CN117498320B - 一种波浪发电功率预测方法和*** - Google Patents

一种波浪发电功率预测方法和*** Download PDF

Info

Publication number
CN117498320B
CN117498320B CN202311447576.8A CN202311447576A CN117498320B CN 117498320 B CN117498320 B CN 117498320B CN 202311447576 A CN202311447576 A CN 202311447576A CN 117498320 B CN117498320 B CN 117498320B
Authority
CN
China
Prior art keywords
data
historical
updated
target
prediction result
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.)
Active
Application number
CN202311447576.8A
Other languages
English (en)
Other versions
CN117498320A (zh
Inventor
刘志刚
刘石
杨毅
林国营
陈文�
梁崇淦
王红星
郭欣然
陶涛
杨韬略
宋景慧
徐琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Southern Power Grid Power Technology Co Ltd
Original Assignee
China Southern Power Grid Power Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Southern Power Grid Power Technology Co Ltd filed Critical China Southern Power Grid Power Technology Co Ltd
Priority to CN202311447576.8A priority Critical patent/CN117498320B/zh
Publication of CN117498320A publication Critical patent/CN117498320A/zh
Application granted granted Critical
Publication of CN117498320B publication Critical patent/CN117498320B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03B—MACHINES OR ENGINES FOR LIQUIDS
    • F03B13/00—Adaptations of machines or engines for special use; Combinations of machines or engines with driving or driven apparatus; Power stations or aggregates
    • F03B13/12—Adaptations of machines or engines for special use; Combinations of machines or engines with driving or driven apparatus; Power stations or aggregates characterised by using wave or tide energy
    • F03B13/14—Adaptations of machines or engines for special use; Combinations of machines or engines with driving or driven apparatus; Power stations or aggregates characterised by using wave or tide energy using wave energy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • 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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Power Engineering (AREA)
  • Human Resources & Organizations (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Combustion & Propulsion (AREA)
  • Strategic Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种波浪发电功率预测方法和***，本发明包括基于预设时间序列，通过目标模态分解模型对更新历史数据进行分解，生成多个更新历史数据对应的有效分量；按照多个维度对各有效分量进行拼接，生成多个目标通道并输入预设的门控循环单元；通过门控循环单元对各目标通道进行预测，生成初始预测结果并输入预设的注意力机制模块；通过注意力机制模块对初始预测结果进行特征加权处理，生成目标预测结果。解决了现有的方法难以充分筛选有效分量，导致预测准确率降低的技术问题。本发明有效提高了预测模型对于多模态信息和多通道信息的特征提取能力，能够自适应地获得参数中的最相关信息，实现对波浪发电功率的准确预测。

