081
‑
s
′
10620
元素组成
60
×
59
矩阵
A3:式中,
s
′
7081
为集合
S
中第
7081
个元素,
s
′
7140
为集合
S
中第
7140
个元素,
s
′
10561
为集合
S
中第
10561
个元素,
s
′
10620
为集合
S
中第
10620
个元素;步骤
(5)
:将矩阵
A1、A2和
A3相同位置的值分别作为红绿蓝三色
RGB
图片像素点上红色
、
绿色和蓝色的值,生成红绿蓝三色
RGB
图片;
步骤
(6)
:将生成的红绿蓝三色
RGB
图片输入时间注意力单元,首先将红绿蓝三色
RGB
图片输入空间编码器进行编译,再利用时间注意力分解为帧内静态注意力和帧内动态注意力,利用帧内静态注意力捕捉帧内的长距离依赖关系,利用帧间动态注意力学习不同帧内的通道权重,将经过帧内静态注意力和帧内动态注意力后的数据点乘后叉乘,放入空间译码器中得到预测后的红绿蓝三色
RGB
图;步骤
(7)
:利用差分散度正则化优化预测结果,还原预测结果的红绿蓝三色
RGB
图得到预测数据1;步骤
(8)
:采集历史风电场原始数据集
y(t)
,包括风电场的原始出力数据
、
风速
、
风向
、
气压
、
温度
、
湿度
、
空气密度
、
降水量
、
平均风功率密度
、
风频分布
、
风向稳定度
、
叶轮直径
、
桨距角
、
风轮叶片数量
、
叶轮转速
、
发电机有功功率和发电机无功功率数据;步骤
(9)
:将历史风电场原始数据集
y(t)
进行完备集合经验模态分解:对
y(t)
添加
i
次均值为0的高斯白噪声,得到加噪后的数据
y
i
(t)
为:
y
i
(t)
=
y(t)+
ω
i
(t)
ꢀꢀꢀ
(6)
其中,
ω
i
(t)
,
i
=1,2,
…
,
I
,是第
i
次实验中所添加的满足正态缝补的高斯白噪声,式中,
I
为最大实验次数;将
y
i
(t)
进行完备集合经验模态分解,得到模态
j
表示模态的阶数,
J
为最大模态阶数,对于
j
=1,计算的总体平均值,得到第一阶模态
IMF1(t)
为:其中,为完备集合经验模态分解的第一阶模态的第
i
个
IMF
分量;计算一阶残差
r1(t)
为:
r1(t)
=
y(t)
‑
IMF1(t)
ꢀꢀꢀꢀꢀꢀ
(8)
对一阶残差
r1(t)
进行加噪,得到加噪后的残余分量
r
′1为:
r
′1=
r1(t)+
ε1E1(
ω
i
(t))
,
i
=1,2…
I
ꢀꢀꢀꢀꢀꢀꢀ
(9)
其中,
ε1为第一阶段选择的信噪比,
E1(
ω
i
(t))
为一阶模态算子;将
r
′1进行完备集合经验模态分解,并定义总体平均值第二阶模态
IMF2(t)
为:其中,
E
a
(
·
)
为对信号进行完备集合经验模态分解后的第
a
阶
IMF
模态算子;对
j
=2,3,
…
,
J
,计算
j
阶残差
r
j
(t)
:
r
j
(t)
=
r
j
‑1(t)
‑
IMF
j...
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。