【技术实现步骤摘要】
本公开涉及数据处理，尤其涉及一种基于stl(seasonal and trenddecomposition using loess，时间序列分解)分解与多层seq2seq(sequence tosequence，序列到序列)模型的波浪能预测方法、装置、设备及介质。
技术介绍
1、波浪能发电是一种重要的新能源发电方式，具有清洁性与可持续的优点。随着波浪能发电技术的快速发展，各国的波浪能发电装置都相继投入发电与并网。然而，由于波浪资源的波动性与间歇性的特点使得波浪能发电功率具有高度随机性，对沿海电网与孤岛电网的供电稳定性造成了很大的威胁。因此，准确的波浪能发电功率预测能够优化电网调度计划、降低电网运行成本，并提高电网的运行安全性。同时，准确的功率预测也能够促进波浪能发电的发展速度，从而加快波浪能发电装置的投入使用，加快海洋能的开发利用。
2、常见的波浪能发电功率预测方法可以分为物理方法、统计方法与人工智能方法。物理方法基于线性波浪理论或非线性波浪理论来模拟波浪进而获得发电功率，与实际值偏差较大；基于swan模型等数值模拟方法能够获得较高的预测精度，但计算量巨大，且在更长的时间跨度下精度下降严重。统计方法通过寻找历史发电功率序列与未来发电功率序列的关系来建立预测模型，由于波浪能本身的高度随机性，功率序列存在较强的非线性特征使得统计模型预测误差较大。人工智能方法具有强大的非线性拟合能力，长短期记忆神经网络(lstm，long short-term memory)等深度学习模型已经被应用于波浪能发电功率预测领域。对模型输入进行
3、相关技术中，比如提出了一种经验小波变换和卷积神经网络的波浪功率综合预测方法，该方法存在模态过多的问题，并且由于过拟合导致分解出来的分量物理周期含义模糊，导致预测结果的不稳定。再比如提出基于meemd分解方法与arima模型的功率预测方法，meemd分解过程对初始条件敏感并且生成过多的本征模态函数缺乏实际含义，此外arima模型的拟合能力弱于深度学习模型。
技术实现思路
1、为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种基于stl分解与多层seq2seq模型的波浪能预测方法、装置、设备及介质。
2、本公开实施例提供了一种基于stl分解与多层seq2seq模型的波浪能预测方法，所述方法包括：
3、获取波浪能发电装置的历史功率数据；
4、对所述历史功率数据进行预处理，获得原始序列；
5、对所述原始序列进行分解，得到目标趋势序列和目标周期序列；
6、通过已训练的多层seq2seq模型分别对所述原始序列、所述目标趋势序列和所述目标周期序列进行处理，得到预测结果。
7、可选的，所述对所述原始序列进行分解，得到目标趋势序列和目标周期序列，包括：
8、对所述原始序列进行多次迭代，得到趋势项；
9、计算所述原始序列和所述趋势项的差值，得到初始趋势序列；
10、基于预设的参数对所述原始序列进行局部加权回归平滑，得到平滑序列，并对所述初始周期序列进行滤波，得到滤波序列；
11、计算所述平滑序列和所述滤波序列的差值，得到初始周期序列；
12、计算所述原始序列、所述初始趋势序列和所述初始周期序列的差值，得到残差序列；
13、按照目标窗口宽度确定所述残差序列最小时对应的所述初始趋势序列和所述初始周期序列作为所述目标趋势序列和所述目标周期序列。
14、可选的，通过所述残差序列计算相关性确定所述窗口宽度的公式为：
15、
16、其中，w*是目标周期分量的窗口宽度，f(i,w)是周期序列在窗口宽度为w时的第i阶滞后自相关系数。
17、可选的，所述多层seq2seq模型包括第一层seq2seq模型、第二层seq2seq模型和第三层seq2seq模型；
18、通过lstm编码模块、时间模式注意力模块和lstm解码模块连接依次连接构建所述第一层seq2seq模型；
19、通过lstm编码模块、时间模式注意力模块和lstm解码模块连接依次连接构建所述第二层seq2seq模型；
20、通过lstm编码模块、lstm解码模块、自注意力模块依次连接构建所述第三层seq2seq模型。
21、可选的，所述通过已训练的多层seq2seq模型分别对所述原始序列、所述目标趋势序列和所述目标周期序列进行处理，得到预测结果，包括：
