一种基于小波的风电场发电功率效率预测方法

本发明涉及风力发电，尤其涉及一种基于小波的风电场发电功率效率预测方法。

背景技术：

1、风能作为最重要的可再生能源之一，以其高效率、低成本和环境效益而备受青睐，近年来在世界各地得到了快速发展。根据全球风能理事会(gwec)发布的《2022年全球风能报告》，2021年，全球新增风电装机容量将达到93.6吉瓦，累计风电装装机容量达到837吉瓦，增长12％。此外，2021年全球风电招标达到88吉瓦，比上年增长153％。全球风能理事会预计，未来五年新增装机容量将达到557千兆瓦。这表明电力系统正朝着可再生能源高渗透的方向发展。

2、然而，由于气压、温度和风机叶片本身等气象因素的影响，风电设施的输出功率波动较大，导致稳定性较差。随着风电场数量和装机容量的增加，一旦风电融入电网，这种功率波动将给电网的安全和经济运行带来巨大挑战。因此，制定合理的调度计划，缓解电力系统调峰调频压力，确保电网安全经济运行具有重要意义。准确的风电功率预测有利于风电场的运营和维护。风电预测可分为不同的预测形式：点功率预测、区间预测、概率预测和情景预测。基于不同预测模型的点功率预测，取决于风电功率预测模型，主要有物理方法、统计方法和人工智能方法。

3、随着人工智能技术的快速发展，它由于能够揭示历史数据中的非线性关系而被应用于风电预测。卷积神经网络(cnn)和长短期记忆(lstm)是两种主要的深度学习模型。mujeeb等人提出了一种基于小波包变换和深度卷积神经网络(cnn)的风电预测模型。transformer是一种基于自注意机制的深度神经网络。它最早应用于自然语言处理领域。随着研究的深入，它已被应用于计算机视觉、语音、生物学等更多领域。近年来，许多学者引入了注意力机制来提高风电预测模型的性能。例如，在两个lstm神经网络中采用了注意力机制，以自适应地关注在预测中更重要的输入特征

4、在使用上述技术时，发现现有技术中存在以下技术问题：

5、大多只从单个时间尺度进行预测，而没有考虑数据的多尺度特征，并且转换器在局部信息获取方面仍需改进，现有技术存在一些客观的缺点需要被认识和解决：

6、训练复杂度高：由于rnn具有递归结构，模型的训练可能变得复杂和耗时。在处理长序列时，rnn容易出现梯度消失或梯度爆炸的问题，导致模型难以收敛或产生不稳定的预测结果。

7、长期依赖建模困难：传统的rnn模型难以有效地捕捉长期依赖关系。当预测任务需要考虑较长时间范围内的历史信息时，rnn可能会面临信息衰减或信息混淆的问题，导致预测性能下降。

8、注意力机制设计的复杂性：引入注意力机制虽然有助于提升模型的准确性和可解释性，但其设计和调整也面临一定的挑战。注意力权重的计算需要额外的参数和计算量，增加了模型的复杂度和训练时间。

9、数据稀疏性和缺失值处理：在实际应用中，风电功率预测数据可能存在稀疏性或缺失值的情况。现有技术方案在处理这些数据特征时可能面临挑战，如如何填充缺失值、如何处理异常值等。

10、模型可解释性和解释性差：虽然注意力机制有助于提升模型的预测性能，但对于其内部决策过程和预测结果的解释性可能较差。这使得难以理解模型对于特定预测结果的依据和原因，限制了其在实际应用中的可解释性和可信度；

11、为此，我们设计一种基于小波的风电场发电功率效率预测方法，用于对上述技术问题提供另一种技术方案。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种基于小波的风电场发电功率效率预测方法，用于解决上述背景技术中提出的技术问题。

