【技术实现步骤摘要】
本专利技术属于可再生能源预测、电力工程、机器学习和人工智能领域，涉及将风电出力预测与机器学习与人工智能相结合的方法，适用于风电场出力预测和对应的概率预测。
技术介绍
1、现有风电场功率预测技术存在计算复杂的问题，或者只能对风电功率的概率区间进行预测，或者预测结果具有不确定性的问题。
2、因此，提出一种风电功率及其概率的预测方法，来解决计算复杂、只能对风电功率对应的概率区间预测和预测结果具有不确定性的问题。
技术实现思路
1、一种风电功率及其概率的预测方法，将自适应噪声完备集成经验模态分解、动态蛇形卷积核和可解释时间序列预测的神经基扩展分析模块进行结合，以及将基于自适应噪声完备集成经验模态分解和自回归递归网络的概率预测模块结合，用于风电功率的预测和风电功率对应的概率预测，具有概率预测精度提高的功能和效果；在使用过程中的步骤为：
2、步骤(1)：输入风电场的原始数据，包括风电场的原始出力数据、历史运行数据、场站基本数据、气象预测数据、气象实测数据；
3、步骤(2)：在原始数据输入完成后，将时空注意力分解成捕捉帧内长时间依赖关系的帧内静态注意力和捕捉时间线上的时序演变的帧间动态注意力；帧内静态注意力通过小内核深度卷积、深度卷积与膨胀和1×1卷积来扩大内核卷积，帧间动态注意力以挤压和激励的方式学习通道的注意力权重；最后，将静态注意力和动态注意力结合形成最终的注意力；其中，通过一种优化时空预测学习的损失函数，即差分散度正则化，来改善模型的预测效果；给定的预
4、
5、δyi＝yi+1-yi (2)
6、式中，i∈r,r代表的是全体实数；和分别为当前时间序列预测帧数和下一时间序列的预测帧数，yi和yi+1分别为和对应的真实地面实况帧数，和δyi分别为当前时间序列预测帧数和下一时间序列的预测帧数的正向差值、和对应的真实地面实况帧数的正向差值；
7、差分散度正则化的目标损失函数l为：
8、
9、式中，α为加权常数；tpast为过去时间序列的帧数；为优化时空预测学习的损失函数，和y分别为给定的预测帧数和给定的预测帧数所对应的真实地面实况帧数；“||||”表示的是将逻辑符号里的运算结果取模的逻辑符号；表示的是在同一个时空空间里先将和yi作差，再取差的模，然后取差的模的平方；∑为求和的数学符号，为在同一时空空间里从和y1之间的差模平方到和之间的差模平方的所有和；
10、步骤(3)：在将时空注意力分解形成最终的注意力后，对时间序列信号进行自适应噪声完备集成经验模态分解，先对原始时间序列添加标准的正态白噪声，则时间序列信号xl(t)为：
11、xl(t)＝x(t)+ε0θl(t) (4)
12、式中，l∈(1,ladd)，ε0为信噪比，θl(t)为第l次向时间序列添加标准正态白噪声，ladd为对时间序列添加标准的正态白噪声的总次数，x(t)为原始时间序列；
13、时间序列信号xl(t)通过经验模态分解的多次分解直至得到符合经验模态分解结束的条件，自适应噪声完备集成经验模态分解的信号第一个本征模函数分量为：
14、
15、式中，imf1l为经验模态分解对第l组时间序列进行分解后所得到的第一个本征模函数分量，是作为自适应噪声完备集成经验模态分解时间序列信号的第一个本征模函数分量，表示的是从第一组时间序列到第ladd组时间序列的自适应噪声完备集成经验模态分解时间序列信号的所有本征模函数分量的和；
16、原始时间序列x(t)的自适应噪声完备集成经验模态分解的分解式为：
17、
18、式中，为自适应噪声完备集成经验模态分解时间序列信号的第k个本征模函数分量，m为经验模态分解结束时所获得信号本征模函数的总次数，rm(t)为第m阶段得到的残差，表示的是从自适应噪声完备集成经验模态分解时间序列信号的第一个本征模函数分量到自适应噪声完备集成经验模态分解时间序列信号的第m个本征模函数分量的和；