Description

一种波浪发电功率预测方法和***
技术领域
本发明涉及波浪发电技术领域，尤其涉及一种波浪发电功率预测方法和***。
背景技术
当前可再生能源发电行业发展迅速，波浪发电就是其中之一。波浪能是海洋能的一种类型，它具有无污染、分布广、功率密度高等优点。作为最有前景的海洋能发电形式之一，众多波浪能装置已经测试或者商用，额定功率从几十KW到MW级别均有对应装置。然而波浪天然地具有波动性和随机性，使得波浪能发电功率曲线波动性极大。这对电力***的稳定运行造成了极大的威胁。准确的波浪发电功率预测能为电网调度和检修提供预报信息，从而提高电力***的安全性。
因此，通常采用物理方法对波浪发电功率进行预测。物理方法从波浪的物理机理出发，通过一些波浪理论来求解波浪的微分方程来预报未来一段时间的波浪参数，从而间接获得未来的发电量。当前已有一些物理计算模型，如SWAN、WAVEWATCH III等，它们在较短的时间尺度内能取得较高精度，但随着时间步长的增加误差将急剧增大。并且物理方法的计算量非常大，实际情况中很难去应用。
然而，现有的技术采用数据驱动方法对波浪发电功率进行预测，数据驱动的方法从历史数据出发，通过统计模型或者人工智能模型去挖掘其中的隐藏历史规律，但现有的人工智能模型采用多参数模态分解方法难以充分筛选有效分量，导致预测准确率降低。
发明内容
本发明提供了一种波浪发电功率预测方法和***，解决了现有的人工智能模型采用多参数模态分解方法难以充分筛选有效分量，导致预测准确率降低的技术问题。
本发明第一方面提供的一种波浪发电功率预测方法，包括：
响应于接收到的波浪发电功率预测请求，获取所述波浪发电功率预测请求对应的历史数据；
对所述历史数据进行预处理，生成更新历史数据并输入预设的目标模态分解模型；
基于预设时间序列，通过所述目标模态分解模型对所述更新历史数据进行分解，生成多个所述更新历史数据对应的有效分量；
按照多个维度对各所述有效分量进行拼接，生成多个目标通道并输入预设的门控循环单元；
通过所述门控循环单元对各所述目标通道进行预测，生成初始预测结果并输入预设的注意力机制模块；
通过所述注意力机制模块对所述初始预测结果进行特征加权处理，生成目标预测结果。
可选地，所述历史数据包括历史功率数据、历史波浪高度数据、历史波浪周期数据和历史风速数据；所述对所述历史数据进行预处理，生成更新历史数据并输入预设的目标模态分解模型的步骤，包括：
对所述历史功率数据、所述历史波浪高度数据、所述历史波浪周期数据和所述历史风速数据依次进行缺失值、异常值和无效值填补处理，生成中间历史功率数据、中间历史波浪高度数据、中间历史波浪周期数据和中间历史风速数据；
对所述中间历史功率数据、所述中间历史波浪高度数据、所述中间历史波浪周期数据和所述中间历史风速数据分别进行归一化处理，生成更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据；
将所述更新历史功率数据、所述更新历史波浪高度数据、所述更新历史波浪周期数据和所述更新历史风速数据均输入预设的目标模态分解模型。
可选地，所述将所述更新历史功率数据、所述更新历史波浪高度数据、所述更新历史波浪周期数据和所述更新历史风速数据均输入预设的目标模态分解模型的步骤，包括：
按照预设比例将所述更新历史功率数据、所述更新历史波浪高度数据、所述更新历史波浪周期数据和所述更新历史风速数据划分为训练集和测试集；
将所述训练集中的所述更新历史功率数据、所述更新历史波浪高度数据、所述更新历史波浪周期数据和所述更新历史风速数据输入预设的初始模态分解模型；
通过所述训练集对所述初始模态分解模型进行训练，生成更新模态分解模型；
将所述测试集中的所述更新历史功率数据、所述更新历史波浪高度数据、所述更新历史波浪周期数据和所述更新历史风速数据输入更新模态分解模型进行测试，生成目标模态分解模型；
将所述更新历史功率数据、所述更新历史波浪高度数据、所述更新历史波浪周期数据和所述更新历史风速数据输入所述目标模态分解模型。
可选地，所述基于预设时间序列，通过所述目标模态分解模型对所述更新历史数据进行分解，生成多个所述更新历史数据对应的有效分量的步骤，包括：
按照预设时间序列对所述更新历史数据的时间序列长度划分为一维时间序列；
基于塔肯斯理论，通过所述目标模态分解模型的序列升维将所述一维时间序列构造成多维时间序列；
通过所述目标模态分解模型提取所述多维时间序列的模态分量；
对所述模态分量进行二维分量降维处理，生成降维后的目标一维序列；
对所述目标一维序列进行分量筛选处理，生成各所述更新历史数据对应的有效分量。
可选地，所述多个维度包括时间维度和特征维度；所述按照多个维度对各所述有效分量进行拼接，生成多个目标通道并输入预设的门控循环单元的步骤，包括：
提取所述时间维度对应的有效分量和所述特征维度对应的有效分量；
将所述时间维度对应的有效分量和所述特征维度对应的有效分量进行拼接，生成多个初始通道；
采用全连接层对各所述初始通道进行升维处理，生成目标通道；
将各所述目标通道输入预设的门控循环单元。
可选地，所述门控循环单元包括更新门、重置门、当前候选值和隐藏状态；所述通过所述门控循环单元对各所述目标通道进行预测，生成初始预测结果并输入预设的注意力机制模块的步骤，包括：
通过所述更新门更新所述目标通道的有效信息，生成更新信息并输入所述重置门；
通过所述重置门重置所述更新信息的有效信息，生成重置信息；
基于所述重置信息和上一时刻的所述隐藏状态，确定所述当前候选值；
基于所述当前候选值和当前所述隐藏状态，确定各所述目标通道的初始预测结果；
将所述初始预测结果输入预设的注意力机制模块。
可选地，所述通过所述注意力机制模块对所述初始预测结果进行特征加权处理，生成目标预测结果的步骤，包括：
通过所述注意力机制模块对应的全局池化层对所述初始预测结果进行池化处理，生成第一更新预测结果并输入第一全连接层；
通过所述第一全连接层对所述第一更新预测结果进行分类处理，生成第二更新预测结果并输入第一激活层；
通过所述第一激活层对所述第二更新预测结果进行激活处理，生成第三更新预测结果并输入第二全连接层；
通过所述第二全连接层对所述第三更新预测结果进行分类处理，生成第四更新预测结果并输入第二激活层；
通过所述第二激活层对所述第四更新预测结果进行激活处理，生成第五更新预测结果；
将所述初始预测结果和所述第五更新预测结果进行特征加权处理，生成第六更新预测结果并输入第三全连接层；
通过所述第三全连接层对所述第六更新预测结果进行连接，生成目标预测结果。
本发明第二方面提供的一种波浪发电功率预测方法，包括：
历史数据模块，用于响应于接收到的波浪发电功率预测请求，获取所述波浪发电功率预测请求对应的历史数据；
目标模态分解模型模块，用于对所述历史数据进行预处理，生成更新历史数据并输入预设的目标模态分解模型；
有效分量模块，用于基于预设时间序列，通过所述目标模态分解模型对所述更新历史数据进行分解，生成多个所述更新历史数据对应的有效分量；
