【技術(shù)實現(xiàn)步驟摘要】
本申請涉及風(fēng)電預(yù)測，具體涉及一種基于多模型融合的風(fēng)電功率預(yù)測方法、系統(tǒng)及設(shè)備。
技術(shù)介紹
1、風(fēng)力發(fā)電作為可再生能源的主力，已被廣泛應(yīng)用于全球范圍內(nèi)。然而，風(fēng)力發(fā)電的輸出具有較大的不確定性，主要受到氣象條件的影響，風(fēng)力發(fā)電的特點是間歇性和波動性，這使得風(fēng)電的預(yù)測面臨諸多挑戰(zhàn)。尤其是在大規(guī)模風(fēng)電接入電網(wǎng)時，如何精確預(yù)測風(fēng)電的發(fā)電功率，減少不確定性對電網(wǎng)的影響，成為了當(dāng)前研究的熱點。
2、準(zhǔn)確的風(fēng)電功率預(yù)測可以有效地調(diào)節(jié)電網(wǎng)負(fù)荷，緩解風(fēng)力發(fā)電對電網(wǎng)穩(wěn)定性帶來的影響，對于電網(wǎng)管理、減少備用電源依賴和提高風(fēng)能滲透率具有重要意義。盡管傳統(tǒng)技術(shù)中已有研究探索了風(fēng)電功率的預(yù)測方法，但當(dāng)前的風(fēng)電預(yù)測方法主要集中在確定性風(fēng)電功率預(yù)測上，通常通過機器學(xué)習(xí)和深度學(xué)習(xí)等技術(shù)建立模型來預(yù)測未來風(fēng)電功率。然而，由于風(fēng)速和風(fēng)向的高度不確定性，傳統(tǒng)的點預(yù)測方法存在較大的誤差，無法充分考慮風(fēng)電的波動性和間歇性。現(xiàn)有的風(fēng)電預(yù)測方法對于大規(guī)模數(shù)據(jù)集的處理和特征選擇仍有不足，尤其在風(fēng)電數(shù)據(jù)的時序特性和波動性上，現(xiàn)有方法未能充分挖掘出有效的信息。
3、因此，如何通過改進的深度學(xué)習(xí)模型，結(jié)合優(yōu)化算法進行風(fēng)電時序的概率預(yù)測，提升整體風(fēng)電預(yù)測的準(zhǔn)確性和可靠性，成為當(dāng)前亟待解決的問題。
技術(shù)實現(xiàn)思路
1、本申請為了解決上述技術(shù)問題，提出了如下技術(shù)方案：
2、第一方面，本申請實施例提供了一種基于多模型融合的風(fēng)電功率預(yù)測方法，包括：
3、采集多個風(fēng)機在預(yù)設(shè)時間段內(nèi)的運行數(shù)值和天氣預(yù)報數(shù)據(jù)
4、使用皮爾遜相關(guān)系數(shù)進行特征選擇，從處理后的數(shù)據(jù)中選出與目標(biāo)風(fēng)電功率強相關(guān)的特征數(shù)據(jù)，并建立訓(xùn)練集、驗證集和測試集；
5、使用冰霜優(yōu)化算法對變分模態(tài)分解vmd模型進行尋優(yōu)得到最佳參數(shù)，基于優(yōu)化后的vmd結(jié)果，分解數(shù)據(jù)為多個頻率成分分量；
6、建立cnn-assa-informer模型，利用訓(xùn)練集對模型進行訓(xùn)練，驗證集診斷模型適應(yīng)性并優(yōu)化模型超參數(shù)，測試集進行預(yù)測并對模型進行評估；
7、使用分位數(shù)回歸方法根據(jù)結(jié)果構(gòu)建不同置信水平下的預(yù)測區(qū)間。
8、在一種可能的實現(xiàn)方式中，所述采集多個風(fēng)機在預(yù)設(shè)時間段內(nèi)的運行數(shù)值和天氣預(yù)報數(shù)據(jù)并處理數(shù)據(jù)中的異常值和缺失值，包括：
9、在預(yù)設(shè)時間段內(nèi)按照預(yù)設(shè)間隔記錄任何與風(fēng)力發(fā)電相關(guān)的實際運行數(shù)據(jù)，包括：各個風(fēng)機的發(fā)電功率、風(fēng)向、風(fēng)速、溫度和濕度；
10、確定出存在異常值和缺失值的特征數(shù)據(jù)，通過使用相應(yīng)特征數(shù)據(jù)的特征均值替代所述缺失值或異常值。
11、在一種可能的實現(xiàn)方式中，所述使用皮爾遜相關(guān)系數(shù)進行特征選擇，從處理后的數(shù)據(jù)中選出與目標(biāo)風(fēng)電功率強相關(guān)的特征列，并建立訓(xùn)練集、驗證集和測試集，包括：
12、計算各特征與目標(biāo)風(fēng)電功率之間的皮爾遜相關(guān)系數(shù)，選擇與目標(biāo)風(fēng)電功率具有較強相關(guān)性的特征列進行建模，以提高模型的預(yù)測精度，所述皮爾遜相關(guān)系數(shù)的范圍為[-1,1]，其中0代表無相關(guān)性，正值代表存在正相關(guān)關(guān)系，負(fù)值代表存在負(fù)相關(guān)關(guān)系，皮爾遜相關(guān)系數(shù)計算公式為：