19、步骤(4)：在基于自适应噪声完备集成经验模态分解时间序列信号完成后，分别将模态分解后的时间序列信号分别输入到动态蛇形卷积核与自回归递归网络的概率预测模型中训练；其中，动态蛇形卷积核对模态分解后的时间序列信号使用迭代策略，以给定的标准2d卷积坐标为k，ka＝(xa,ya)为中心坐标，将卷积核分为x轴和y轴，建立一个标准卷积核曲线，分别在x轴和y轴方向上对标准卷积核进行拉直处理后得到动态蛇形卷积核坐标，标准卷积核在x轴和y轴上拉直处理后的变化分别为：
20、
21、
22、式中，a代表的是中心网格所在位置符号标志，a＝j，公式(3)中的a与的公式(4)中的j只用来区分是在x轴还是y轴方向上进行标准卷积核的拉直处理，c表示的是其他网格距离中心网格的水平距离，δyn是标准卷积核在x轴进行拉直处理时的偏移量，δxn是标准卷积核在y轴进行拉直处理时的偏移量；xa和xj都表示为中心网格的横坐标，ya和yj都表示为中心网格的纵坐标；ka±c为在x轴方向拉直标准卷积核后，k中每个网格的具体位置坐标，kj±c为在y轴方向拉直标准卷积核后，k中每个网格的具体位置坐标；xa+c和xj+c都是在中心网格的右半平面内距离中心网格c水平距离的网格的横坐标，xa-c和xj-c都是在中心网格的左半平面内距离中心网格c水平距离的网格的横坐标，ya+c和yj+c都是在中心网格的上半平面内距离中心网格水平距离c的网格的纵坐标，ya-c和yj-c都是在中心网格的下半平面内距离中心网格水平距离c的网格的纵坐标；表示的是标准卷积核在x轴方向上进行拉直处理时，在中心网格的上半平面内从中心网格距离中心网格距离c的网格所有变形偏移量的和；表示的是标准卷积核在x轴方向上进行拉直处理时，在中心网格的下半平面内从距离中心网格距离c的网格到中心网格的所有变形偏移量的和；表示的是标准卷积核在y轴方向上进行拉直处理时，在中心网格的右半平面内从中心网格到距离中心坐标距离c的网格使用变形偏移量的和，表示的是标准卷积核在y轴方向上进行拉直处理时，在中心网格的左半平面内从距离中心网格距离c的网格到中心网格的所有变形偏移量的和；xa+c和xa-c分别为xa+c和xa-c在x轴方向上对标准卷积核进行拉直后得到的横坐标，yj+c和yj-c分别为yj+c和yj-c是在y轴方向上对标准卷积核进行拉直后得到的纵坐标；而和分别为ya+c和ya-c在x轴方向上对标准卷积核进行拉直后得到的纵坐标；和分别为xj+c和xj-c在y轴方向上对标准卷积核进行拉直后得到的横坐标；
23、时间序列信号在动态蛇形卷积核完成训练后，再传输到可解释时间序列预测的神经基扩展分析模块中构建具有可解释输出的深度神经网络，深度神经网络利用残差网络堆叠多个神经层，形成泛化能力强的模型，深度神经网络形成的模型由s个神经网络堆栈组成，本文档来自技高网...
【技术保护点】
1.一种风电功率及其概率的预测方法，其特征在于，将自适应噪声完备集成经验模态分解、动态蛇形卷积核和可解释时间序列预测的神经基扩展分析模块进行结合，以及将基于自适应噪声完备集成经验模态分解和自回归递归网络的概率预测模块结合，用于风电功率的预测和风电功率对应的概率预测，具有概率预测精度提高的功能和效果；在使用过程中的步骤为：
【技术特征摘要】
1.一种风电功率及其概率的预测方法，其特征在于，将自适应噪声完备集成经验模态分解、动态蛇形卷积核和可解释时间序列预测的神经基扩展分析模块进行结合，以及将基于自适应...
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。