门控循环单元模块，用于按照多个维度对各所述有效分量进行拼接，生成多个目标通道并输入预设的门控循环单元；
注意力机制模块，用于通过所述门控循环单元对各所述目标通道进行预测，生成初始预测结果并输入预设的注意力机制模块；
目标预测结果模块，用于通过所述注意力机制模块对所述初始预测结果进行特征加权处理，生成目标预测结果。
可选地，所述历史数据包括历史功率数据、历史波浪高度数据、历史波浪周期数据和历史风速数据；所述目标模态分解模型模块包括：
数据处理子模块，用于对所述历史功率数据、所述历史波浪高度数据、所述历史波浪周期数据和所述历史风速数据依次进行缺失值、异常值和无效值填补处理，生成中间历史功率数据、中间历史波浪高度数据、中间历史波浪周期数据和中间历史风速数据；
归一化子模块，用于对所述中间历史功率数据、所述中间历史波浪高度数据、所述中间历史波浪周期数据和所述中间历史风速数据分别进行归一化处理，生成更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据；
目标模态分解模型子模块，用于将所述更新历史功率数据、所述更新历史波浪高度数据、所述更新历史波浪周期数据和所述更新历史风速数据均输入预设的目标模态分解模型。
可选地，所述目标模态分解模型子模块包括：
预设比例子模块，用于按照预设比例将所述更新历史功率数据、所述更新历史波浪高度数据、所述更新历史波浪周期数据和所述更新历史风速数据划分为训练集和测试集；
初始模态分解模型子模块，用于将所述训练集中的所述更新历史功率数据、所述更新历史波浪高度数据、所述更新历史波浪周期数据和所述更新历史风速数据输入预设的初始模态分解模型；
更新模态分解模型子模块，用于通过所述训练集对所述初始模态分解模型进行训练，生成更新模态分解模型；
生成目标模态分解模型子模块，用于将所述测试集中的所述更新历史功率数据、所述更新历史波浪高度数据、所述更新历史波浪周期数据和所述更新历史风速数据输入更新模态分解模型进行测试，生成目标模态分解模型；
输入目标模态分解模型子模块，用于将所述更新历史功率数据、所述更新历史波浪高度数据、所述更新历史波浪周期数据和所述更新历史风速数据输入所述目标模态分解模型。
从以上技术方案可以看出，本发明具有以下优点：
本发明采用自适应辛几何模态分解(SGMD)提取历史功率、历史波浪高度、历史波浪周期和历史风速中的多模态信息。然后通过GRU模型对各个参数分别进行预测，提取其中的隐藏规律。再利用压缩和激励网络(SENet)学习每个通道的权重来自适应地调整特征图中的信息。所提方法能够解决多参数输入模态分解的特征提取问题，能够充分挖掘历史功率、历史波浪高度等参数中的模态信息，有效提高了预测模型对于多模态信息和多通道信息的特征提取能力，能够自适应地获得参数中的最相关信息，实现对波浪发电功率的准确预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例一提供的一种波浪发电功率预测方法的步骤流程图；
图2为本发明实施例二提供的一种波浪发电功率预测方法的步骤流程图；
图3为本发明实施例二提供的一种波浪发电功率预测方法的预测过程流程图；
图4为本发明实施例二提供的一种GRU模块的结构示意图；
图5为本发明实施例二提供的一种SENet模块的结构示意图；
图6为本发明实施例三提供的一种波浪发电功率预测***的结构框图。
具体实施方式
本发明实施例提供了一种波浪发电功率预测方法和***，用于解决现有的人工智能模型采用多参数模态分解方法难以充分筛选有效分量，导致预测准确率降低的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例一提供的一种波浪发电功率预测方法的步骤流程图。
本发明提供的一种波浪发电功率预测方法，包括以下步骤：
步骤101、响应于接收到的波浪发电功率预测请求，获取波浪发电功率预测请求对应的历史数据。
需要说明的是，波浪发电功率预测请求是指对波浪发电的功率进行预测的请求，以便于对电力***对波浪发电的功率进行有效分配。
历史数据指的是历史功率数据、历史波浪高度数据、历史波浪周期数据和历史风速数据。
在具体实施时，当接收到波浪发电功率预测请求时，确定波浪放电功率预测请求的历史功率数据、历史波浪高度数据、历史波浪周期数据和历史风速数据。
步骤102、对历史数据进行预处理，生成更新历史数据并输入预设的目标模态分解模型。
需要说明的是，预处理为数据预处理，比如数据缺失值、异常值和无效值填补以及对各历史数据分别进行归一化处理。
目标模态分解模型指的是自适应辛几何模态分解模型，即自适应SGMD分解模块。
在具体实施时，分别对历史功率数据、历史波浪高度数据、历史波浪周期数据和历史风速数据进行数据预处理，得到更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据，输入目标模态分解模型进行分解。
步骤103、基于预设时间序列，通过目标模态分解模型对更新历史数据进行分解，生成多个更新历史数据对应的有效分量。
预设时间序列指的是对各更新历史数据的时间序列长度。
自适应辛几何模态分解模型通过输入序列升维、提取模态分量、二维分量和自适应分量筛选四个步骤实现时间序列的分解。
在具体实施时，通过自适应辛几何模态分解模型的输入序列升维、提取模态分量、二维分量和自适应分量筛选的四个步骤分别对更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据实现时间序列的分解，得到各更新历史数据的有效分量。
步骤104、按照多个维度对各有效分量进行拼接，生成多个目标通道并输入预设的门控循环单元。
需要说明的是，多个维度是时间维度和特征维度。
门控循环单元指的是GRU模块。
在具体实施时，对各个有效分量按照特征维度进行拼接，形成时间维度和特征维度的通道，将各个通道通过全连接层进行升维操作，并输入到GRU模块中进行预测。
步骤105、通过门控循环单元对各目标通道进行预测，生成初始预测结果并输入预设的注意力机制模块。
需要说明的是，GRU模块(门控循环单元)包含更新门、重置门、当前候选值和隐藏状态。
初始预测结果指的是通过GRU模块对各通道进行预测的预测结果。
注意力机制模块指的是SENet模块。
在具体实施时，通过更新门、重置门、当前候选值和隐藏状态逐一对目标通道进行预测，从而生成的初始预测结果。
步骤106、通过注意力机制模块对初始预测结果进行特征加权处理，生成目标预测结果。
需要说明的是，SENet模块包括全局池化层层、全连接层、ReLU激活层、全连接层和Sigmoid激活层。
目标预测结果指的是通过SENet模块对初始预测结果再进一步预测得到的预测结果。
在具体实施时，通过SENet模块中的全局池化层层、全连接层、ReLU激活层、全连接层和Sigmoid激活层对初始预测结果进行进一步提取有效特征，再对提取的有效特征和原初始预测结果进行特征加权处理，得到目标预测结果。
请参阅图2-5，图2为本发明实施例二提供的一种波浪发电功率预测方法的步骤流程图。
