CN117458478A - 一种基于奇异谱分析的短期风功率预测方法 - Google Patents
一种基于奇异谱分析的短期风功率预测方法 Download PDFInfo
- Publication number
- CN117458478A CN117458478A CN202311508306.3A CN202311508306A CN117458478A CN 117458478 A CN117458478 A CN 117458478A CN 202311508306 A CN202311508306 A CN 202311508306A CN 117458478 A CN117458478 A CN 117458478A
- Authority
- CN
- China
- Prior art keywords
- wind power
- matrix
- power data
- singular
- short
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000010183 spectrum analysis Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims abstract description 16
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 70
- 239000013598 vector Substances 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000010248 power generation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于奇异谱分析的短期风功率预测方法,属于风力发电技术领域,包括:获取原始风电功率数据;对原始风电功率数据进行奇异谱分解处理,获取多个子序列;对原始风电功率数据及多个子序列进行卷积处理,获取具有风电功率数据局部时间相关性的特征图谱;通过双向门控单元网络处理特征图谱,获取风电功率数据的全局时间相关性;根据风电功率数据的全局时间相关性,获取风电功率预测结果。本发明利用奇异谱分解处理原始风电功率数据获取多个子序列,通过卷积处理、双向门控单元网络处理从多维度进行特征提取,提高了模型的预测性能以及预测结果的准确性。
Description
技术领域
本发明涉及一种基于奇异谱分析的短期风功率预测方法,属于风力发电技术领域。
背景技术
由于各风电场局部地区气象波动大,且受尾流效应的影响,导致风电场功率预测精度往往无法满足精准调度和现货市场交易的要求。前期大量测试结果表明,风电场功率预测的准确度一方面要看风电机组的出力运行特性是否稳定,即在已知气象条件下,能否准确评估出力大小。另一方面,在预测模型上要考虑输入源的全面性,准确找出影响出力大小的关键因素。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种基于奇异谱分析的短期风功率预测方法,考虑输入源的全面性,准确找出影响出力大小的关键因素,并进行综合功率预测,解决了当前风电功率波动性强,预测方法考虑因素单一,不能准确预测风电功率的问题。
为达到上述目的/为解决上述技术问题,本发明是采用下述技术方案实现的:
一种基于奇异谱分析的短期风功率预测方法,包括:
获取原始风电功率数据;
对原始风电功率数据进行奇异谱分解处理,获取多个子序列;
对原始风电功率数据及多个子序列进行卷积处理,获取具有风电功率数据局部时间相关性的特征图谱;
通过双向门控单元网络处理特征图谱,获取风电功率数据的全局时间相关性;
根据风电功率数据的全局时间相关性,获取风电功率预测结果。
进一步地,所述对原始风电功率数据进行奇异谱分解处理,获取多个子序列,包括:
获取原始风电功率数据的一维序列;
根据一维序列获取对应的轨迹矩阵;
对获取到的轨迹矩阵进行奇异值分解处理,得到多个降序排列的特征值、与特征值相对应的多个特征向量;
对多个特征值、特征向量进行分组处理,得到多个包含矩阵的特征组;
对特征组进行转化处理,得到多个子序列。
更进一步地,所述根据一维序列获取对应的轨迹矩阵,包括:
其中,X为轨迹矩阵;
一维序列XN=(x1,x2,…,xN);
N为数据长度;
L为窗口长度,窗口长度L是奇异谱分解处理时对原始风电功率数据的一维序列进行分段的长度;
K=N-L+1,2≤L≤N/2。
更进一步地,所述对获取到的轨迹矩阵进行奇异值分解处理,得到多个降序排列的特征值、与特征值相对应的多个特征向量,包括:
其中,X为轨迹矩阵;
λi为轨迹矩阵的第i个特征值;
为轨迹矩阵的第i个奇异值;