13、
14、其中，和為特征序列，和為變量，為序列的期望，為序列的期望，為變量的方差，為變量的方差，為的均值，為的均值，
15、為序列的長度，等于序列的長度。
16、在一種可能的實現(xiàn)方式中，所述使用冰霜優(yōu)化算法對變分模態(tài)分解vmd模型進行尋優(yōu)得到最佳參數(shù)，基于優(yōu)化后的vmd結(jié)果，分解數(shù)據(jù)為多個頻率成分分量，包括：
17、構(gòu)建用于風(fēng)電功率預(yù)測的變分模態(tài)分解vmd模型；
18、通過變分模態(tài)分解vmd對風(fēng)電時序功率數(shù)據(jù)進行分解，得到若干個頻率成分，每個模態(tài)分量代表信號中的不同頻率成分；
19、在vmd分解過程中，使用冰霜優(yōu)化算法對vmd的關(guān)鍵參數(shù)進行優(yōu)化，包括模態(tài)數(shù)目、懲罰系數(shù)和帶寬，以提高信號分解的精度；通過模擬自然冷卻過程，逐步調(diào)整vmd中的參數(shù)，從而找到最優(yōu)的模態(tài)分解參數(shù)；
20、重復(fù)上述過程，直到所有模態(tài)分量穩(wěn)定并滿足設(shè)定的收斂條件，從而得到風(fēng)電功率數(shù)據(jù)的不同頻率特征，以便后續(xù)模型能夠更好地捕捉數(shù)據(jù)中的時序特征和變化規(guī)律。
21、在一種可能的實現(xiàn)方式中，所述構(gòu)建用于風(fēng)電功率預(yù)測的變分模態(tài)分解vmd模型，包括：
22、構(gòu)造變分問題，保證分解序列為具有中心頻率的有限帶寬的模態(tài)分量，同時各模態(tài)的估計帶寬之和最小，約束條件為所有模態(tài)之和與原始信號相等，則vmd約束變分模型如下：
23、
24、其中，是初始信號，為分解的模態(tài)個數(shù)，分別是分解出的第k個模態(tài)的分量和中心頻率，為狄拉克函數(shù)，為卷積運算；
25、求解變分問題，引入二次懲罰因子和拉格朗日乘數(shù)，將最小化問題轉(zhuǎn)變?yōu)闊o約束優(yōu)化問題，?增廣拉格朗日函數(shù)如下：
26、
27、使用交替方向乘子法迭代更新，在迭代優(yōu)化序列中尋找增廣拉格朗日函數(shù)的鞍點,其計算公式為:
28、
29、
30、
31、式中，表示噪聲容限，、、、分別對應(yīng)、、、的傅里葉變換；
32、定義最大迭代次數(shù)為，使?jié)M足,對于給定求解精度，當(dāng)?shù)瓿蓵r滿足下式收斂條件，得到最終；
33、。
34、在一種可能的實現(xiàn)方式中，所述cnn-assa-informer模型為卷積神經(jīng)網(wǎng)絡(luò)與自適應(yīng)稀疏注意力機制串行后與informer并行的神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)包括輸入層、卷積層、激活層和輸出層，稀疏自注意力機制包括窗口自注意力層與相對位置偏置層，informer包括編碼器層和解碼器層；所述的cnn模型用于提取時序數(shù)據(jù)中的局部特征，并通過自適應(yīng)稀疏自注意力機制增強模型對關(guān)鍵特征的學(xué)習(xí)能力，informer模型則用于處理長時序依賴關(guān)系。
35、在一種可能的實現(xiàn)方式中，所述利用訓(xùn)練集對模型進行訓(xùn)練，驗證集診斷模型適應(yīng)性并優(yōu)化模型超參數(shù)，測試集進行預(yù)測并對模型進行評估，包括：
36、數(shù)據(jù)通過輸入層進入卷積層，在卷積層與卷積核進行卷積，卷積層輸出卷積結(jié)果到激活層；
37、所述激活層采用relu激活函數(shù)對卷積結(jié)果進行非線性變換；經(jīng)過卷積層和激活層的處理，卷積神經(jīng)網(wǎng)絡(luò)能夠提取輸入數(shù)據(jù)中的局部時序特征，形成高級信息特征；
38、隨后卷積神經(jīng)網(wǎng)絡(luò)輸出的特征圖經(jīng)過自適應(yīng)稀疏自注意力機制處理，通過局部窗口內(nèi)的自注意力計算有效建模局部時序依賴，同時利用相對位置偏置調(diào)整窗口內(nèi)的特征關(guān)系，增強特征的表達能力；
39、接著經(jīng)過稀疏自注意力機制處理的特征與informer編碼器輸出的全局時序信息特征通過加法融合，生成最終的多模態(tài)特征，該多模態(tài)特征作為輸入進入解碼器，解碼器通過自注意力機制進一步建模全局時序依賴，捕捉長時間依賴關(guān)系，得到預(yù)測結(jié)果。