本发明提供的一种波浪发电功率预测方法，包括以下步骤：
步骤201、响应于接收到的波浪发电功率预测请求，获取波浪发电功率预测请求对应的历史数据。
在本发明实施例中，步骤201的具体实施方式与步骤101的类似，在此不再进行赘述。
步骤202、对历史数据进行预处理，生成更新历史数据并输入预设的目标模态分解模型。
可选地，历史数据包括历史功率数据、历史波浪高度数据、历史波浪周期数据和历史风速数据；步骤202包括以下步骤S11-S13：
S11、对历史功率数据、历史波浪高度数据、历史波浪周期数据和历史风速数据依次进行缺失值、异常值和无效值填补处理，生成中间历史功率数据、中间历史波浪高度数据、中间历史波浪周期数据和中间历史风速数据；
S12、对中间历史功率数据、中间历史波浪高度数据、中间历史波浪周期数据和中间历史风速数据分别进行归一化处理，生成更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据；
S13、将更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据均输入预设的目标模态分解模型。
在具体实施时，参阅图3的预测过程流程图，对历史功率数据、历史波浪高度数据、历史波浪周期数据和历史风速数据(即原始波浪发电功率、波浪高度、波浪周期数据和风速数据)分别依次进行缺失值、异常值和无效值填补等数据预处理，得到中间历史功率数据、中间历史波浪高度数据、中间历史波浪周期数据和中间历史风速数据，再分别对中间历史功率数据、中间历史波浪高度数据、中间历史波浪周期数据和中间历史风速数据进行归一化处理，得到更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据(即功率序列、波高序列、波周期序列和风速序列)，并输入目标模态分解模型(即目标自适应辛几何模态分解模型)。
可选地，步骤S13包括以下步骤S21-S25：
S21、按照预设比例将更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据划分为训练集和测试集；
S22、将训练集中的更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据输入预设的初始模态分解模型；
S23、通过训练集对初始模态分解模型进行训练，生成更新模态分解模型；
S24、将测试集中的更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据输入更新模态分解模型进行测试，生成目标模态分解模型；
S25、将更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据输入目标模态分解模型。
需要说明的是，预设比例为7:3或8:2的比例。
在具体实施时，按照7:3或8:2的比例分别将更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据划分为训练集和测试集，将训练集中的更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据输入初始自适应辛几何模态分解模型中进行训练，得到训练好后的更新自适应辛几何模态分解模型。
将测试集中的更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据输入到更新自适应辛几何模态分解模型进行测试，选取最优的自适应辛几何模态分解模型作为目标自适应辛几何模态分解模型。
将更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据输入目标自适应辛几何模态分解模型。
步骤203、按照预设时间序列对更新历史数据的时间序列长度划分为一维时间序列。
需要说明的是，自适应辛几何模态分解模型有输入序列升维、提取模态分量、二维分量降维和自适应分量筛选这四个步骤实现时间序列的分解。
在具体实施时，当处于输入序列升维步骤时，所要分解的更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据分别对应的时间序列长度均设为n，以其中更新历史功率数据的时间序列x为例，其形状是1*n，即更新历史功率数据的一维时间序列。
步骤204、基于塔肯斯理论，通过目标模态分解模型的序列升维将一维时间序列构造成多维时间序列。
需要说明的是，塔肯斯理论指的是计算嵌入相空间维数大小的一个基本命题。它是重构相空间技术的理论依据，混沌应用的一个重要问题就是从单个变量的时间序列重新构造一个可包容该混沌运动的n维相空间。
在具体实施时，基于塔肯斯理论将时间时序x构造为矩阵X，矩阵的形状为d*m，即一维时间序列扩展为d维时间序列，时间序列长度由n变为m。
步骤205、通过目标模态分解模型提取多维时间序列的模态分量。
需要说明的是，当处于输入提取模态分量步骤时，需要提取d维时间序列的模态信息，首先计算矩阵X的特征向量Ui(0<i<d+1)，得到d个特征向量。
计算各模态信息所对应的分量矩阵：
原矩阵X可重构为：
X'＝{X1,X2,…,Xd}。
式中，X'为重构矩阵，X1,X2,…,Xd分别为重构矩阵的模态分量。
步骤206、对模态分量进行二维分量降维处理，生成降维后的目标一维序列。
需要说明的是，由重构矩阵X'表示的重构矩阵形状为d*m，需要将第二个维度由m转化为n，采用求和平均来实现将第二个维度由m转化为n。
在具体实施时，首先判断d与m的相对关系，如果d>m，则对重构矩阵X'进行转置，并仍然沿用d*m表示处理后的矩阵形状，本质上就是使得原本d所在的维度长度小于m所在的维度长度。
然后通过求和平均将d*m的形状变为1*m。通过截取X'获得不同的矩阵来获得降维后的值，具体操作如下：
1)对于从左到右依次求取(1，d]之间的d个数：截取重构矩阵X'第二个维度中的前d个长度，构成形状为d*d的新矩阵，沿着主对角线垂直方向对各个元素依次进行求和平均操作。从矩阵的左上角开始操作，一直到矩阵左下角为止，最终得到d个数。
2)对于从左到右依次求取(d，m]之间的m-d个数：截取重构矩阵X'第二个维度中的[i，i+d-1]之间的元素(其中1<i<m-d+1)，构成形状为d*d的一族新矩阵，将副对角线上的元素求和平均，最终得到m-d个数。
3)对于从左到右依次求取(m，n]之间的n-m个数：截取重构矩阵X'第一个维度中的[i-d+1，m-d]、第二个维度中的[i，m]之间的元素(其中2m-n<i<m+1)，构成形状为(m-i)*(m-i)的一族新矩阵，将副对角线上的元素求和平均，最终得到n-m个数。
将重构矩阵X'转化后的的时间序列有d组长度为n的一维序列组成：
Y＝{Y1,Y2,…,Yd}。
式中，Y为降维后的目标一维序列，Y1,Y2,…,Yd分别为一维序列的模态分量。
步骤207、对目标一维序列进行分量筛选处理，生成各更新历史数据对应的有效分量。