2、为了解决上述的技术问题，本发明采用了如下技术方案：

3、一种基于小波的风电场发电功率效率预测方法，步骤如下：

4、s1：对风电功率的数据进行收集；

5、s3：通过移动平均技术将原始时间序列得到趋势性数据，再通过离散小波分解，将经过趋势性分解后的剩余残差数据分解为近似函数和细节函数；

6、通过傅里叶增强时序信息特征提取模块；

7、通过时序信息特征提取模块对近似函数和细节函数中的时序信息进行处理；

8、通过重构过程将处理后的近似函数和细节函数合并，恢复回原始数据的标准形式，保留原始时序信息；

9、s4：通过分层双残差拓扑结构挖掘数据中的潜在特征，提高模型的性能和可训练性。

10、作为本发明提供的所述的一种基于小波的风电场发电功率效率预测方法的一种优选实施方式，所述s1步骤中，对风电功率的数据进行收集包括风速、风向、温度的环境特征以及对应的风电功率数据；

11、将收集的数据按照7：2：1的比例划分数据集为训练集、验证集和测试集。

12、作为本发明提供的所述的一种基于小波的风电场发电功率效率预测方法的一种优选实施方式，通过趋势分解得到的趋势性数据和经过小波提取得到细节函数与近似函数分别作为输入，分离为奇数位序列数据和偶数位序列数据两个子序列，通过两个序列交互学习来补偿信息损失，表达式如下：

13、

14、其中，是通过两个前馈神经网络训练后投影的隐状态，⊙表示逐元素乘积法，和φ为利用前馈神经网络搭建的训练的结构，

15、通过傅里叶增强模块将时域信息转为频域信息，进行捕捉数据中的周期性、趋势和模式，表达式如下：

16、

17、其中，xe'ven,xo'dd是交互学习模块的最终输出，其中p和u是基于傅里叶变换搭建的傅里叶增强结构，p,u＝tanh(fe(dropout(lrelu(fe())))，fe是傅里叶增强函数。

18、作为本发明提供的所述的一种基于小波的风电场发电功率效率预测方法的一种优选实施方式，所述s3步骤中，通过u-net结构提取更大范围时间序列数据之间的相关性，进行捕捉时序信息，步骤如下：

19、通过下采样压缩信息来提取更大范围时间序列数据的特征，且每一层的输出作为下一层的输入；

20、同时在上采样阶段中，结合同层的下采样压缩信息再进行上采样嵌入；

21、通过残差连接将趋势性分解后剩下的残差数据添加到时间序列中，以生成具有增强可预测性的新序列；

22、经过u-net结构后完成编码部分得到xen，将编码输出的xen输入进全连接层进行解码预测出xde。

23、作为本发明提供的所述的一种基于小波的风电场发电功率效率预测方法的一种优选实施方式，所述s4步骤中，分层双残差拓扑结构挖掘数据中的潜在特征，提高模型的性能和可训练性，表达式如下：

24、

25、

26、其中，f,b分别是通过前向预测和反向预测得到的，将f正向预测的堆叠起来，再通过当前堆栈输入减去反向预测的b，也堆叠到预测值。

27、作为本发明提供的所述的一种基于小波的风电场发电功率效率预测方法的一种优选实施方式，还包括，对s4得到的模型进行优化，步骤如下：

28、定义适当的损失函数作为模型的优化目标；

29、使用反向传播算法结合adam优化器，对模型的参数进行更新和优化，以最小化损失函数；

30、进行模型的交叉验证和超参数调优，选择最佳的模型架构和超参数配置。

31、可以毫无疑义的看出，通过本技术的上述的技术方案，必然可以解决本技术要解决的技术问题。

32、同时，通过以上技术方案，本发明至少具备以下有益效果：

33、本发明提供的一种基于小波的风电场发电功率效率预测方法，通过提出的一种基于小波的傅立叶增强网络模型算法用于风功率预测，并通过引入趋势分解和小波变换，在长期时间预测环境中适应学习和捕捉时间模式，当数据进入小波变换后，将得到不同尺度的细节函数和近似函数从而进一步提取序列的时频局部特征，从而提高预测性能。