40、在一種可能的實現(xiàn)方式中，所述使用分位數(shù)回歸方法根據(jù)結(jié)果構(gòu)建不同置信水平下的預(yù)測區(qū)間，包本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種基于多模型融合的風(fēng)電功率預(yù)測方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于多模型融合的風(fēng)電功率預(yù)測方法，其特征在于，所述采集多個風(fēng)機在預(yù)設(shè)時間段內(nèi)的運行數(shù)值和天氣預(yù)報數(shù)據(jù)并處理數(shù)據(jù)中的異常值和缺失值，包括：
3.根據(jù)權(quán)利要求1所述的基于多模型融合的風(fēng)電功率預(yù)測方法，其特征在于，所述使用皮爾遜相關(guān)系數(shù)進行特征選擇，從處理后的數(shù)據(jù)中選出與目標(biāo)風(fēng)電功率強相關(guān)的特征列，并建立訓(xùn)練集、驗證集和測試集，包括：
4.根據(jù)權(quán)利要求1所述的基于多模型融合的風(fēng)電功率預(yù)測方法，其特征在于，所述使用冰霜優(yōu)化算法對變分模態(tài)分解VMD模型進行尋優(yōu)得到最佳參數(shù)，基于優(yōu)化后的VMD結(jié)果，分解數(shù)據(jù)為多個頻率成分分量，包括：
5.根據(jù)權(quán)利要求4所述的基于多模型融合的風(fēng)電功率預(yù)測方法，其特征在于，所述構(gòu)建用于風(fēng)電功率預(yù)測的變分模態(tài)分解VMD模型，包括：
6.根據(jù)權(quán)利要求1所述的基于多模型融合的風(fēng)電功率預(yù)測方法，其特征在于，所述CNN-ASSA-Informer模型為卷積神經(jīng)網(wǎng)絡(luò)與自適應(yīng)稀疏注意力機制串行后與Informer并行的神經(jīng)網(wǎng)絡(luò)，卷積
7.根據(jù)權(quán)利要求6所述的基于多模型融合的風(fēng)電功率預(yù)測方法，其特征在于，所述利用訓(xùn)練集對模型進行訓(xùn)練，驗證集診斷模型適應(yīng)性并優(yōu)化模型超參數(shù)，測試集進行預(yù)測并對模型進行評估，包括：
8.根據(jù)權(quán)利要求1所述的基于多模型融合的風(fēng)電功率預(yù)測方法，其特征在于，所述使用分位數(shù)回歸方法根據(jù)結(jié)果構(gòu)建不同置信水平下的預(yù)測區(qū)間，包括：
9.一種基于多模型融合的風(fēng)電功率預(yù)測系統(tǒng)，其特征在于，包括：
10.一種基于多模型融合的風(fēng)電功率預(yù)測設(shè)備，其特征在于，包括：
...【技術(shù)特征摘要】
1.一種基于多模型融合的風(fēng)電功率預(yù)測方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于多模型融合的風(fēng)電功率預(yù)測方法，其特征在于，所述采集多個風(fēng)機在預(yù)設(shè)時間段內(nèi)的運行數(shù)值和天氣預(yù)報數(shù)據(jù)并處理數(shù)據(jù)中的異常值和缺失值，包括：
3.根據(jù)權(quán)利要求1所述的基于多模型融合的風(fēng)電功率預(yù)測方法，其特征在于，所述使用皮爾遜相關(guān)系數(shù)進行特征選擇，從處理后的數(shù)據(jù)中選出與目標(biāo)風(fēng)電功率強相關(guān)的特征列，并建立訓(xùn)練集、驗證集和測試集，包括：
4.根據(jù)權(quán)利要求1所述的基于多模型融合的風(fēng)電功率預(yù)測方法，其特征在于，所述使用冰霜優(yōu)化算法對變分模態(tài)分解vmd模型進行尋優(yōu)得到最佳參數(shù)，基于優(yōu)化后的vmd結(jié)果，分解數(shù)據(jù)為多個頻率成分分量，包括：
5.根據(jù)權(quán)利要求4所述的基于多模型融合的風(fēng)電功率預(yù)測方法，其特征在于，所述構(gòu)建用于風(fēng)電功率預(yù)測的變分模態(tài)分解vmd模型，包括：
6.根據(jù)權(quán)利要求1所述的基于多模型融合的風(fēng)電功率預(yù)測方法，其特征在于，所述cnn-a...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：彭峰，常馨，張國煜，崔曉軍，吳冰，梁墩友，
申請(專利權(quán))人：濟南大學(xué)，
類型：發(fā)明
國別省市：
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。