需要说明的是，对角平均得到的d个分量的分解序列并未完全分解，分量之间还存在着相似特征，需要通过分量重组来合并相似度大的分量。本发明提出的自适应分量重组方法，该方法能够自适应地判断是否要进行分量的合并，避免了传统人为设置阈值方法带来额外干扰。
为了便于判断每个分量在总体中的影响，首先将前k个分量分别相加：
式中，Nk为前k个分量相加得到的总数。
可以得到d个合成序列，计算这d个相邻序列的互信息大小：
式中，I(Nk；Nk+1)为两个相邻序列的互信息，p(x,y)为x和y的联合概率分布，p(x)为x的边缘概率密度分布，p(y)为y的边缘概率密度分布。
随着k增加，相邻序列的互信息逐渐增加，当增加到至某个数值之后，数值基本上保持不变，则认为前k个分量为有效分量，即将当前的Y1,Y2,…,Yd为目标分解的有效分量。
步骤208、按照多个维度对各有效分量进行拼接，生成多个目标通道并输入预设的门控循环单元。
可选地，多个维度包括时间维度和特征维度；步骤208包括以下步骤S31-S34：
S31、提取时间维度对应的有效分量和特征维度对应的有效分量；
S32、将时间维度对应的有效分量和特征维度对应的有效分量进行拼接，生成多个初始通道；
S33、采用全连接层对各初始通道进行升维处理，生成目标通道；
S34、将各目标通道输入预设的门控循环单元。
需要说明的是，将更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据等四个数据对应的有效分量按照时间维度和特征维度提取对应的有效分量，并分别按照时间维度和特征维度对有效分量进行拼接，形成(时间维度、特征维度)形状的通道，获得四个初始通道，并将四个初始通道分别采用dense层(全连接层)进行升维操作，生成目标通道，并将目标通道输入GRU模块(即门控循环单元)。
步骤209、通过门控循环单元对各目标通道进行预测，生成初始预测结果并输入预设的注意力机制模块。
可选地，门控循环单元包括更新门、重置门、当前候选值和隐藏状态；步骤209包括以下步骤S41-S45：
S41、通过更新门更新目标通道的有效信息，生成更新信息并输入重置门；
S42、通过重置门重置更新信息的有效信息，生成重置信息；
S43、基于重置信息和上一时刻的隐藏状态，确定当前候选值；
S44、基于当前候选值和当前隐藏状态，确定各目标通道的初始预测结果；
S45、将初始预测结果输入预设的注意力机制模块。
需要说明的是，门控循环单元包括更新门、重置门、当前候选值和隐藏状态。
在具体实施时，参阅图4的GRU模块结构图，更新门用于决定是否应该更新记忆单元中的信息。它考虑当前输入和前一个时刻的隐藏状态，通过一个sigmoid激活函数输出一个0到1之间的值。接近1的值表示保留大部分以前的信息，而接近0的值表示大部分信息应该被遗忘。
zt＝σ(Wz·[ht-1,xt])
式中，zt是更新门的输出，σ表示sigmoid激活函数，Wz和Uz是权重矩阵，xt是当前时刻的输入，ht-1是前一个时刻的隐藏状态。
重置门用于控制哪些以前的信息应该被遗忘。它也使用sigmoid激活函数，根据当前输入和前一个时刻的隐藏状态输出一个0到1之间的值。
rt＝σ(Wr·[ht-1,xt])
式中，rt是重置门的输出，σ表示sigmoid激活函数，Wz和Uz是权重矩阵。
当前候选值基于前一个时刻的隐藏状态和当前输入，同时受到更新门和重置门的调控。
式中，是当前候选值，tanh表示双曲正切激活函数。
隐藏状态包含了模型认为在当前时间步最重要的信息。这个隐藏状态是根据记忆单元和当前输入计算的。
具体地，将四个目标通道分别用全连接层来统一各自特征维度，得到初始预测结果，用于提升模型的拟合能力也为SENet模块的输入做好维度统一。
步骤210、通过注意力机制模块对初始预测结果进行特征加权处理，生成目标预测结果。
可选地，步骤210包括以下步骤S51-S57：
S51、通过注意力机制模块对应的全局池化层对初始预测结果进行池化处理，生成第一更新预测结果并输入第一全连接层；
S52、通过第一全连接层对第一更新预测结果进行分类处理，生成第二更新预测结果并输入第一激活层；
S53、通过第一激活层对第二更新预测结果进行激活处理，生成第三更新预测结果并输入第二全连接层；
S54、通过第二全连接层对第三更新预测结果进行分类处理，生成第四更新预测结果并输入第二激活层；
S55、通过第二激活层对第四更新预测结果进行激活处理，生成第五更新预测结果；
S56、将初始预测结果和第五更新预测结果进行特征加权处理，生成第六更新预测结果并输入第三全连接层；
S57、通过第三全连接层对第六更新预测结果进行连接，生成目标预测结果。
需要说明的是，SENet模块包括全局池化层层、全连接层、ReLU激活层、全连接层和Sigmoid激活层。故第一全连接层、第二全连接层和第三全连接层均为全连接层，第一激活层和第二激活层分别为ReLU激活层和Sigmoid激活层。
在具体实施时，第一更新预测结果为经过全局池化层进行池化处理得到的预测结果，并输入第一个全连接层；第二更新预测结果为经过第一个全连接层进行分类处理后得到的预测结果，并输入ReLU激活层；第三更新预测结果为经过ReLU激活层进行处理后得到预测结果，并输入第二个全连接层；第四更新预测结果为经过全连接层进行分类处理后得到的预测结果，并输入Sigmoid激活层；第五更新预测结果为经过Sigmoid激活层进行处理后得到的预测结果；第六更新预测结果为经过将初始预测结果和第五更新预测结果进行特征加权处理得到的预测结果，并输入第三个全连接层；目标预测结果是经过全连接层进行连接处理后得到的预测结果。
具体地，参阅图5的SENet模块结构图，将输入和残差分为两个并联路线进行处理，第一条路线是直接将作为通道加权的加权对象。另一条路线依次经过全局池化、全连接层、ReLU激活、全连接层和Sigmoid激活。可以总结为挤压-激励过程。其中挤压过程公式化为
式中，c表示第c个通道，H、W分别表示时间维度长度和特征维度长度，表示第i个通道的向量。
激励过程公式化如下：
s＝σ[W2δ(W1z)]
式中，W1、W2分别表示全连接层的权重，δ表示ReLU激活函数，σ表示Sigmoid激活函数。
需要说明的是，将加权后的残差和原始输入(初始预测结果)相加后得到最终的SENet模块输出，即目标预测结果。
在具体实施时，按照最终得到的预测结果，对波浪发电装置进行调整和分配，从而调整波浪发电装置未来的发电量。
请参阅图6，图6为本发明实施例三提供的一种波浪发电功率预测***的结构框图。
本发明提供的一种波浪发电功率预测***，包括：
历史数据模块601，用于响应于接收到的波浪发电功率预测请求，获取波浪发电功率预测请求对应的历史数据；
目标模态分解模型模块602，用于对历史数据进行预处理，生成更新历史数据并输入预设的目标模态分解模型；
有效分量模块603，用于基于预设时间序列，通过目标模态分解模型对更新历史数据进行分解，生成多个更新历史数据对应的有效分量；
门控循环单元模块604，用于按照多个维度对各有效分量进行拼接，生成多个目标通道并输入预设的门控循环单元；
