一种基于改进Bert的长期风电功率预测方法技术

本发明专利技术公开了一种基于改进Bert的长期风电功率预测方法。该方法主要包括如下步骤：首先，对数据集中风机信息的异常值和时间信息进行预处理。接着，使用全连接层和卷积层处理数据，以得到带有时序信息和时间信息的风机信息的高维度表示。使用全连接层对其进行处理，分别得到多头自注意力机制所需的共享查询键矩阵和值矩阵。然后，使用随机旋转的方法，将数据矩阵映射到不同哈希桶中，在每个哈希桶内使用多头自注意力机制。最后，使用残差连接和层归一化处理得到最终结果。本发明专利技术提出的改进Bert模型能够在将时间复杂度降低至O(nlogn)的同时，提高预测的准确率。

【技术实现步骤摘要】

本专利技术属于可再生能源与深度学习领域，具体涉及一种基于改进bert的长期风电功率预测方法。

技术介绍

1、风力发电是一种可再生能源，有助于减缓对化石燃料的依赖，并推动可持续发展。但是，风力发电受天气和季节的影响极大，从而导致发电功率不稳定。因此，风电功率的预测具有非常重要的应用价值。风电功率预测可以根据预测时间范围被分为超短期(30分钟以内)、短期(30分钟—6小时)、中期(6小时—1天)和长期(1天以上)。长期风电功率预测能够有效促进风能等可再生能源的整合，确保其在能源系统中发挥更大的作用，促进能源转型。对于电力调度而言，长期风电功率预测为电力调度计划提供了重要的支撑信息。

2、最近，深度学习被广泛应用于时间序列预测任务中，其中基于transformer的模型受益于自注意力机制，在长时间序列预测任务中表现出色。自注意力机制能够更好地注意到输入序列中相关性较高的部分，从而有效地捕捉长距离依赖。

3、然而，原始的自注意力机制模块的时间复杂度非常高，其时间复杂度为o(n2)。本专利技术提出的改进bert模型，能够将时间复杂度降低至o(本文档来自技高网...

【技术保护点】

1.一种基于改进Bert的长期风电功率预测方法，包括下列步骤：

2.根据权利要求1所述的一种基于改进Bert的长期风电功率预测方法中，其特征在于，所述步骤1)中，对数据集中的缺失值采用后向填充的方法进行填充，并对处理后的数据进行归一化处理，再对数据的时间戳进行分层处理：

3.根据权利要求2所述的一种基于改进Bert的长期风电功率预测方法中，其特征在于，所述步骤2)中，将每台风机预处理后的信息输入到一个卷积层中，并进行绝对位置编码。同时，将经分层处理后的时间戳输入到一个全连接层中。然后，将经卷积层处理和绝对位置编码后的每台风机的信息矩阵与经全连接层处理后的每台风机的...

【技术特征摘要】

1.一种基于改进bert的长期风电功率预测方法，包括下列步骤：

2.根据权利要求1所述的一种基于改进bert的长期风电功率预测方法中，其特征在于，所述步骤1)中，对数据集中的缺失值采用后向填充的方法进行填充，并对处理后的数据进行归一化处理，再对数据的时间戳进行分层处理：

3.根据权利要求2所述的一种基于改进bert的长期风电功率预测方法中，其特征在于，所述步骤2)中，将每台风机预处理后的信息输入到一个卷积层中，并进行绝对位置编码。同时，将经分层处理后的时间戳输入到一个全连接层中。然后，将经卷积层处理和绝对位置编码后的每台风机的信息矩阵与经全连接层处理后的每台风机的时间戳矩阵逐元素相加，从而获得带有时序信息和时间信息的风机信息的高维度表示，将风机信息的...

【专利技术属性】
技术研发人员：丁鸿飞，余永红，张傲然，谭耀，
申请(专利权)人：南京邮电大学通达学院，
类型：发明
国别省市：