一种风速多尺度级联增强端到端预测方法

文档序号:40022571发布日期:2024-11-19 13:54阅读:9来源:国知局
一种风速多尺度级联增强端到端预测方法

本发明属于风速预测领域,具体涉及一种风速多尺度级联增强端到端预测方法。


背景技术:

1、目前,能源的可持续性和能源稀缺问题日益增长,能源行业都在积极地对可再生能源资源进行开发,并结合能源生产和能源使用来进一步节约能源。精确量化产能指标对能源发展和用能政策制定至关重要。

2、在新能源发电领域,风能发电占据重要地位。风能发电的原理通过将风的动能转化为电能,因此风能可再生且永不枯竭。同时风能发电十分清洁,环境效益好。但是风能作为随机性和季节性较强的能源类型,产能的间歇性和不稳定性对风电的有效利用带来了巨大的挑战。

3、因此风速预测对于电网安全运营、电能质量保证具有重大意义。目前,主要的风速预测方法包括基于数值天气预报的方法、基于已有风速数据的统计学方法以及机器学习方法。其中机器学习方法出现以来就显示出巨大的潜力,能够处理非线性关系和复杂模式,精度上限高于传统方法。风速预测的精度对风电功率预测起决定性作用,对风电场和电力系统的运行具有重要意义。但是,目前通过机器学习预测风速的方法还不够成熟,无法长期精准的对风速进行有效预测。


技术实现思路

1、本发明的目的在于提供一种风速多尺度级联增强端到端预测方法,能提供风速预测的精度和长度,并有效提高预测精准度。

2、本发明提供一种风速多尺度级联增强端到端预测方法,包括以下步骤:

3、s1.获取风速数据;

4、s2.对步骤s1得到的风速数据进行预处理,得到风速数据集;

5、s3.基于多尺度预测策略,构建初始风速预测模型;

6、s4.使用步骤s2得到的风速数据集,对步骤s3得到的初始风速预测模型进行训练,得到风速预测模型;

7、s5.使用步骤s4得到的风速预测模型,进行实际的风速预测。

8、步骤s1所述风速数据通过地面监测点的风速传感器获取,包括温度参数、气压参数和风速参数。

9、步骤s2具体为:首先将步骤s1得到的风速数据进行预处理,将预处理后的n个站点检测到的风速数据构建成1*l*w的格式,其中,l为风速数据记录长速度,w为获取到的多源参数的数量,根据站点经纬度关系对对每个风速数据获取时所在的站点进行注释,没有数据的地方采用数值“0”进行填充;为风速数据添加预测判断参数λ,短期预测判断参数范围为0<λ≤96;中期预测判断参数范围为96<λ≤192;长期预测判断参数范围为λ>192;

10、所述预处理包括数据缺失补全、数据异常处理以及数据标准化;在数据缺失方面,根据数据缺失不连续的特点,采用前向插补的方式对缺失数据进行补全;在数据异常方面,选择基于概率自动编码器的方法对数据进行处理;数据标准化方面,考虑到风速和风向量纲不一致以及训练模型的要求,采用z-score标准化对数据进行处理。

11、步骤s3中,所述初始风速预测模型包括第一revin模块、判断模块、短期预测分支模块、中期预测分支模块、长期预测分支模块、特征融合模块和第二revin模块;

12、模型输入的数据先通过第一revin模块进行归一化处理,再进入判断模块;判断模块通过预测判断参数,进行以下判断:

13、若预测判断参数0<λ≤96,则判断模块的输出进入短期预测分支模块;经过短期预测模块处理后,再通过特征融合模块进行特征融合,输出的结果通过第二revin模块进行反归一化,得到模型的输出结果;

14、若预测判断参数96<λ≤192,则判断模块的输出进入中期预测分支模块;经过中期预测模块处理后,再通过特征融合模块进行特征融合,输出的结果通过第二revin模块进行反归一化,得到模型的输出结果;

15、若预测判断参数λ>192,则判断模块的输出进入长期预测分支模块;经过长期预测模块处理后,再通过特征融合模块进行特征融合,输出的结果通过第二revin模块进行反归一化,得到模型的输出结果。

16、第一revin模块对输入的数据进行归一化处理,先计算数据的平均值和标准偏差,使用以下算式表示:

17、

18、其中,为输入数据的平均值;lp为输入数据的长度;为每个数据值;j为同一时间不同维度的数据,例如维度包括温度、气压;为输入数据的偏差;得到数据的平均值和标准偏差之后,将输入数据归一化,使用以下算式表示:

19、

20、其中,为归一化之后的输入数据;ε为扰动误差;将归一化的输入数据输入到判断模块;

21、短期预测分支模块包括mcie-c分支模块、mcie-l分支模块和mcie-t分支模块;

22、中期预测分支模块包括mcie-t分支模块、第一mcie-l分支模块和第二mcie-l分支模块;第一mcie-l分支模块和第二mcie-l分支模块结构相同;

23、长期预测分支模块包括第一mcie-t分支模块、第二mcie-t分支模块和第三mcie-t分支模块;第一~三mcie-t分支模块结构相同;

24、mcie-c分支模块包括依次串联的第一卷积编码模块、第一1×1卷积层模块、3×3深度可分离卷积层模块、concat模块、第二1×1卷积层模块、第二卷积编码模块;