注意力机制模块605，用于通过门控循环单元对各目标通道进行预测，生成初始预测结果并输入预设的注意力机制模块；
目标预测结果模块606，用于通过注意力机制模块对初始预测结果进行特征加权处理，生成目标预测结果。
可选地，历史数据包括历史功率数据、历史波浪高度数据、历史波浪周期数据和历史风速数据；目标模态分解模型模块602包括：
数据处理子模块，用于对历史功率数据、历史波浪高度数据、历史波浪周期数据和历史风速数据依次进行缺失值、异常值和无效值填补处理，生成中间历史功率数据、中间历史波浪高度数据、中间历史波浪周期数据和中间历史风速数据；
归一化子模块，用于对中间历史功率数据、中间历史波浪高度数据、中间历史波浪周期数据和中间历史风速数据分别进行归一化处理，生成更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据；
目标模态分解模型子模块，用于将更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据均输入预设的目标模态分解模型。
可选地，目标模态分解模型子模块包括：
预设比例子模块，用于按照预设比例将更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据划分为训练集和测试集；
初始模态分解模型子模块，用于将训练集中的更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据输入预设的初始模态分解模型；
更新模态分解模型子模块，用于通过训练集对初始模态分解模型进行训练，生成更新模态分解模型；
生成目标模态分解模型子模块，用于将测试集中的更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据输入更新模态分解模型进行测试，生成目标模态分解模型；
输入目标模态分解模型子模块，用于将更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据输入目标模态分解模型。
可选地，有效分量模块603包括：
一维时间序列子模块，用于按照预设时间序列对更新历史数据的时间序列长度划分为一维时间序列；
多维时间序列子模块，用于基于塔肯斯理论，通过目标模态分解模型的序列升维将一维时间序列构造成多维时间序列；
模态分量子模块，用于通过目标模态分解模型提取多维时间序列的模态分量；
目标一维序列子模块，用于对模态分量进行二维分量降维处理，生成降维后的目标一维序列；
有效分量子模块，用于对目标一维序列进行分量筛选处理，生成各更新历史数据对应的有效分量。
可选地，多个维度包括时间维度和特征维度；门控循环单元模块604包括：
提取子模块，用于提取时间维度对应的有效分量和特征维度对应的有效分量；
初始通道子模块，用于将时间维度对应的有效分量和特征维度对应的有效分量进行拼接，生成多个初始通道；
目标通道子模块，用于采用全连接层对各初始通道进行升维处理，生成目标通道；
门控循环单元子模块，用于将各目标通道输入预设的门控循环单元。
可选地，门控循环单元包括更新门、重置门、当前候选值和隐藏状态；注意力机制模块605包括：
重置门子模块，用于通过更新门更新目标通道的有效信息，生成更新信息并输入重置门；
重置信息子模块，用于通过重置门重置更新信息的有效信息，生成重置信息；
当前候选值子模块，用于基于重置信息和上一时刻的隐藏状态，确定当前候选值；
初始预测结果子模块，用于基于当前候选值和当前隐藏状态，确定各目标通道的初始预测结果；
注意力机制模块子模块，用于将初始预测结果输入预设的注意力机制模块。
可选地，目标预测结果模块606包括：
第一全连接层子模块，用于通过注意力机制模块对应的全局池化层对初始预测结果进行池化处理，生成第一更新预测结果并输入第一全连接层；
第一激活层子模块，用于通过第一全连接层对第一更新预测结果进行分类处理，生成第二更新预测结果并输入第一激活层；
第二全连接层子模块，用于通过第一激活层对第二更新预测结果进行激活处理，生成第三更新预测结果并输入第二全连接层；
第二激活层子模块，用于通过第二全连接层对第三更新预测结果进行分类处理，生成第四更新预测结果并输入第二激活层；
第五更新预测结果子模块，用于通过第二激活层对第四更新预测结果进行激活处理，生成第五更新预测结果；
第三全连接层子模块，用于将初始预测结果和第五更新预测结果进行特征加权处理，生成第六更新预测结果并输入第三全连接层；
目标预测结果子模块，用于通过第三全连接层对第六更新预测结果进行连接，生成目标预测结果。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种波浪发电功率预测方法，其特征在于，包括：
响应于接收到的波浪发电功率预测请求，获取所述波浪发电功率预测请求对应的历史数据；
对所述历史数据进行预处理，生成更新历史数据并输入预设的目标模态分解模型；
基于预设时间序列，通过所述目标模态分解模型对所述更新历史数据进行分解，生成多个所述更新历史数据对应的有效分量；其中，所述基于预设时间序列，通过所述目标模态分解模型对所述更新历史数据进行分解，生成多个所述更新历史数据对应的有效分量的步骤，包括：
按照预设时间序列对所述更新历史数据的时间序列长度划分为一维时间序列；
基于塔肯斯理论，通过所述目标模态分解模型的序列升维将所述一维时间序列构造成多维时间序列；
通过所述目标模态分解模型提取所述多维时间序列的模态分量；
对所述模态分量进行二维分量降维处理，生成降维后的目标一维序列；
对所述目标一维序列进行分量筛选处理，生成各所述更新历史数据对应的有效分量；
按照多个维度对各所述有效分量进行拼接，生成多个目标通道并输入预设的门控循环单元；
通过所述门控循环单元对各所述目标通道进行预测，生成初始预测结果并输入预设的注意力机制模块；
通过所述注意力机制模块对所述初始预测结果进行特征加权处理，生成目标预测结果。
2.根据权利要求1所述的波浪发电功率预测方法，其特征在于，所述历史数据包括历史功率数据、历史波浪高度数据、历史波浪周期数据和历史风速数据；所述对所述历史数据进行预处理，生成更新历史数据并输入预设的目标模态分解模型的步骤，包括：
对所述历史功率数据、所述历史波浪高度数据、所述历史波浪周期数据和所述历史风速数据依次进行缺失值、异常值和无效值填补处理，生成中间历史功率数据、中间历史波浪高度数据、中间历史波浪周期数据和中间历史风速数据；
对所述中间历史功率数据、所述中间历史波浪高度数据、所述中间历史波浪周期数据和所述中间历史风速数据分别进行归一化处理，生成更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据；
将所述更新历史功率数据、所述更新历史波浪高度数据、所述更新历史波浪周期数据和所述更新历史风速数据均输入预设的目标模态分解模型。
3.根据权利要求2所述的波浪发电功率预测方法，其特征在于，所述将所述更新历史功率数据、所述更新历史波浪高度数据、所述更新历史波浪周期数据和所述更新历史风速数据均输入预设的目标模态分解模型的步骤，包括：
