【技术实现步骤摘要】
本专利技术涉及基于数据修正的概率稀疏自注意短期风电功率预测方法，属于风电预测领域。
技术介绍
1、风力发电受气象和和地理条件的影响而表现出随机性、波动性和间歇性，使得大规模的风电并网电力供需难以平衡。需要预测风电产能，从而优化电网的规划和调度，并找到最佳的风机组合，确保电力系统的安全稳定运行，同时进一步提高风电的经济效益。目前，研究人员致力于提高风电功率预测技术的精准度。现有方法大多利用单一聚类算法进行数据清洗，再利用transformer模型来进行短期功率预测。尽管这些方法对于风电功率的预测提供了一定的帮助，但其预测精度仍然存在不足之处。
2、公开号为cn116629408a的中国专利《一种电力数据预测分析方法》公开了：步骤a)将电力数据库中的样本数据依次分配至k个类型中，将k个类型的聚心经更新、优化后得各类型新优化聚心，得所有样本数据分成的k类电力数据；步骤b)数据清洗；步骤c)空数据填补；步骤d)特征训练及数据预测。该专利技术通过数据分类对不同的数据进行分类管理，但数据清洗效果有待进一步提高。
技术实现思路
1、为了克服现有技术中存在的问题，本专利技术设计了基于数据修正的概率稀疏自注意短期风电功率预测方法，提出的最近簇隔离算法kci(nearest-cluster-isolation)结合近邻算法、孤立森林、局部异常因子的优点，并且在理论风速-功率曲线的区间波动范围筛选掉误检测的数据，有效的提高异常数据点检测效果。
2、为了实现上述目的，本专利技术采用
3、技术方案一
4、基于数据修正的概率稀疏自注意短期风电功率预测方法，包括以下步骤：
5、获取风电功率数据集；
6、分别利用knn算法、cblof算法、iforest算法对风电功率数据集进行异常值检测，得到若干异常数据点集合；根据理论风速-功率曲线设定门阈值；对各异常数据点集合求并集，删除超出门阈值且属于所述并集的数据点；
7、构建并训练预测模型，预测模型包括编码器和解码器；所述编码器包括第一分支和第二分支；第一分支包括多头注意力层l×l、卷积层、多头注意力层1/2l×1/2l、卷积层、多头注意力层1/4l×1/4l；第二分支包括多头注意力层1/2l×1/2l、卷积层、多头注意力层1/4l×1/4l；所述解码器包括隐藏多头注意力层、多头注意力层、全连接层；
8、分别输入历史风电数据至编码器中的第一分支和第二分支，融合两个分支的输出为特征图；特征图输入至解码器的多头注意力层，输入预测时刻前期时间序列至解码器的隐藏多头注意力层；多头注意力层对接收数据进行权重计算再输入到全连接层输出预测结果。
9、进一步地，还包括：用lightgbm对风电历史数据集中的缺失值进行补充。
10、进一步地，所述lightgbm设置如下参数：叶子节点数为35个、学习率为0.06、最大深度为4、正则化系数为0.12、正则化系数为0.56、最小子节点采样为48个。
11、进一步地，通过knn算法进行异常检测，得到第一异常数据点集，包括：选择k值；对于风电历史数据集中的数据点，计算各数据点与其它数据点的距离；对于每个数据点，选取与之最近的k个数据点作为其最近邻；根据最近邻的标签，通过多数表决的方式确定数据点的标签为正常或异常。
12、进一步地，通过cblof算法进行异常检测，得到第二异常数据点集，包括：对数据集进行聚类操作，得到若干簇；获取计算异常分数所需的参数，包括：计算簇的协方差矩阵、计算点相对簇的密度；计算异常分数，根据异常分数确定数据点的标签为正常或异常。
13、进一步地，通过iforest算法进行异常检测，得到第三异常数据点集，包括：构建若干树；对各数据点，遍历每一棵树，然后计算数据点在每个树的路径长度，取路径长度平均值为异常分数；根据异常分数确定数据点的标签为正常或异常。
14、技术方案二
15、基于数据修正的概率稀疏自注意短期风电功率预测设备，包括：存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令，实现技术方案一所述步骤。
16、与现有技术相比本专利技术有以下特点和有益效果：
17、1、与单一的异常检测算法相比，本专利技术考虑到风电数据特性提出最近簇隔离算法kci(nearest-cluster-isolation)结合近邻算法、孤立森林、局部异常因子的优点(knn算法能较好的处理曲线周围分散式异常数据，一般是由于气象波动、信号传播噪声等随机情况造成；局部异常因子算法能较好的处理曲线中部的堆积式异常数据，限电或网络故障引起；孤立森林算法能较好处理曲线上部分的堆积式异常数据,一般由计量装置的失灵所引起)，并且在理论风速-功率曲线的区间波动范围筛选掉误检测的数据，有效的提高异常数据点检测效果，从而提高预测模型精度。
