基于Dempster-Shafer证据理论的端到端集成风速预测方法和系统技术方案

本发明专利技术提出一种基于Dempster‑Shafer证据理论的端到端集成风速预测方法和系统，本方法依次执行基于全MLP的特征提取步骤、基于GRU和CA的基础预测步骤，以及基于Dempster‑Shafer证据理论的权重融合步骤，最终由基于CNN和MHSA机制的自适应动态集合生成预测结果，这样多样性预测的集成隐式地包含在神经网络中，动态集成反映在隐式的集成权重会随着输入多样性预测的变化而变化，从而保证集成的自适应性；本系统包括基于全MLP的特征提取模块、基于GRU和CA的基础预测模块和基于Dempster‑Shafer证据理论的权重融合模块，利用多层感知MLP、循环神经网络GRU、交叉注意CA、卷积神经网络CNN、自注意力MHSA机制等多个学习模型整合基础预测的生成和合并过程，降低系统的复杂性并提高性能。

【技术实现步骤摘要】

本专利技术属于风力能源领域，尤其涉及基于dempster-shafer证据理论的端到端集成风速预测方法和系统。

技术介绍

1、风能作为一种清洁的可再生能源，在应对全球能源危机和气候变化方面发挥着越来越重要的作用。随着风力发电技术的快速发展和风力发电装机容量的持续增长，风力发电已成为现代电力系统的重要组成部分。然而，由于风速的间歇性和随机性，将风电并入电网面临着巨大的管理和调度挑战。因此，准确的风电预测方法对于提高风能的竞争力和电网的可靠性至关重要。

2、现有的风电预测方法大致可分为两类：统计方法和基于ai的预测方法。统计方法包括自回归(ar)、自回归移动平均(arma)、自回归积分移动平均(arima)和隐马尔可夫模型(hmm)等，这些方法通常表征风电的线性波动。与统计模型不同，基于ai的预测方法可以模拟数据中的非线性关系。因此，许多传统的机器学习方法和最新的深度学习模型已被广泛应用于风电预测。其中，传统机器学习方法包括支持向量机(svm)、模糊逻辑、极端学习机(elm)等。深度学习模型主要包括卷积神经网络(cnn)、循环神经网络(rnn)、长本文档来自技高网...

【技术保护点】

1.一种基于Dempster-Shafer证据理论的端到端集成风速预测方法，其特征在于，依次执行：

2.根据权利要求1所述的基于Dempster-Shafer证据理论的端到端集成风速预测方法，其特征在于：

3.根据权利要求2所述的基于Dempster-Shafer证据理论的端到端集成风速预测方法，其特征在于：

4.根据权利要求3所述的基于Dempster-Shafer证据理论的端到端集成风速预测方法，其特征在于：

5.根据权利要求1所述的基于Dempster-Shafer证据理论的端到端集成风速预测方法，其特征在于：还包括对用于风功率预测的...

【技术特征摘要】

1.一种基于dempster-shafer证据理论的端到端集成风速预测方法，其特征在于，依次执行：

2.根据权利要求1所述的基于dempster-shafer证据理论的端到端集成风速预测方法，其特征在于：

3.根据权利要求2所述的基于dempster-shafer证据理论的端到端集成风速预测方法，其特征在于：

4.根据权利要求3所述的基于dempster-shafer证据理论的端到端集成风速预测方法，其特征在于：

5.根据权利要求1所述的基于dempster-shafer证据理论的端到端集成风速预测方法，其特征在于：还包括对用于风功率预测的edmgdsca模型进行训练的步骤，此步骤的操作包括：

6.一种基于dempster-shafer证据理论的端到端集成风速预测系统，其特征在于，包括基于全mlp的特征提取模块、基于gru和ca的基础预测模块和基于dempster-shafer证据理论的权重融合模块；

7.根所权利要求6所述的基于dempster-shafer证据理论的端到端集成风速预测系统，其特征在于：所述基于全mlp的特征提取模块包括基于...

【专利技术属性】
技术研发人员：李意芬，徐厚华，汪运，
申请(专利权)人：长沙学院，
类型：发明
国别省市：