按照预设比例将所述更新历史功率数据、所述更新历史波浪高度数据、所述更新历史波浪周期数据和所述更新历史风速数据划分为训练集和测试集；
将所述训练集中的所述更新历史功率数据、所述更新历史波浪高度数据、所述更新历史波浪周期数据和所述更新历史风速数据输入预设的初始模态分解模型；
通过所述训练集对所述初始模态分解模型进行训练，生成更新模态分解模型；
将所述测试集中的所述更新历史功率数据、所述更新历史波浪高度数据、所述更新历史波浪周期数据和所述更新历史风速数据输入更新模态分解模型进行测试，生成目标模态分解模型；
将所述更新历史功率数据、所述更新历史波浪高度数据、所述更新历史波浪周期数据和所述更新历史风速数据输入所述目标模态分解模型。
4.根据权利要求1所述的波浪发电功率预测方法，其特征在于，所述多个维度包括时间维度和特征维度；所述按照多个维度对各所述有效分量进行拼接，生成多个目标通道并输入预设的门控循环单元的步骤，包括：
提取所述时间维度对应的有效分量和所述特征维度对应的有效分量；
将所述时间维度对应的有效分量和所述特征维度对应的有效分量进行拼接，生成多个初始通道；
采用全连接层对各所述初始通道进行升维处理，生成目标通道；
将各所述目标通道输入预设的门控循环单元。
5.根据权利要求1所述的波浪发电功率预测方法，其特征在于，所述门控循环单元包括更新门、重置门、当前候选值和隐藏状态；所述通过所述门控循环单元对各所述目标通道进行预测，生成初始预测结果并输入预设的注意力机制模块的步骤，包括：
通过所述更新门更新所述目标通道的有效信息，生成更新信息并输入所述重置门；
通过所述重置门重置所述更新信息的有效信息，生成重置信息；
基于所述重置信息和上一时刻的所述隐藏状态，确定所述当前候选值；
基于所述当前候选值和当前所述隐藏状态，确定各所述目标通道的初始预测结果；
将所述初始预测结果输入预设的注意力机制模块。
6.根据权利要求1所述的波浪发电功率预测方法，其特征在于，所述通过所述注意力机制模块对所述初始预测结果进行特征加权处理，生成目标预测结果的步骤，包括：
通过所述注意力机制模块对应的全局池化层对所述初始预测结果进行池化处理，生成第一更新预测结果并输入第一全连接层；
通过所述第一全连接层对所述第一更新预测结果进行分类处理，生成第二更新预测结果并输入第一激活层；
通过所述第一激活层对所述第二更新预测结果进行激活处理，生成第三更新预测结果并输入第二全连接层；
通过所述第二全连接层对所述第三更新预测结果进行分类处理，生成第四更新预测结果并输入第二激活层；
通过所述第二激活层对所述第四更新预测结果进行激活处理，生成第五更新预测结果；
将所述初始预测结果和所述第五更新预测结果进行特征加权处理，生成第六更新预测结果并输入第三全连接层；
通过所述第三全连接层对所述第六更新预测结果进行连接，生成目标预测结果。
7.一种波浪发电功率预测***，其特征在于，包括：
历史数据模块，用于响应于接收到的波浪发电功率预测请求，获取所述波浪发电功率预测请求对应的历史数据；
目标模态分解模型模块，用于对所述历史数据进行预处理，生成更新历史数据并输入预设的目标模态分解模型；
有效分量模块，用于基于预设时间序列，通过所述目标模态分解模型对所述更新历史数据进行分解，生成多个所述更新历史数据对应的有效分量；其中，所述有效分量模块包括：
一维时间序列子模块，用于按照预设时间序列对所述更新历史数据的时间序列长度划分为一维时间序列；
多维时间序列子模块，用于基于塔肯斯理论，通过所述目标模态分解模型的序列升维将所述一维时间序列构造成多维时间序列；
模态分量子模块，用于通过所述目标模态分解模型提取所述多维时间序列的模态分量；
目标一维序列子模块，用于对所述模态分量进行二维分量降维处理，生成降维后的目标一维序列；
有效分量子模块，用于对所述目标一维序列进行分量筛选处理，生成各所述更新历史数据对应的有效分量；
门控循环单元模块，用于按照多个维度对各所述有效分量进行拼接，生成多个目标通道并输入预设的门控循环单元；
注意力机制模块，用于通过所述门控循环单元对各所述目标通道进行预测，生成初始预测结果并输入预设的注意力机制模块；
目标预测结果模块，用于通过所述注意力机制模块对所述初始预测结果进行特征加权处理，生成目标预测结果。
8.根据权利要求7所述的波浪发电功率预测***，其特征在于，所述历史数据包括历史功率数据、历史波浪高度数据、历史波浪周期数据和历史风速数据；所述目标模态分解模型模块包括：
数据处理子模块，用于对所述历史功率数据、所述历史波浪高度数据、所述历史波浪周期数据和所述历史风速数据依次进行缺失值、异常值和无效值填补处理，生成中间历史功率数据、中间历史波浪高度数据、中间历史波浪周期数据和中间历史风速数据；
归一化子模块，用于对所述中间历史功率数据、所述中间历史波浪高度数据、所述中间历史波浪周期数据和所述中间历史风速数据分别进行归一化处理，生成更新历史功率数据、更新历史波浪高度数据、更新历史波浪周期数据和更新历史风速数据；
目标模态分解模型子模块，用于将所述更新历史功率数据、所述更新历史波浪高度数据、所述更新历史波浪周期数据和所述更新历史风速数据均输入预设的目标模态分解模型。
9.根据权利要求8所述的波浪发电功率预测***，其特征在于，所述目标模态分解模型子模块包括：
预设比例子模块，用于按照预设比例将所述更新历史功率数据、所述更新历史波浪高度数据、所述更新历史波浪周期数据和所述更新历史风速数据划分为训练集和测试集；
初始模态分解模型子模块，用于将所述训练集中的所述更新历史功率数据、所述更新历史波浪高度数据、所述更新历史波浪周期数据和所述更新历史风速数据输入预设的初始模态分解模型；
更新模态分解模型子模块，用于通过所述训练集对所述初始模态分解模型进行训练，生成更新模态分解模型；
生成目标模态分解模型子模块，用于将所述测试集中的所述更新历史功率数据、所述更新历史波浪高度数据、所述更新历史波浪周期数据和所述更新历史风速数据输入更新模态分解模型进行测试，生成目标模态分解模型；
输入目标模态分解模型子模块，用于将所述更新历史功率数据、所述更新历史波浪高度数据、所述更新历史波浪周期数据和所述更新历史风速数据输入所述目标模态分解模型。
CN202311447576.8A 2023-11-01 2023-11-01 一种波浪发电功率预测方法和*** Active CN117498320B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311447576.8A CN117498320B (zh) 2023-11-01 2023-11-01 一种波浪发电功率预测方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311447576.8A CN117498320B (zh) 2023-11-01 2023-11-01 一种波浪发电功率预测方法和***