18、2、本专利技术中预测模型为informer采用概率稀疏自注意，且编码器和自注意蒸馏结合，有效提高预测精度和降低预测时间。
本文档来自技高网...【技术保护点】
1.基于数据修正的概率稀疏自注意短期风电功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于数据修正的概率稀疏自注意短期风电功率预测方法，其特征在于，还包括：用LightGBM对风电历史数据集中的缺失值进行补充。
3.根据权利要求2所述的基于数据修正的概率稀疏自注意短期风电功率预测方法，其特征在于，所述LightGBM设置如下参数：叶子节点数为35个、学习率为0.06、最大深度为4、正则化系数为0.12、正则化系数为0.56、最小子节点采样为48个。
4.根据权利要求1所述的基于数据修正的概率稀疏自注意短期风电功率预测方法，其特征在于，通过KNN算法进行异常检测，得到第一异常数据点集，包括：选择K值；对于风电历史数据集中的数据点，计算各数据点与其它数据点的距离；对于每个数据点，选取与之最近的K个数据点作为其最近邻；根据最近邻的标签，通过多数表决的方式确定数据点的标签为正常或异常。
5.根据权利要求1所述的基于数据修正的概率稀疏自注意短期风电功率预测方法，其特征在于，通过CBLOF算法进行异常检测，得到第二异常数据点
6.根据权利要求1所述的基于数据修正的概率稀疏自注意短期风电功率预测方法，其特征在于，通过iForest算法进行异常检测，得到第三异常数据点集，包括：构建若干树；对各数据点，遍历每一棵树，然后计算数据点在每个树的路径长度，取路径长度平均值为异常分数；根据异常分数确定数据点的标签为正常或异常。
7.基于数据修正的概率稀疏自注意短期风电功率预测设备，其特征在于，包括：存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令，实现如下步骤：
8.根据权利要求7所述的基于数据修正的概率稀疏自注意短期风电功率预测设备，其特征在于，还包括：用LightGBM对风电历史数据集中的缺失值进行补充。
9.根据权利要求8所述的基于数据修正的概率稀疏自注意短期风电功率预测设备，其特征在于，所述LightGBM设置如下参数：叶子节点数为35个、学习率为0.06、最大深度为4、正则化系数为0.12、正则化系数为0.56、最小子节点采样为48个。
10.根据权利要求7所述的基于数据修正的概率稀疏自注意短期风电功率预测设备，其特征在于，通过KNN算法进行异常检测，得到第一异常数据点集，包括：选择K值；对于风电历史数据集中的数据点，计算各数据点与其它数据点的距离；对于每个数据点，选取与之最近的K个数据点作为其最近邻；根据最近邻的标签，通过多数表决的方式确定数据点的标签为正常或异常。
...【技术特征摘要】
1.基于数据修正的概率稀疏自注意短期风电功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于数据修正的概率稀疏自注意短期风电功率预测方法，其特征在于，还包括：用lightgbm对风电历史数据集中的缺失值进行补充。
3.根据权利要求2所述的基于数据修正的概率稀疏自注意短期风电功率预测方法，其特征在于，所述lightgbm设置如下参数：叶子节点数为35个、学习率为0.06、最大深度为4、正则化系数为0.12、正则化系数为0.56、最小子节点采样为48个。
4.根据权利要求1所述的基于数据修正的概率稀疏自注意短期风电功率预测方法，其特征在于，通过knn算法进行异常检测，得到第一异常数据点集，包括：选择k值；对于风电历史数据集中的数据点，计算各数据点与其它数据点的距离；对于每个数据点，选取与之最近的k个数据点作为其最近邻；根据最近邻的标签，通过多数表决的方式确定数据点的标签为正常或异常。
5.根据权利要求1所述的基于数据修正的概率稀疏自注意短期风电功率预测方法，其特征在于，通过cblof算法进行异常检测，得到第二异常数据点集，包括：对数据集进行聚类操作，得到若干簇；获取计算异常分数所需的参数，包括：计算簇的协方差矩阵、计算点相对簇的密度；计算异常分数，根据异常分数确定数据点的标签为正常或异常。
6.根据权利要求1所述的基...
【专利技术属性】
技术研发人员：陈佳桥，方常芳，王金友，蔡小玲，叶恒志，毛琪琪，
申请(专利权)人：中国电建集团福建省电力勘测设计院有限公司，
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。