22、将所述原始序列输入到所述第一层seq2seq模型，得到历史波动特征与部分随机特征；
23、将所述目标趋势序列输入到所述第二层seq2seq模型，得到趋势特征；
24、将所述目标周期序列输入到所述第三层seq2seq模型，得到周期特征；
25、将所述历史波动特征与部分随机特征、所述趋势特征和所述周期特征进行拼接后输入全连接层，得到所述预测结果。
26、本公开实施例还提供了一种基于stl分解与多层seq2seq模型的波浪能预测装置，所述装置包括：
27、预处理模块，用于获取波浪能发电装置的历史功率数据，对所述历史功率数据进行预处理，获得原始序列；
28、stl分解模块，用于对所述原始序列进行分解，得到目标趋势序列和目标周期序列；
29、预测模块，用于通过已训练的多层seq2seq模型分别对所述原始序列、所述目标趋势序列和所述目标周期序列进行处理，得到预测结果。
30、可选的，所述stl分解模块，用于，具体用于：
31、对所述原始序列进行多次迭代，得到趋势项；
32、计算所述原始序列和所述趋势项的差值，得到初始趋势序列；
33、基于预设的参数对所述原始序列进行局部加权回归平滑，得到平滑序列，并对所述初始周期序列进行滤波，得到滤波序列；
34、计算所述平滑序列和所述滤波序列的差值，得到初始周期序列；
35、计算所述原始序列、所述初始趋势序列和所述初始周期序列的差值，得到残差序列；
36、按照目标窗口宽度确定所述残差序列最小时对应的所述初始趋势序列和所述初始周期序列作为所述目标趋势序列和所述目标周期序列。
37、可选的，通过所述残差序列计算相关性确定所述窗口宽度的公式为：
38、
39、其中，w*是目标周期分量的窗口宽度，f(i,w)是周期序列在窗口宽度为w时的第i阶滞后自相关系数。
40、可选的，所述多层seq2seq模型包括第一层seq2seq模型、第二层seq2seq模型和第三层seq2seq模型；
41、通过lstm编码模块、时间模式注意力模块和lstm解码模块连接依次连接构建所述第一层seq2seq模型；
<本文档来自技高网...【技术保护点】
1.一种基于STL分解与多层seq2seq模型的波浪能预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述对所述原始序列进行分解，得到目标趋势序列和目标周期序列，包括：
3.根据权利要求2所述的方法，其特征在于，通过所述残差序列计算相关性确定所述窗口宽度的公式为：
4.根据权利要求1所述的方法，其特征在于，
5.根据权利要求4所述的方法，其特征在于，所述通过已训练的多层seq2seq模型分别对所述原始序列、所述目标趋势序列和所述目标周期序列进行处理，得到预测结果，包括：
6.一种基于STL分解与多层seq2seq模型的波浪能预测装置，其特征在于，包括：
7.根据权利要求6所述的装置，其特征在于，所述STL分解模块，用于，具体用于：
8.根据权利要求6所述的装置，其特征在于，所述预测模块，具体用于：
9.一种电子设备，其特征在于，所述电子设备包括：
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上
...【技术特征摘要】
1.一种基于stl分解与多层seq2seq模型的波浪能预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述对所述原始序列进行分解，得到目标趋势序列和目标周期序列，包括：
3.根据权利要求2所述的方法，其特征在于，通过所述残差序列计算相关性确定所述窗口宽度的公式为：
4.根据权利要求1所述的方法，其特征在于，
5.根据权利要求4所述的方法，其特征在于，所述通过已训练的多层seq2seq模型分别对所述原始序列、所述目标趋势序列和所述目标周期序列进行处理，得到预...
【专利技术属性】
技术研发人员：王晋，刘永前，韩爽，伊扬，阎洁，李莉，孟航，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：
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。