Publications (2)

Publication Number Publication Date
CN117498320A CN117498320A (zh) 2024-02-02
CN117498320B true CN117498320B (zh) 2024-07-05

Family

ID=89682188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311447576.8A Active CN117498320B (zh) 2023-11-01 2023-11-01 一种波浪发电功率预测方法和***

Country Status (1)

Country Link
CN (1) CN117498320B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113988395A (zh) * 2021-10-21 2022-01-28 中国电建集团华东勘测设计研究院有限公司 基于SSD和双重注意力机制BiGRU的风电超短期功率预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330097A (zh) * 2021-11-26 2022-04-12 中国华能集团清洁能源技术研究院有限公司 一种异构数据与深度学习的风电集群功率预测方法及设备
CN115099461A (zh) * 2022-05-25 2022-09-23 中国计量大学 基于双分支特征提取的太阳辐射预测方法及***
US20220374681A1 (en) * 2022-07-08 2022-11-24 Zhihan Lv Method for predicting wave energy based on improved GRU
CN116704609A (zh) * 2023-06-12 2023-09-05 安徽大学 基于时序注意力的在线手卫生评估方法及***
CN116957698A (zh) * 2023-06-29 2023-10-27 内蒙古龙源新能源发展有限公司 一种基于改进时序模式注意力机制的电价预测方法
CN116826733A (zh) * 2023-06-30 2023-09-29 广东电网有限责任公司江门供电局 一种光伏功率预测方法和***

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113988395A (zh) * 2021-10-21 2022-01-28 中国电建集团华东勘测设计研究院有限公司 基于SSD和双重注意力机制BiGRU的风电超短期功率预测方法

Also Published As

Publication number Publication date
CN117498320A (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
Ghaderi et al. Deep forecast: Deep learning-based spatio-temporal forecasting
CN109102126B (zh) 一种基于深度迁移学习的理论线损率预测模型
CN110059878B (zh) 基于cnn lstm光伏发电功率预测模型及其构建方法
CN103489038A (zh) 基于lm-bp神经网络的光伏超短期功率预测方法
Jalali et al. A new ensemble reinforcement learning strategy for solar irradiance forecasting using deep optimized convolutional neural network models
CN109471049B (zh) 一种基于改进堆叠自编码器的卫星电源***异常检测方法
CN111710376B (zh) 大分子及团簇体系分块计算负载均衡方法及***
CN111242351A (zh) 基于自编码器和gru神经网络的热带气旋轨迹预测方法
CN116307291B (zh) 一种基于小波分解的分布式光伏发电预测方法及预测终端
CN104200096A (zh) 基于微分进化算法和bp神经网络的避雷器均压环优化法
CN111242355A (zh) 一种基于贝叶斯神经网络的光伏概率预测方法及***
CN116865261B (zh) 基于孪生网络的电力负荷预测方法及***
CN114169251A (zh) 一种超短期风电功率预测方法
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***
CN115860215A (zh) 一种光伏和风电发电功率预测方法及***
CN116599050A (zh) 基于自注意力机制的光伏预测方法及相关装置
CN110222816B (zh) 深度学习模型的建立方法、图像处理方法及装置
CN113344283B (zh) 基于边缘智能的能源互联网新能源消纳能力评估方法
CN114553718A (zh) 一种基于自注意力机制的网络流量矩阵预测方法
CN112183721B (zh) 一种基于自适应差分进化的组合水文预测模型的构建方法
CN117498320B (zh) 一种波浪发电功率预测方法和***
CN116307287B (zh) 一种光伏发电有效时段的预测方法、***及预测终端
CN114372634B (zh) 基于神经网络不平衡优化的短期风电功率预测方法及***
CN116106909A (zh) 一种雷达回波外推方法、***及存储介质
CN116894504A (zh) 一种风电集群功率超短期预测模型建立方法

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
GR01 Patent grant
GR01 Patent grant