【技術實現步驟摘要】
本專利技術涉及風電功率預測，具體涉及一種基于多分支深度可分離卷積和混合器的風電功率預測方法及系統(tǒng)。
技術介紹
1、近年來，隨著社會經濟的迅猛發(fā)展和新能源技術的不斷進步，新能源發(fā)電量實現了持續(xù)增長，其中我國風電場站的業(yè)務量也顯著攀升。每日，眾多風電場站順利并網，為企業(yè)和個人用戶穩(wěn)定供電。在此過程中，風電場站對精準的時間序列預測數據產生了巨大的需求，這些數據對于輔助決策和電力調度至關重要。隨著風電場站發(fā)電量的持續(xù)增加，對時間序列預測的準確性和效率提出了更為嚴格的要求。
2、風電場站的日常運營中，產生了海量的時間序列數據，包括但不限于風速、葉片轉速、溫度等關鍵參數，這些數據蘊含了業(yè)務活動中各要素隨時間變化的豐富信息，對于預測未來時間序列的變化趨勢具有重大意義。然而，隨著數據量的快速增長，數據分析任務的復雜性和難度也隨之增加，導致難以有效利用這些海量的歷史數據，大量數據資源因此被閑置，不僅降低了風電場站的生產效率，還對企業(yè)的整體收益產生了不利影響。
3、針對上述問題，對時間序列數據進行科學建模，以實現準確預測，已成為當前亟需解決的關鍵問題。時間序列預測技術，通過深入分析歷史數據中的潛在規(guī)律，能夠準確預測未來序列值，為企業(yè)的決策制定和資源優(yōu)化提供有力支持。
4、風電功率時間序列預測指：根據風電場站現有的時間序列數據，如實時風速、葉片轉速、溫度、天氣預報等，預測風電場站的未來發(fā)電功率。目前主要技術方法有以下兩類：
5、(1)基于數理統(tǒng)計的預測方法，通常假設時間序列符合一定的分布或函數形式；如自
6、雖然統(tǒng)計時間序列的預測模型可以很好地捕捉時間序列中的線性關系，然而這種將預測值建模為過去觀測值的線性函數方法，使得基于數理統(tǒng)計的預測方法難以建模實際問題中的非線性模式，導致在眾多實際數據集上的應用效果并不理想。此外，雖然部分基于數理統(tǒng)計的預測模型做出了一定改進，但是依然在處理多變量時序預測問題時遇到了難題，主要原因在于其對時序關系的捕捉能力受限。它們僅能通過“單通道”方式獲取單個序列的信息，而不足以揭示多個序列之間的內在聯(lián)系。
7、(2)基于傳統(tǒng)機器學習的預測方法，將預測問題轉化為參數回歸問題，在現實生活中具有廣泛的應用。該類方法首先從歷史數據中提取特征，然后將這些特征輸入到預先設計好的機器學習模型中。接下來，通過優(yōu)化損失函數對模型進行訓練，最終得到能夠進行預測的模型。
8、但在訓練模型之前，需要人工進行特征工程，這不僅耗費大量人力，而且難以泛化。精心設計的特征往往依賴于特定領域內的專業(yè)知識，難以擴展到新的任務。當面對龐大的訓練數據集以及高維度的時間序列時，普遍因為特征工程設計過于主觀，回歸函數設計簡單而陷入局部最優(yōu)，這使得它們難以對復雜的多變量時間序列進行有效建模。
技術實現思路
1、本專利技術的目的在于，提出一種基于多分支深度可分離卷積和混合器的風電功率預測方法及系統(tǒng)，以提高風電場站的并網率和調度準確率，且動態(tài)適應性，降低預測延遲。
2、根據本公開實施例的第一個方面，提供了一種基于多分支深度可分離卷積和混合器的風電功率預測方法，包括以下步驟：
3、對風電場氣象數據、設備監(jiān)測數據、風電機組基礎數據進行預處理，將預處理后的數據按照時間線進行排序；
4、將排序后的數據送入深度可分離卷積模型中，通過平均池化分解層得到趨勢項和周期項；
5、所述周期項進入深度可分離卷積層，提取時間維度上的關聯(lián)，通過逐點卷積抽取通道維度上的關聯(lián)，進而將周期項的向量映射為隱藏層特征；
6、通過全連接層，將隱藏層特征投影到周期項輸出空間上，得到每個時間點的風力發(fā)電機發(fā)電功率周期項；
7、所述趨勢項進入線性層，根據歷史趨勢項直接生成未來趨勢項，得到每個時間點的風力發(fā)電機發(fā)電功率趨勢項；
8、將每個時間點的風力發(fā)電機發(fā)電功率周期項和趨勢項相加，得到對應時間點的風力發(fā)電機發(fā)電功率。
9、將每一個時間點的風力發(fā)電機發(fā)電功率周期項和趨勢項相加，得到每一個時間點的風力發(fā)電機發(fā)電功率。
10、根據本公開實施例的第二個方面，提供了一種基于多分支深度可分離卷積和混合器的風電功率預測系統(tǒng)，包括：
11、預處理模塊，對風電場氣象數據、設備監(jiān)測數據、風電機組基礎數據進行預處理，將預處理后的數據按照時間線進行排序；
12、分解模塊，將排序后的數據送入深度可分離卷積模型中，通過平均池化分解層得到趨勢項和周期項；
13、隱藏特征獲取模塊，所述周期項進入深度可分離卷積層，提取時間維度上的關聯(lián)，通過逐點卷積抽取通道維度上的關聯(lián)，進而將周期項的向量映射為隱藏層特征；