为对应的第i个主成分分量;
d=max(i,λi≥0)=rank(X)。
Ui为轨迹矩阵X的经验正交函数。
进一步地,所述对多个特征值、特征向量进行分组处理,得到多个包含矩阵的特征组,包括:
根据奇异值的贡献率将多个特征值、特征向量分割为m个不相交的特征组;
对每组内矩阵求和:
其中,{I1,I2,…,Im}为不同的趋势成分;
为第Ij组特征组包含的矩阵,S为第Ij组包含矩阵的数量;为第j个奇异值的贡献率。
更进一步地,所述对特征组进行转化处理,得到多个子序列,包括:
对每个特征组XIj进行对角线平均处理,设C为经分组后特征组中的任意矩阵,cm',k-m'+1为矩阵中的元素,cm',k-m'+1表示矩阵C中第m′行,第k-m′+1列的元素;
矩阵C通过对角线求平均,转化为时间子序列ck:
其中,N为数据长度,L为窗口长度,k为矩阵C的第k条反对角线;
L*=min(L,K),K*=max(L,K);
N=L+K-1,当L<K时,否则,/>
进一步地,所述对原始风电功率数据及多个子序列进行卷积处理,获取具有风电功率数据局部时间相关性的特征图谱,包括:
对每个子序列分别进行卷积操作运算,获取拼接特征;
对原始风电功率数据进行卷积操作运算,获取时序特征;
对拼接特征、时序特征进行拼接处理,得到特征图谱;
更进一步地,所述卷积操作运算包括:
其中:
为卷积操作;
x为输入数据;W为卷积核的权重;b为卷积核的偏置。
进一步地,所述通过双向门控单元网络处理特征图谱,获取风电功率数据的全局时间相关性,包括:
构建双向门控单元网络BiGRU,其中双向门控单元网络BiGRU包括前向GRU结构和后向GRU结构,用于对输入数据进行前向和后向处理;前向GRU结构和后向GRU结构均包括重置门控单元rt和更新门控单元zt;
通过双向门控单元网络BiGRU获取前向、后向输入与输出间的时间相关性:
rt=Sigmoid(Wrxt+Urht-1+br);
zt=Sigmoid(Wzxt+Uzht-1+bz);
其中:Wr,Wz,Wh为状态-输入权重矩阵,Ur,Uz,Uh为状态-状态权重矩阵;
br为重置门控单元的偏置;
bz为更新门控单元的偏置;
bh为候选记忆状态的偏置;
xt为当前时刻的输入,ht-1为前一时刻的输入,为当前时刻的候选记忆状态,ht为输出;
⊙为哈马达积;
t时刻双向门控单元网络BiGRU的输出值ht'为前向隐藏层输出和后向隐藏层输出/>之和:
其中:
GRU(·)为门控循环单元;
为向量拼接操作;
W(1)为前向隐藏层-输入权重矩阵;
W(2)为后向隐藏层-输入权重矩阵;
U(1)为前向隐藏层-状态权重矩阵;
U(2)为后向隐藏层-状态权重矩阵;
b(1)为相应层的偏置矩阵;
b(2)为相应层的偏置矩阵。
根据前向、后向输入与输出间的时间相关性,获取风电功率数据的全局时间相关性。
更进一步地,还包括:采用时间注意力机制TAM识别原始风电功率数据中不同时间点的重要性和相关性:
其中,输入向量H=[h1,h2,…,hn]为双向门控单元网络BiGRU输出的隐藏状态序列;
查询向量q为最后一个隐藏层的输出hn;
S为注意力打分函数,用于获取每个输入向量和查询向量的关联度;
αt(t=1,2,…,n)为注意力分布,a为注意力层的输出向量;
v,Wa和Ua为可学习的网络参数。
与现有技术相比,本发明所达到的有益效果:
本发明利用奇异谱分解处理原始风电功率数据获取多个子序列,以挖掘数据中的主要特征,通过卷积处理、双向门控单元网络处理获取风电功率数据的局部时间相关性及风电功率数据的全局时间相关性,从多维度进行特征提取,提高了模型的预测性能以及预测结果的准确性,解决了当前风电功率波动性强,预测方法考虑因素单一,不能准确预测风电功率的问题。
附图说明
图1是本发明实施例提供的一种基于奇异谱分析的短期风功率预测方法的流程图;
图2是本发明实施例提供的一种基于奇异谱分析的短期风功率预测方法的原理图;
图3是本发明实施例提供的一种基于奇异谱分析的短期风功率预测方法的原始风电功率数据分解重构结果;
图4是本发明实施例提供的一种基于奇异谱分析的短期风功率预测方法的双向门控单元网络BiGRU结构图;
图5是本发明实施例提供的一种基于奇异谱分析的短期风功率预测方法的时间注意力机制TAM结构图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例
如图1所示,一种基于奇异谱分析的短期风功率预测方法,包括:
获取原始风电功率数据;
对原始风电功率数据进行奇异谱分解处理,由奇异谱分解将原始风电功率数据分解重构为一系列成分不同的子序列,充分考虑原始风电功率数据的非线性,挖掘数据的主要特征以降低风电出力波动性对预测的影响,具体的:
如图2所示,获取原始风电功率数据的一维序列;