25、mcie-c分支模块通过第一卷积编码模块对输入的数据进行维度转换,通过第一1×1卷积层模块和3×3深度可分离卷积层模块获取局部特征,最后通过第二1×1卷积层模块进行维度信息交换,整合细粒度特征;第二1×1卷积层模块的输出经过第二卷积编码模块处理后作为mcie-c分支模块的输出;

26、第一1×1卷积层模块与第二1×1卷积层模块结构相同,包括依次串联的1×1卷积层、relu激活函数和post-activationbatchnorm;

27、第一卷积编码模块对输入的数据进行维度转换,采用滑动窗口方式根据窗口长度和步长在输入的数据时间维度上移动并抽取子序列patch作为输出,采用如下算式表示:

28、

29、其中,p为窗口长度;s为步长;d为数据维度;

30、3×3深度可分离卷积层模块捕捉输入数据中的全局感受野和局部位置特征,整个过程输入n/2个patch,每个patch都和一个核进行单独的卷积操作,生成n个特征图,卷积核的大小与第一卷积编码模块中patch步长相同,使用以下算式表示:

31、

32、其中,l为输入数据的长度;

33、concat模块采用第一1×1卷积层模块的输出与3×3深度可分离卷积层模块的输出作为输入,将它们连接建立具有n个通道的输入;

34、mcie-l分支模块通过分离线性和非线性特征,分别对线性和非线性特征进行提取;mcie-l分支模块包括傅里叶模块、线性特征提取模块和非线性特征提取模块;输入的数据先通过傅里叶模块进行处理,分解得到线性数据与非线性数据;线性特征提取模块采用傅里叶模块输出的线性数据作为输入;非线性特征提取模块采用傅里叶模块输出的非线性数据作为输入;mcie-l分支模块的输出采用线性特征提取模块与非线性特征提取模块的输出直接相加作为输出;

35、傅里叶模块对输入的数据理清序列分量,计算每个过去窗口的快速傅里叶变换技术频域内不同数据的平均振幅并排序,将输入数据分解为线性数据与非线性数据,如以下算式所示:

36、xl=ftt-1(xin)

37、xnonl=xin-ftt-1(xin)

38、其中,xl为线性数据;xnonl为非线性数据;xin为傅里叶模块的输入数据;ftt-1为反傅里叶变换;

39、线性特征提取模块包括依次串联的patchpartition模块、第一tanh激活函数、第一mlp模块、least-squares fit模块、第二tanh激活函数和第二mlp模块;线性特征提取模块利用patchpartition模块将输入的线性数据进行维度混合重塑和移动窗口分割,然后通过两个mlp模块组成的编码解码结构,两个mlp模块中间通过least-squares fit模块使用最小二乘法进行多步拟合,使用以下算式进行表示:

40、

41、非线性特征提取模块包括依次串联的第一relu激活函数、第三mlp模块、linear模块、第二relu模块和第四mlp模块;非线性特征提取模块采用两个mlp模块组成的编码解码结构对输入的非线性数据进行处理,两个mlp模块中间通过linear模块使用全连接层进行特征提取,使用以下算式进行表示:

42、

43、mcie-t分支模块为常用的单个transformer结构,包括第一多头注意力模块、第二多头注意力模块、带掩码的多头注意力模块、第一残差连接和正则化模块、第二残差连接和正则化模块、第三残差连接和正则化模块、第五mlp模块、第六mlp模块;

44、特征融合模块将输入的不同尺度的特征数据进行融合得到多尺度融合特征图;特征融合模块包括第一linear模块、第二linear模块、第三linear模块、第一下采样模块、第二下采样模块;若特征融合模块采用短期预测分支模块的输出作为输入,则特征融合的过程具体为:采用mcie-t分支模块的输出通过第一linear模块处理,得到数据采用mcie-l分支模块的输出通过第二linear模块处理,再与经过下采样处理的数据进行相加,得到数据采用mcie-c分支模块的输出通过第三linear模块处理,再与经过下采样处理的数据进行相加,得到的结果作为特征融合模块的输出;其中,f.interpolate(·)为下采样运算;

45、若特征融合模块采用中期预测分支模块的输出作为输入,则特征融合的过程具体为:采用mcie-t分支模块的输出通过第一linear模块处理,得到数据采用第一mcie-l分支模块的输出通过第二linear模块处理,再与经过下采样处理的数据进行相加,得到数据采用第二mcie-l分支模块的输出通过第三linear模块处理,再与经过下采样处理的数据进行相加,得到的结果作为特征融合模块的输出;其中,f.interpolate(·)为下采样运算;

46、若特征融合模块采用长期预测分支模块的输出作为输入,则特征融合的过程具体为:采用第一mcie-t分支模块的输出通过第一linear模块处理,得到数据采用第二mcie-t分支模块的输出通过第二linear模块处理,再与经过下采样处理的数据进行相加,得到数据采用第三mcie-t分支模块的输出通过第三linear模块处理,再与经过下采样处理的数据进行相加,得到的结果作为特征融合模块的输出;其中,f.interpolate(·)为下采样运算;

47、第二revin模块采用特征融合模块的输出作为输入,将输入的数据进行反归一化,得到的结果作为模型的输出;

48、所述反归一化使用以下算式进行表示:

49、

50、其中,为模型的最终预测值;为风速数据;γk和βk为待学习的仿射参数向量且γk,βk∈rk。

51、本发明公开了一种风速多尺度级联增强端到端预测方法,采用了基于深度学习的卷积神经网络结构设计,实现了多尺度风速的精准预测,准确率高,误检率低,检测速度快,实时性好,有效提高了预测效率,具有广阔的应用前景。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1