14、周期項預測模塊，通過全連接層，將隱藏層特征投影到周期項輸出空間上，得到每個時間點的風力發(fā)電機發(fā)電功率周期項；
15、趨勢項預測模塊，所述趨勢項進入線性層，根據歷史趨勢項直接生成未來趨勢項，得到每個時間點的風力發(fā)電機發(fā)電功率趨勢項；
16、發(fā)電功率預測模塊，將每個時間點的風力發(fā)電機發(fā)電功率周期項和趨勢項相加，得到對應時間點的風力發(fā)電機發(fā)電功率。
17、根據本公開實施例的第三個方面，提供了一種電子設備，包括存儲器、處理器及存儲在存儲器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現所述的一種基于多分支深度可分離卷積和混合器的風電功率預測方法。
18、根據本公開實施例的第四個方面，提供了一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現所述的一種基于多分支深度可分離卷積和混合器的風電功率預測方法。
19、本專利技術采用的以上技術方案，與現有技術相比，具有的優(yōu)點是：首先，通過深度學習對海量時間序列數據進行高效處理，顯著提升了風電時間序列預測的準確率，進而提高了風電場站的并網率和調度準確率，這不僅優(yōu)化了風電資源的利用，還直接提升了企業(yè)的運營效率和收益。其次，通過深度可分離卷積模型簡化了預測模型的復雜度，解決了傳統(tǒng)預測模型因過于復雜而導致的預測效率不高的問題，增強了時間序列方法的動態(tài)適應性，并顯著降低了預測延遲，使風電場站能更迅速地響應市場變化和調度需求，從而提高了風電場站的整體運營效率和市場競爭力。本專利技術通過提高預測的準確性和效率，為風電行業(yè)的持續(xù)發(fā)展和企業(yè)效益的提升做出了積極貢獻。
本文檔來自技高網...【技術保護點】
1.一種基于多分支深度可分離卷積和混合器的風電功率預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述一種基于多分支深度可分離卷積和混合器的風電功率預測方法，其特征在于，對風電場氣象數據進行標準化與數據清洗，剔除異常數據；對設備監(jiān)測數據進行歸一化處理，將其映射空間轉變?yōu)槌Ａ靠臻g；對風電機組基礎數據進行數據補充和數據篩選操作。
3.根據權利要求1所述一種基于多分支深度可分離卷積和混合器的風電功率預測方法，其特征在于，平均池化分解層對數據中原始功率序列進行平均池化操作得到趨勢項；將原始功率序列與趨勢項進行差分，得到周期項。
4.根據權利要求3所述一種基于多分支深度可分離卷積和混合器的風電功率預測方法，其特征在于，所述周期項進入深度可分離卷積層，原始功率序列的特征維度M分別對應M個卷積核，進行1對1的深度卷積，抽取時間維度上的聯(lián)合特征；
5.根據權利要求1所述一種基于多分支深度可分離卷積和混合器的風電功率預測方法，其特征在于，通過限定全連接層輸出維數，對隱藏層特征進行維度映射得出未來時刻的風力發(fā)電機發(fā)電功率周期項。
6
7.一種基于多分支深度可分離卷積和混合器的風電功率預測系統(tǒng)，其特征在于，包括：
8.一種電子設備，包括存儲器、處理器及存儲在存儲器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述程序時實現所述的一種基于多分支深度可分離卷積和混合器的風電功率預測方法。
9.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執(zhí)行時實現所述的一種基于多分支深度可分離卷積和混合器的風電功率預測方法。
...【技術特征摘要】
1.一種基于多分支深度可分離卷積和混合器的風電功率預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述一種基于多分支深度可分離卷積和混合器的風電功率預測方法，其特征在于，對風電場氣象數據進行標準化與數據清洗，剔除異常數據；對設備監(jiān)測數據進行歸一化處理，將其映射空間轉變?yōu)槌Ａ靠臻g；對風電機組基礎數據進行數據補充和數據篩選操作。
3.根據權利要求1所述一種基于多分支深度可分離卷積和混合器的風電功率預測方法，其特征在于，平均池化分解層對數據中原始功率序列進行平均池化操作得到趨勢項；將原始功率序列與趨勢項進行差分，得到周期項。
4.根據權利要求3所述一種基于多分支深度可分離卷積和混合器的風電功率預測方法，其特征在于，所述周期項進入深度可分離卷積層，原始功率序列的特征維度m分別對應m個卷積核，進行1對1的深度卷積，抽取時間維度上的聯(lián)合特征；
5.根據權利...
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。