根据一维序列获取对应的轨迹矩阵,其中:
根据窗口长度L将一维序列XN=(x1,x2,…,xN)转化为L×K的轨迹矩阵X:
其中,N为数据长度,L为窗口长度,窗口长度L是奇异谱分解处理时对原始风电功率数据的一维序列进行分段的长度,K=N-L+1,2≤L≤N/2;
对获取到的轨迹矩阵进行奇异值分解处理,得到多个降序排列的特征值、与特征值相对应的多个特征向量,其中:
其中,其中,X为轨迹矩阵;
λi为轨迹矩阵的第i个特征值;
为轨迹矩阵的第i个奇异值;
为对应的第i个主成分分量;
d=max(i,λi≥0)=rank(X)。
Ui为轨迹矩阵X的经验正交函数。
对多个特征值、特征向量进行分组处理,得到多个包含矩阵的特征组,其中:根据奇异值的贡献率将多个特征值、特征向量分割为m个不相交的特征组;
对每组内矩阵求和:
{I1,I2,…,Im}为不同的趋势成分;
为第Ij组特征组包含的矩阵,S为第Ij组包含矩阵的数量;
为第j个奇异值的贡献率,即第j个奇异值对矩阵X的重要程度,通过保留贡献率较高的奇异值近似表示原始矩阵,达到降维的目的;
如图3所示,对特征组进行对角线平均处理,得到多个子序列:
对每个特征组XIj进行对角线平均处理,设C为经分组后特征组中的任意矩阵,cm',k-m'+1为矩阵中的元素,cm',k-m'+1为矩阵中的元素,cm',k-m'+1表示矩阵C中第m′行,第k-m′+1列的元素;
矩阵C通过对角线求平均,转化为时间子序列ck:
其中,N为数据长度,L为窗口长度,k为矩阵C的第k条反对角线;
L*=min(L,K),K*=max(L,K);
N=L+K-1,当L<K时,否则,/>
对原始风电功率数据及多个子序列进行卷积处理,获取具有风电功率数据局部时间相关性的特征图谱,具体的:
卷积操作包含两条支路:一条支路对奇异谱分解处理得到的每个子序列分别使用一维卷积操作进行多尺度特征学习,随后在通道维度进行拼接,获取拼接特征;
另一条支路则对原始风电功率数据的序列使用卷积操作保留原始风电功率数据序列的时序特征,其中:卷积操作运算包括:
其中,为卷积操作;x为输入数据;W为卷积核的权重;b为卷积核的偏置;
对拼接特征、时序特征进行拼接处理,得到特征图谱。
通过双向门控单元网络处理特征图谱,获取风电功率数据的全局时间相关性,具体的:
如图4所示,构建双向门控单元网络BiGRU,其中双向门控单元网络BiGRU包括前向GRU结构和后向GRU结构,用于对输入数据进行前向和后向处理;
前向GRU结构和后向GRU结构均包括重置门控单元rt和更新门控单元zt;
通过双向门控单元网络BiGRU获取前向、后向输入与输出间的时间相关性:
rt=Sigmoid(Wrxt+Urht-1+br);
zt=Sigmoid(Wzxt+Uzht-1+bz);
其中:Wr,Wz,Wh为状态-输入权重矩阵,Ur,Uz,Uh为状态-状态权重矩阵;br为重置门控单元的偏置;bz为更新门控单元的偏置;bh为候选记忆状态的偏置;
xt为当前时刻的输入,ht-1为前一时刻的输入,为当前时刻的候选记忆状态,
ht为输出;
⊙为哈马达积;
t时刻双向门控单元网络BiGRU的输出值ht'为前向隐藏层输出和后向隐藏层输出/>之和:
其中:
GRU(·)为门控循环单元;为向量拼接操作;
W(1)为前向隐藏层-输入权重矩阵;W(2)为后向隐藏层-输入权重矩阵;U(1)为前向隐藏层-状态权重矩阵;U(2)为后向隐藏层-状态权重矩阵;b(1)为相应层的偏置矩阵;b(2)为相应层的偏置矩阵;
根据前向、后向输入与输出间的时间相关性,得到风电功率数据的全局时间相关性。
为了优化对重要时间点的特征提取,如图5所示,采用时间注意力机制TAM识别原始风电功率数据中不同时间点的重要性和相关性:
其中,输入向量H=[h1,h2,…,hn]为双向门控单元网络BiGRU输出的隐藏状态序列;
查询向量q为最后一个隐藏层的输出hn;
S为注意力打分函数,用于获取每个输入向量和查询向量的关联度;
αt(t=1,2,…,n)为注意力分布,a为注意力层的输出向量;
v,Wa和Ua为可学习的网络参数。
根据风电功率数据的局部时间相关性和风电功率数据的全局时间相关性,通过双向门控单元网络BiGRU的全连接层获取风电功率预测结果。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于奇异谱分析的短期风功率预测方法,其特征在于,包括:
获取原始风电功率数据;
对原始风电功率数据进行奇异谱分解处理,获取多个子序列;
对原始风电功率数据及多个子序列进行卷积处理,获取具有风电功率数据局部时间相关性的特征图谱;
通过双向门控单元网络处理特征图谱,获取风电功率数据的全局时间相关性;
根据风电功率数据的全局时间相关性,获取风电功率预测结果。
2.根据权利要求1所述的基于奇异图谱分析的短期风功率预测方法,其特征在于,所述对原始风电功率数据进行奇异谱分解处理,获取多个子序列,包括:
获取原始风电功率数据的一维序列;
根据一维序列获取对应的轨迹矩阵;
对获取到的轨迹矩阵进行奇异值分解处理,得到多个降序排列的特征值、与特征值相对应的多个特征向量;
对多个特征值、特征向量进行分组处理,得到多个包含矩阵的特征组;
对特征组进行转化处理,得到多个子序列。
3.根据权利要求2所述的基于奇异图谱分析的短期风功率预测方法,其特征在于,所述根据一维序列获取对应的轨迹矩阵,包括:
其中,X为轨迹矩阵;
一维序列XN=(x1,x2,…,xN);
N为数据长度;
L为窗口长度,窗口长度L是奇异谱分解处理时对原始风电功率数据的一维序列进行分段的长度;
K=N-L+1,2≤L≤N/2。
4.根据权利要求2所述的基于奇异图谱分析的短期风功率预测方法,其特征在于,所述对获取到的轨迹矩阵进行奇异值分解处理,得到多个降序排列的特征值、与特征值相对应的多个特征向量,包括:
其中,X为轨迹矩阵;
λi为轨迹矩阵的第i个特征值;
为轨迹矩阵的第i个奇异值;
为对应的第i个主成分分量;
d=max(i,λi≥0)=rank(X)。
Ui为轨迹矩阵X的经验正交函数。
5.根据权利要求2所述的基于奇异图谱分析的短期风功率预测方法,其特征在于,所述对多个特征值、特征向量进行分组处理,得到多个包含矩阵的特征组,包括:
根据奇异值的贡献率将多个特征值、特征向量分割为m个不相交的特征组;
对每组内矩阵求和:
其中,{I1,I2,…,Im}为不同的趋势成分;
为第Ij组特征组包含的矩阵,S为第Ij组包含矩阵的数量;
为第j个奇异值的贡献率。
6.根据权利要求5所述的基于奇异图谱分析的短期风功率预测方法,其特征在于,所述对特征组进行转化处理,得到多个子序列,包括:
对每个特征组进行对角线平均处理,设C为经分组后特征组中的任意矩阵,cm',k-m'+1为矩阵中的元素,cm',k-m'+1表示矩阵C中第m′行,第k-m′+1列的元素;
矩阵C通过对角线求平均,转化为时间子序列ck:
其中,N为数据长度,L为窗口长度,k为矩阵C的第k条反对角线;
L*=min(L,K),K*=max(L,K);
N=L+K-1,当L<K时,否则,/>
7.根据权利要求1所述的基于奇异图谱分析的短期风功率预测方法,其特征在于,所述对原始风电功率数据及多个子序列进行卷积处理,获取具有风电功率数据局部时间相关性的特征图谱,包括:
对每个子序列分别进行卷积操作运算,获取拼接特征;
对原始风电功率数据进行卷积操作运算,获取时序特征;
对拼接特征、时序特征进行拼接处理,得到特征图谱。
8.根据权利要求7所述的基于奇异图谱分析的短期风功率预测方法,其特征在于,所述卷积操作运算包括:
其中:
为卷积操作;
x为输入数据;W为卷积核的权重;b为卷积核的偏置。
9.根据权利要求1所述的基于奇异图谱分析的短期风功率预测方法,其特征在于,所述通过双向门控单元网络处理特征图谱,获取风电功率数据的全局时间相关性,包括:
构建双向门控单元网络BiGRU,其中双向门控单元网络BiGRU包括前向GRU结构和后向GRU结构,用于对输入数据进行前向和后向处理;前向GRU结构和后向GRU结构均包括重置门控单元rt和更新门控单元zt;
通过双向门控单元网络BiGRU获取前向、后向输入与输出间的时间相关性:
rt=Sigmoid(Wrxt+Urht-1+br);
zt=Sigmoid(Wzxt+Uzht-1+bz);
其中:Wr,Wz,Wh为状态-输入权重矩阵,Ur,Uz,Uh为状态-状态权重矩阵;
br为重置门控单元的偏置;
bz为更新门控单元的偏置;
bh为候选记忆状态的偏置;
xt为当前时刻的输入,ht-1为前一时刻的输入,为当前时刻的候选记忆状态,ht为输出;
⊙为哈马达积;
t时刻双向门控单元网络BiGRU的输出值ht'为前向隐藏层输出和后向隐藏层输出/>之和:
其中:
GRU(·)为门控循环单元;
为向量拼接操作;
W(1)为前向隐藏层-输入权重矩阵;
W(2)为后向隐藏层-输入权重矩阵;
U(1)为前向隐藏层-状态权重矩阵;
U(2)为后向隐藏层-状态权重矩阵;
b(1)为相应层的偏置矩阵;
b(2)为相应层的偏置矩阵。
根据前向、后向输入与输出间的时间相关性,获取风电功率数据的全局时间相关性。
10.根据权利要求9所述的基于奇异图谱分析的短期风功率预测方法,其特征在于,还包括:采用时间注意力机制TAM识别原始风电功率数据中不同时间点的重要性和相关性:
其中,输入向量H=[h1,h2,…,hn]为双向门控单元网络BiGRU输出的隐藏状态序列;
查询向量q为最后一个隐藏层的输出hn;
S为注意力打分函数,用于获取每个输入向量和查询向量的关联度;
αt(t=1,2,…,n)为注意力分布,a为注意力层的输出向量;
v,Wa和Ua为可学习的网络参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311508306.3A CN117458478A (zh) | 2023-11-13 | 2023-11-13 | 一种基于奇异谱分析的短期风功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311508306.3A CN117458478A (zh) | 2023-11-13 | 2023-11-13 | 一种基于奇异谱分析的短期风功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117458478A true CN117458478A (zh) | 2024-01-26 |
Family
ID=89596501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311508306.3A Pending CN117458478A (zh) | 2023-11-13 | 2023-11-13 | 一种基于奇异谱分析的短期风功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117458478A (zh) |
-
2023
- 2023-11-13 CN CN202311508306.3A patent/CN117458478A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及*** | |
Ma et al. | A hybrid attention-based deep learning approach for wind power prediction | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
CN111667098A (zh) | 一种基于多模型组合优化的风力电站输出功率预测方法 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN106548270A (zh) | 一种光伏电站功率异常数据辨识方法及装置 | |
CN113822418A (zh) | 一种风电场功率预测方法、***、设备和存储介质 | |
CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及*** | |
CN115409258A (zh) | 一种混合深度学习短期辐照度预测方法 | |
CN112766603A (zh) | 一种交通流量预测方法、***、计算机设备及存储介质 | |
CN110659672A (zh) | 一种风电机组出力分步不确定性预测方法及装置 | |
WO2023019899A1 (zh) | 神经网络实时剪枝方法、***及神经网络加速器 | |
CN117748495A (zh) | 一种基于残差神经网络的光伏电站短期发电功率预测方法 | |
CN115169742A (zh) | 一种短期风力发电功率预测方法 | |
Zhu et al. | Short-term PV power forecast methodology based on multi-scale fluctuation characteristics extraction | |
CN117424229A (zh) | 基于低风速功率修正的超短期风电功率预测方法及*** | |
CN117318036A (zh) | 一种基于改进鲸鱼优化算法的超短期光伏功率预测方法 | |
CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
CN117458478A (zh) | 一种基于奇异谱分析的短期风功率预测方法 | |
CN115358314A (zh) | 风电功率预测模型的训练和功率预测的方法、装置和设备 | |
Rosato et al. | A Combined Deep Learning Approach for Time Series Prediction in Energy Environments | |
CN115545164A (zh) | 光伏发电功率预测方法、***、设备及介质 | |
CN111476408B (zh) | 一种电力通信设备状态预测方法及*** | |
CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |