CN117892113B - 一种自适应vmd和双重降维注意力机制的风电功率预测方法 - Google Patents
一种自适应vmd和双重降维注意力机制的风电功率预测方法 Download PDFInfo
- Publication number
- CN117892113B CN117892113B CN202410283502.3A CN202410283502A CN117892113B CN 117892113 B CN117892113 B CN 117892113B CN 202410283502 A CN202410283502 A CN 202410283502A CN 117892113 B CN117892113 B CN 117892113B
- Authority
- CN
- China
- Prior art keywords
- dimension
- power
- matrix
- wind power
- sequence
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 97
- 230000007246 mechanism Effects 0.000 title claims abstract description 39
- 230000009977 dual effect Effects 0.000 title claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 94
- 230000009467 reduction Effects 0.000 claims abstract description 54
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 22
- 239000002245 particle Substances 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000002238 attenuated effect Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000003062 neural network model Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Classifications
-
- 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
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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
- 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
-
- 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
- H02J2300/28—The renewable source being wind energy
-
- 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)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Power Engineering (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及风电功率预测的技术领域,更具体地,涉及一种自适应VMD和双重降维注意力机制的风电功率预测方法,双重降维注意力机制可以有效的对高维风电功率数据进行降维,可实现高维风电功率数据的降维和特征提取,减少数据冗余,有助于提升风电功率的预测精度;自适应VMD算法能够将功率信号分解成更容易训练的分量,从而提高训练效率;而采用纵横交叉优化算法优化网络模型的超参数矩阵,能够解决由神经网路搭建的网络模型中可能存在的局部最优问题。本发明自适应VMD和双重降维注意力机制的风电功率预测方法,不仅具有较高的训练效率,而且可以对高维风电功率数据进行降维、解决神经网络模型的局部最优问题,从而提高风电功率的预测精度。
Description
技术领域
本发明涉及风电功率预测的技术领域,更具体地,涉及一种自适应VMD和双重降维注意力机制的风电功率预测方法。
背景技术
风能作为一种新能源,随着风力发电技术的不断发展,大容量的风电功率并网给大电网的安全稳定运行带来了挑战。因此,对风力发电输出功率进行准确预测能够提前对风电功率并网容量进行调度,减少风电并网功率的波动性,对电力***安全稳定运行具有重要意义。风电功率序列是一种随机性和波动性很强的时间序列,风电功率的大小主要由风速大小、风向、气压等气象因素影响,风电功率预测常需运用深度学习网络对风电功率精确预测以获取功率与不同风电特征之间的耦合关系。不同维度的风电特征在与风电输出功率具有不同的耦合关系,现有技术只针对风电场记录的低维度气象特征与功率之间的关系。然而,随着风电场的发展,风电场中记录的气象特征维度不断增高,较高的特征维度会造成特征冗余,若直接对高维风电特征进行训练,高维风电特征与功率之间难以拟合,预测精度较差。
发明内容
本发明的目的在于克服现有技术中无法对高维风电特征与功率之间进行拟合、预测精度差的不足,提供一种自适应VMD和双重降维注意力机制的风电功率预测方法,对高维风电特征与功率之间进行拟合,且可提高预测精度。
为解决上述技术问题,本发明采用的技术方案是:
提供一种自适应VMD和双重降维注意力机制的风电功率预测方法,包括以下步骤:
S10. 获取目标风电场的功率序列和不同高度的风速序列、温度序列和气压序列,并进行预处理;
S20. 将预处理后的功率序列以及不同高度的风速序列、温度序列和气压序列构成特征矩阵X;
S30. 构建包括主动降维层和被动降维层的双重降维注意力机制和门控循环单元网络模型;
S40. 将步骤S20中所述的特征矩阵X输入所述主动降维层进行特征筛选降维,利用平均影响值MIV降维方法挖掘出对功率影响最大的特征;
S50. 运用纵横交叉优化算法以加权包络变化率作为变分模态分解VMD的适应度函数对功率序列进行分解,将分解后的功率序列加入降维后的特征矩阵;
S60. 将包含分解后的功率序列的降维后的特征矩阵输送至步骤S30中所述的被动降维层,再次充分挖掘不同特征与功率之间的关系,并赋予权重,得到赋予权重后的特征矩阵/>;
S70. 将赋予权重后的特征矩阵输送至门控循环单元网络,门控循环单元网络充分挖掘赋予权重后的特征矩阵/>中存在的隐含关系;
S80. 预测模型采用纵横交叉优化算法优化门控循环单元网络中的超参数矩阵θ,完成预测模型的训练;
S90. 使用训练好的预测模型预测目标风电场未来时刻的功率时间序列。
本发明的自适应VMD和双重降维注意力机制的风电功率预测方法,双重降维注意力机制可以有效的对高维风电功率数据进行降维,可实现高维风电功率数据的降维和特征提取,减少数据冗余,有助于提升风电功率的预测精度;自适应VMD算法能够将功率信号分解成更容易训练的分量,从而提高训练效率;而采用纵横交叉优化算法优化网络模型的超参数矩阵,能够解决由神经网路搭建的网络模型中可能存在的局部最优问题。本发明自适应VMD和双重降维注意力机制的风电功率预测方法,不仅具有较高的训练效率,而且可以对高维风电功率数据进行降维、解决神经网络模型的局部最优问题,从而提高风电功率的预测精度。
优选地,步骤S10中,将功率序列和不同高度的风速序列、温度序列、气压序列采用min-max归一化处理,获得处理后的功率序列P、风速序列WS和温度序列Tem和气压序列Pre。
优选地,步骤S20中,X=[D1,D2,...,Dm],其中Dm表示第m个高度t-1到t-n时刻的特征构成的矩阵,特征矩阵X表示为:
式中,Pt-n表示为t-1到t-n时刻的功率,、/>和/>分别表示第m个高度t-1到t-n时刻的风速、温度和气压。
优选地,步骤S30中,双重降维注意力机制和门控循环单元网络模型还包括输入层和输出层,所述输入层和输出层的神经元数量与特征数量相等。
优选地,步骤S40包括以下步骤:
S41. 分别对每一维特征幅值增大A%得到X up,得到m个特征增强矩阵F up:
式中,表示被增强的第i列特征,/>表示第i列特征,/>表示第W列特征,;A%为10%~50%;
S42. 分别对每一维特征幅值减小A%得到X reduce,得到m个特征衰减矩阵F reduce:
S43. 将F up和F reduce分别送入门控循环单元进行训练并预测,预测样本长度为N,分别得到特征增强的预测结果Y up和特征衰减的预测结果Y reduce,将二者相减得到特征i对功率预测输出的影响值:
式中,是一个长度为N的序列;
对求平均值得到第i个特征对预测功率输出的平均影响值/>:
S44. 将影响值IV高于平均影响值的特征保留,将影响值IV低于平均影响值/>的特征剔除,得到降维后的特征矩阵/>。
优选地,步骤S50中,包络变化率的计算过程包括以下步骤:
S51. 对连续样本序列功率序列x(t)进行Hilbert变换,得到:
S52. 定义x(t)的包络为,其表达式如下式所示:
S53. 包络变化率ECR的计算方法如下所示:
式中,T为x(t)的样本长度,φ为变化率间隔,mean()函数作用是计算平均值;
S54. 针对x(t)经过变分模态分解后产生的N个子分量,对它们采用加权求和的方式得到WECR:
式中,表示/>的包络,/>表示x(t)的包络,/>表示/>的包络变化率,WECR表示所有后的功率子序列的加权包络变化率之和;
S55. 运用纵横交叉优化算法对分解参数进行寻优,最后将分解后的功率序列加入降维后的特征矩阵。
优选地,步骤S60包括以下步骤:
S61. 包含分解后功率序列的降维后的特征矩阵中第j维特征与功率之间的pearson相关系数/>如下所示:
式中,表示经过主动降维层重构后的第j维特征的平均值第i个值,/>表示功率的第i个值,/>和/>分别表示降维重构后的第j维特征的平均值和功率的平均值;
S62. 将降维后的特征组合成功率相关性矩阵R:
S63. 求解功率相关性矩阵R的平均值:
式中,表示降维后的特征维数;
S64. 以为评价指标对R进行变换得到变换矩阵num_0_w:
式中,部分称为非关键特征,/>部分称为关键特征,w为非关键特征权重,取值为(0, 1];
S65.将num_0_w作为注意力层初始权重与输入矩阵进行矩阵点乘,得到赋予权重后的特征矩阵。
优选地,步骤S70中,以赋予权重后的特征矩阵为输入,搭建两层门控循环单元网络,激活函数为tanh:
式中,、/>、/>、/>、/>、/>为权重参数矩阵,/>、/>、/>为偏置参数矩阵,/>为矩阵乘法,/>为Sigmod函数,/>为重置门,/>为更新门,/>为当前时刻隐含层的候选状态,/>为当前隐含状态,/>为前一时刻的隐含状态,/>为当前时刻的输入状态。
优选地,步骤S80中,超参数矩阵θ是由门控循环单元网络输出层的权重参数和偏置参数构成的,如下式:
。
优选地,步骤S80中,纵横交叉优化算法进行优化超参数矩阵θ的具体步骤包括:
S81. 以提高预测精度为目标,纵横交叉优化算法采用均方根误差最小为适应度函数,如下式:
式中,为适应度函数,/>为样本数量,/>和/>分别表示真实值和预测值;
S82. 参数中的父代粒子和/>随机选择第n维相互交叉;
式中,分别是/>和/>横向交叉产生的第n维子代,r1、r2和c1、c2分别为(0,1)和(-1,1)的随机数,/>为粒子/>的第n维,/>为粒子/>的第n维;
S83. 参数中的父代粒子θ(q)随机选择第v维和第k维相互交叉;
式中,是/>和/>纵向交叉产生的第v维子代,r为(0,1)的随机数,/>为粒子/>的第v维,/>为粒子/>的第k维;
S84. 根据设置的迭代次数,重复步骤S62和S63,达到预设的迭代次数时停止迭代。
与现有技术相比,本发明的有益效果是:
本发明的自适应VMD和双重降维注意力机制的风电功率预测方法,双重降维注意力机制可以有效的对高维风电功率数据进行降维,有助于提升风电功率的预测精度;自适应VMD算法能够将功率信号分解成更容易训练的分量,从而提高训练效率;而采用纵横交叉优化算法优化网络模型的超参数矩阵,能够解决由神经网路搭建的网络模型中可能存在的局部最优问题。本发明自适应VMD和双重降维注意力机制的风电功率预测方法,不仅具有较高的训练效率,而且可以对高维风电功率数据进行降维、解决神经网络模型的局部最优问题,从而提高风电功率的预测精度。
附图说明
图1为自适应VMD和双重降维注意力机制的风电功率预测方法的示意图;
图2为实施例二中包含预测值和真实值的预测效果图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。
实施例一
本实施例为自适应VMD和双重降维注意力机制的风电功率预测方法的第一实施例,首先需要获取不同高度的气象特征,再经过初步处理后,构成特征矩阵,然后采用主动降维算法对特征进行降维,得到降维后的特征矩阵,之后采用自适应VMD算法以加权包络变化率为指标对降维后特征矩阵进行分解,将分解后的特征矩阵输入预测模型,采用预测模型中的被动降维注意力机制再次对高维特征进行降维,同时挖掘特征矩阵中存在的隐含关系,之后采用纵横交叉优化算法优化门控循环单元网络中的超参数矩阵完成预测模型的训练,最后使用预测模型对风电功率进行预测。具体地,包括以下步骤:
S10. 获取目标风电场的功率序列和不同高度的风速序列、温度序列和气压序列,并进行预处理;
S20. 将预处理后的功率序列以及不同高度的风速序列、温度序列和气压序列构成特征矩阵X;
S30. 构建包括主动降维层和被动降维层的双重降维注意力机制和门控循环单元网络模型;
S40. 将步骤S20中所述的特征矩阵X输入所述主动降维层进行特征筛选降维,利用平均影响值MIV降维方法挖掘出对功率影响最大的特征;
S50. 运用纵横交叉优化算法以加权包络变化率作为变分模态分解VMD的适应度函数对功率序列进行分解,将分解后的功率序列加入降维后的特征矩阵;
S60. 将包含分解后的功率序列的降维后的特征矩阵输送至步骤S30中所述的被动降维层,再次充分挖掘不同特征与功率之间的关系,并赋予权重,得到赋予权重后的特征矩阵/>;
S70. 将赋予权重后的特征矩阵输送至门控循环单元网络,门控循环单元网络充分挖掘赋予权重后的特征矩阵/>中存在的隐含关系;
S80. 预测模型采用纵横交叉优化算法优化门控循环单元网络中的超参数矩阵θ,完成预测模型的训练;
S90. 使用训练好的预测模型预测目标风电场未来时刻的功率时间序列。
步骤S10中,将功率序列和不同高度的风速序列、温度序列、气压序列采用min-max归一化处理,获得处理后的功率序列P、风速序列WS和温度序列Tem和气压序列Pre。当然,本发明也可以采用其他常用的数据预处理方式对功率序列和不同高度的风速序列、温度序列、气压序列进行预处理。
步骤S20中,X=[D1,D2,...,Dm],其中Dm表示第m个高度t-1到t-n时刻的特征构成的矩阵,特征矩阵X表示为:
式中,Pt-n表示为t-1到t-n时刻的功率,、/>和/>分别表示第m个高度t-1到t-n时刻的风速、温度和气压。
步骤S30中,双重降维注意力机制和门控循环单元网络模型还包括输入层和输出层,所述输入层和输出层的神经元数量与特征数量相等。
步骤S40包括以下步骤:
S41. 分别对每一维特征幅值增大A%得到X up,得到m个特征增强矩阵F up:
式中,表示被增强的第i列特征,/>表示第i列特征,/>表示第W列特征;A%为10%~50%,优选为10%;
S42. 分别对每一维特征幅值减小A%得到X reduce,得到m个特征衰减矩阵F reduce:
式中,表示被衰减的第i列特征;
S43. 将F up和F reduce分别送入门控循环单元进行训练并预测,预测样本长度为N,分别得到特征增强的预测结果Y up和特征衰减的预测结果Y reduce,将二者相减得到特征i对功率预测输出的影响值:
式中,是一个长度为N的序列;
对求平均值得到第i个特征对预测功率输出的平均影响值/>:
S44. 将得到的W-1个MIV取平均值得到不同特征对预测功率输出重要性的参数:
以为特征主动降维指标,剔除MIV(i)小于/>的对应特征分量X i从而将原始风电数据重构成降维后的新风电数据,降维后的特征矩阵/>的特征数量为/>。
步骤S50中,包络变化率的计算过程包括以下步骤:
S51. 对连续样本序列功率序列x(t)进行Hilbert变换,得到:
S52. 定义x(t)的包络为,其表达式如下式所示:
S53. 包络变化率ECR的计算方法如下所示:
式中,T为x(t)的样本长度,φ为变化率间隔,mean()函数作用是计算平均值,一般取φ=1即计算相邻两个样本值的变化率,当样本长度非常长时可以适当增大φ的值以减少计算量和内存占用;
S54. 针对x(t)经过变分模态分解后产生的N个子分量,对它们采用加权求和的方式得到WECR:
式中,表示/>的包络,/>表示x(t)的包络,/>表示/>的包络变化率,WECR表示所有后的功率子序列的加权包络变化率之和;
S55. 运用纵横交叉优化算法对分解参数进行寻优,最后将分解后的功率序列加入降维后的特征矩阵。
步骤S60包括以下步骤:
S61. 包含分解后功率序列的降维后的特征矩阵中第j维特征与功率之间的pearson相关系数/>如下所示:
式中,表示经过主动降维层重构后的第j维特征的平均值第i个值,/>表示功率的第i个值,/>和/>分别表示降维重构后的第j维特征的平均值和功率的平均值;
S62. 将降维后的特征组合成功率相关性矩阵R:
S63. 求解功率相关性矩阵R的平均值:
式中,表示降维后的特征维数;
S64. 以为评价指标对R进行变换得到变换矩阵num_0_w:
式中,部分称为非关键特征,/>部分称为关键特征,w为非关键特征权重,取值为(0, 1],w值越大表明非关键特征信息保留越多,在特征维度高时一般取w=0.001达到被动降维的目的同时避免w=0导致神经元失活;
S65.将num_0_w作为注意力层初始权重与输入矩阵进行矩阵点乘,得到赋予权重后的特征矩阵。
步骤S70中,以赋予权重后的特征矩阵为输入,搭建门控循环单元网络,控循环单元网络通过内部的多个门控神经元不断的通过梯度下降的方式对特征矩阵/>中不同的特征的权重进行学习、训练、迭代,最后得到特征矩阵/>中不同特征的权重关系,实现对功率的最佳拟合。激活函数为门控循环单元网络中最后的输出层,激活函数一般是为输出改为非线性。本实施例中,搭建两层门控循环单元网络,神经元数量分别为4和8,激活函数为tanh:
式中,、/>、/>、/>、/>、/>为权重参数矩阵,/>、/>、/>为偏置参数矩阵,/>为矩阵乘法,/>为Sigmod函数,/>为重置门,/>为更新门,/>为当前时刻隐含层的候选状态,/>为当前隐含状态,/>为前一时刻的隐含状态,/>为当前时刻的输入状态。
步骤S80中,对门控循环单元网络中的神经元权重再次进行迭代优化,得到最后确定的模型。具体地,超参数矩阵θ是由门控循环单元网络输出层的权重参数和偏置参数构成的,如下式:
。
步骤S80中,纵横交叉优化算法进行优化超参数矩阵θ的具体步骤包括:
S81. 以提高预测精度为目标,纵横交叉优化算法采用均方根误差最小为适应度函数,如下式:
式中,为适应度函数,/>为样本数量,/>和/>分别表示真实值和预测值;
S82. 参数中的父代粒子和/>随机选择第n维相互交叉;
式中,分别是/>和/>横向交叉产生的第n维子代,r1、r2和c1、c2分别为(0,1)和(-1,1)的随机数,/>为粒子/>的第n维,/>为粒子/>的第n维;
S83. 参数中的父代粒子θ(q)随机选择第v维和第k维相互交叉;
式中,是/>和/>纵向交叉产生的第v维子代,r为(0,1)的随机数,/>为粒子/>的第v维,/>为粒子/>的第k维;
S84. 根据设置的迭代次数,重复步骤S62和S63,达到预设的迭代次数时停止迭代。
经过以上步骤,双重降维注意力机制可以有效的对高维风电功率数据进行降维,可实现高维风电功率数据的降维和特征提取,减少数据冗余,有助于提升风电功率的预测精度;自适应VMD算法能够将功率信号分解成更容易训练的分量,从而提高训练效率;而采用纵横交叉优化算法优化网络模型的超参数矩阵,能够解决由神经网路搭建的网络模型中可能存在的局部最优问题。本发明自适应VMD和双重降维注意力机制的风电功率预测方法,不仅具有较高的训练效率,而且可以对高维风电功率数据进行降维、解决神经网络模型的局部最优问题,从而提高风电功率的预测精度。
实施例二
本实施例为实施例一中自适应VMD和双重降维注意力机制的风电功率预测方法的应用实施例,在步骤S1中,获取某风电场实测数据,数据共有54维,包含:风电输出功率、0m处的风速、风向、温度、湿度和气压、30m, 50m, 70m, 100m, 120m, 150m, 170m, 200m,220m, 250m, 300m, 350m处的风速、风向、温度、湿度,特征共54维;
在步骤S4中,空间注意力机制的激活函数为线性整流函数ReLU,输入层与输出层的神经元数量均为4;
在步骤S6中,设置纵横交叉优化算法的种群数量为25,横向交叉率为1,纵向交叉率为0.6,迭代次数为200次;
以此将上述的数据代入实施例1中的短期风电功率预测方法进行预测,得到如图2所示的风电功率预测效果。从图2中的预测效果可以看到,本发明的短期风电功率预测方法获得的预测序列与实测序列基本一致,能够有效的提升短期风电功率预测的精度。
实施例三
本实施例为用于实施实施例一或实施例二中任一实施例所述的自适应VMD和双重降维注意力机制的风电功率预测方法的预测***的实施例,包括通讯连接的获取模块和处理模块;
所述获取模块用于获取目标风电场及邻近风电场的功率、风速、风向和温度数据,并进行初步处理,再将处理后的风电场功率、风速、风向、温度数据构成特征矩阵X进行输出到所述处理模块;
所述处理模块构建有包括空间注意力机制和门控循环单元网络的预测模型;
特征矩阵X输入到预测模型后,预测模型中的空间注意力机制挖掘不同风电场与目标风电场的空间关系,并根据挖掘到的空间关系,分别给予对应风电场相应的权重;然后将赋予权重后的特征矩阵输送至门控循环单元网络,门控循环单元网络挖掘特征矩阵中存在的隐含关系;之后预测模型采用纵横交叉优化算法优化门控循环单元网络中的超参数矩阵θ,完成预测模型的训练;最后使用训练好的预测模型,预测目标风电场的功率,获得对应风电场的功率时间序列。
其中,本***中的获取模块和处理模块可以集成在一个电路板中,也可以分离设置。
本发明的预测***,双重降维注意力机制可以有效的对高维风电功率数据进行降维,可实现高维风电功率数据的降维和特征提取,减少数据冗余,有助于提升风电功率的预测精度;自适应VMD算法能够将功率信号分解成更容易训练的分量,从而提高训练效率;而采用纵横交叉优化算法优化网络模型的超参数矩阵,能够解决由神经网路搭建的网络模型中可能存在的局部最优问题。本发明自适应VMD和双重降维注意力机制的风电功率预测方法,不仅具有较高的训练效率,而且可以对高维风电功率数据进行降维、解决神经网络模型的局部最优问题,从而提高风电功率的预测精度。
在上述具体实施方式的具体内容中,各技术特征可以进行任意不矛盾的组合,为使描述简洁,未对上述各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种自适应VMD和双重降维注意力机制的风电功率预测方法,其特征在于,包括以下步骤:
S10. 获取目标风电场的功率序列和不同高度的风速序列、温度序列和气压序列,并进行预处理;
S20. 将预处理后的功率序列以及不同高度的风速序列、温度序列和气压序列构成特征矩阵X;
S30. 构建包括主动降维层和被动降维层的双重降维注意力机制和门控循环单元网络模型;
S40. 将步骤S20中所述的特征矩阵X输入所述主动降维层进行特征筛选降维,利用平均影响值MIV降维方法挖掘出对功率影响最大的特征;
S50. 运用纵横交叉优化算法以加权包络变化率作为变分模态分解VMD的适应度函数对功率序列进行分解,将分解后的功率序列加入降维后的特征矩阵;
S60. 将包含分解后的功率序列的降维后的特征矩阵输送至步骤S30中所述的被动降维层,再次充分挖掘不同特征与功率之间的关系,并赋予权重,得到赋予权重后的特征矩阵;
S70. 将赋予权重后的特征矩阵输送至门控循环单元网络,门控循环单元网络充分挖掘赋予权重后的特征矩阵/>中存在的隐含关系;
S80. 预测模型采用纵横交叉优化算法优化门控循环单元网络中的超参数矩阵θ,完成预测模型的训练;
S90. 使用训练好的预测模型预测目标风电场未来时刻的功率时间序列;
步骤S40包括以下步骤:
S41. 分别对每一维特征幅值增大A%得到X up,得到m个特征增强矩阵:
式中,表示被增强的第i列特征,/>表示第i列特征,/>表示第W列特征;
S42. 分别对每一维特征幅值减小A%得到X reduce,得到m个特征衰减矩阵:
式中,表示被衰减的第i列特征;
S43. 将F up和F reduce分别送入门控循环单元进行训练并预测,预测样本长度为N,分别得到特征增强的预测结果Y up和特征衰减的预测结果Y reduce,将二者相减得到特征i对功率预测输出的影响值:
式中,是一个长度为N的序列;
对求平均值得到第i个特征对预测功率输出的平均影响值/>:
S44. 将影响值IV高于平均影响值的特征保留,将影响值IV低于平均影响值的特征剔除,得到降维后的特征矩阵/>;
步骤S60包括以下步骤:
S61. 包含分解后功率序列的降维后的特征矩阵中第j维特征与功率之间的pearson相关系数/>如下所示:
式中,表示经过主动降维层重构后的第j维特征的平均值第i个值,/>表示功率的第i个值,/>和/>分别表示降维重构后的第j维特征的平均值和功率的平均值;
S62. 将降维后的特征组合成功率相关性矩阵R:
S63. 求解功率相关性矩阵R的平均值:
式中,表示降维后的特征维数;
S64. 以为评价指标对R进行变换得到变换矩阵num_0_w:
式中,部分称为非关键特征,/>部分称为关键特征,w为非关键特征权重,取值为(0, 1];
S65.将num_0_w作为注意力层初始权重与输入矩阵进行矩阵点乘,得到赋予权重后的特征矩阵;
步骤S70中,以赋予权重后的特征矩阵为输入,搭建两层门控循环单元网络,激活函数为tanh:
式中,、/>、/>、/>、/>、/>为权重参数矩阵,/>、/>、/>为偏置参数矩阵,/>为矩阵乘法,/>为Sigmod函数,/>为重置门,/>为更新门,/>为当前时刻隐含层的候选状态,/>为当前隐含状态,/>为前一时刻的隐含状态,/>为当前时刻的输入状态;
步骤S80中,超参数矩阵θ是由门控循环单元网络输出层的权重参数和偏置参数构成的,如下式:
。
2.根据权利要求1所述的自适应VMD和双重降维注意力机制的风电功率预测方法,其特征在于,步骤S10中,将功率序列和不同高度的风速序列、温度序列、气压序列采用min-max归一化处理,获得处理后的功率序列P、风速序列WS和温度序列Tem和气压序列Pre。
3.根据权利要求2所述的自适应VMD和双重降维注意力机制的风电功率预测方法,其特征在于,步骤S20中,X=[D1,D2,...,Dm],其中Dm表示第m个高度t-1到t-n时刻的特征构成的矩阵,特征矩阵X表示为:
式中,Pt-n表示为t-1到t-n时刻的功率,、/>和/>分别表示第m个高度t-1到t-n时刻的风速、温度和气压。
4.根据权利要求1所述的自适应VMD和双重降维注意力机制的风电功率预测方法,其特征在于,步骤S30中,双重降维注意力机制和门控循环单元网络模型还包括输入层和输出层,所述输入层和输出层的神经元数量与特征数量相等。
5.根据权利要求1所述的自适应VMD和双重降维注意力机制的风电功率预测方法,其特征在于,步骤S41中,A%为10%~50%。
6.根据权利要求1所述的自适应VMD和双重降维注意力机制的风电功率预测方法,其特征在于,步骤S50按以下步骤进行:
S51. 对连续样本序列功率序列x(t)进行Hilbert变换,得到:
S52. 定义x(t)的包络为,其表达式如下式所示:
S53. 包络变化率ECR的计算方法如下所示:
式中,T为x(t)的样本长度,φ为变化率间隔,mean()函数作用是计算平均值;
S54. 针对x(t)经过变分模态分解后产生的N个子分量,对它们采用加权求和的方式得到WECR:
式中, 表示/>的包络,/>表示x(t)的包络,/>表示/>的包络变化率,WECR表示所有后的功率子序列的加权包络变化率之和;
S55. 运用纵横交叉优化算法对分解参数进行寻优,最后将分解后的功率序列加入降维后的特征矩阵。
7.根据权利要求1所述的自适应VMD和双重降维注意力机制的风电功率预测方法,其特征在于,步骤S80中,纵横交叉优化算法进行优化超参数矩阵θ的具体步骤包括:
S81. 以提高预测精度为目标,纵横交叉优化算法采用均方根误差最小为适应度函数,如下式:
式中,为适应度函数,/>为样本数量,/>和/>分别表示真实值和预测值;
S82. 参数中的父代粒子和/>随机选择第n维相互交叉;
式中,分别是/>和/>横向交叉产生的第n维子代,r1、r2和c1、c2分别为(0,1)和(-1,1)的随机数,/>为粒子/>的第n维,/>为粒子/>的第n维;
S83. 参数中的父代粒子θ(q)随机选择第v维和第k维相互交叉;
式中,是/>和/>纵向交叉产生的第v维子代,r为(0,1)的随机数,为粒子/>的第v维,/>为粒子/>的第k维;
S84. 根据设置的迭代次数,重复步骤S62和S63,达到预设的迭代次数时停止迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410283502.3A CN117892113B (zh) | 2024-03-13 | 2024-03-13 | 一种自适应vmd和双重降维注意力机制的风电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410283502.3A CN117892113B (zh) | 2024-03-13 | 2024-03-13 | 一种自适应vmd和双重降维注意力机制的风电功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117892113A CN117892113A (zh) | 2024-04-16 |
CN117892113B true CN117892113B (zh) | 2024-06-11 |
Family
ID=90645066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410283502.3A Active CN117892113B (zh) | 2024-03-13 | 2024-03-13 | 一种自适应vmd和双重降维注意力机制的风电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117892113B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113193556A (zh) * | 2021-05-12 | 2021-07-30 | 燕山大学 | 基于概率预测模型的短期风电功率预测方法 |
CN113642767A (zh) * | 2021-07-09 | 2021-11-12 | 武汉科技大学 | 一种基于mi-vmd-da-edlstm-vec的多维特征组合预测方法 |
CN114169251A (zh) * | 2021-12-27 | 2022-03-11 | 广东工业大学 | 一种超短期风电功率预测方法 |
CN114429078A (zh) * | 2021-12-22 | 2022-05-03 | 广东工业大学 | 一种短期风电功率预测方法及*** |
CN115630726A (zh) * | 2022-09-01 | 2023-01-20 | 华能江苏综合能源服务有限公司 | 基于vmd-bilstm神经网络融合注意力机制的屋顶光伏功率预测方法 |
CN115907120A (zh) * | 2022-11-11 | 2023-04-04 | 盐城工学院 | 一种基于注意力机制的vmd-cnn-lstm短期风电功率预测方法 |
WO2023123593A1 (zh) * | 2021-12-30 | 2023-07-06 | 浙大城市学院 | 基于变分模态分解和残差网络的航空轴承故障诊断方法 |
CN116960978A (zh) * | 2023-07-31 | 2023-10-27 | 河海大学 | 基于风速-功率组合分解重构的海上风电功率预测方法 |
-
2024
- 2024-03-13 CN CN202410283502.3A patent/CN117892113B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113193556A (zh) * | 2021-05-12 | 2021-07-30 | 燕山大学 | 基于概率预测模型的短期风电功率预测方法 |
CN113642767A (zh) * | 2021-07-09 | 2021-11-12 | 武汉科技大学 | 一种基于mi-vmd-da-edlstm-vec的多维特征组合预测方法 |
CN114429078A (zh) * | 2021-12-22 | 2022-05-03 | 广东工业大学 | 一种短期风电功率预测方法及*** |
CN114169251A (zh) * | 2021-12-27 | 2022-03-11 | 广东工业大学 | 一种超短期风电功率预测方法 |
WO2023123593A1 (zh) * | 2021-12-30 | 2023-07-06 | 浙大城市学院 | 基于变分模态分解和残差网络的航空轴承故障诊断方法 |
CN115630726A (zh) * | 2022-09-01 | 2023-01-20 | 华能江苏综合能源服务有限公司 | 基于vmd-bilstm神经网络融合注意力机制的屋顶光伏功率预测方法 |
CN115907120A (zh) * | 2022-11-11 | 2023-04-04 | 盐城工学院 | 一种基于注意力机制的vmd-cnn-lstm短期风电功率预测方法 |
CN116960978A (zh) * | 2023-07-31 | 2023-10-27 | 河海大学 | 基于风速-功率组合分解重构的海上风电功率预测方法 |
Non-Patent Citations (2)
Title |
---|
基于VMD-SE-IPSO-BNN的超短期风电功率预测;殷豪;董朕;孟安波;;电测与仪表;20180125(02);全文 * |
数据降维和特征分析的GOA-LSSVM短期负荷预测;邹仕富;李嘉周;毛启均;宋明军;;实验室研究与探索;20191115(11);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117892113A (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian | Modes decomposition forecasting approach for ultra-short-term wind speed | |
CN111027772B (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
CN112116162B (zh) | 基于ceemdan-qfoa-lstm的输电线覆冰厚度预测方法 | |
CN114429078B (zh) | 一种短期风电功率预测方法及*** | |
CN111091233A (zh) | 一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法 | |
CN111401755B (zh) | 基于马尔科夫链的多新能源出力场景生成方法、装置及*** | |
CN112232561A (zh) | 基于约束并行lstm分位数回归的电力负荷概率预测方法 | |
CN114298140A (zh) | 一种考虑机组分类的风电短期功率预测校正方法 | |
CN115115125A (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
CN111506868B (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
CN116702937A (zh) | 一种基于K-means均值聚类及优化BP神经网络的光伏出力日前预测方法 | |
CN115409369A (zh) | 基于机理和数据混合驱动的综合能源***可靠性评估方法 | |
CN116960978A (zh) | 基于风速-功率组合分解重构的海上风电功率预测方法 | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及*** | |
Wibawa et al. | Long Short-Term Memory to Predict Unique Visitors of an Electronic Journal | |
CN117892113B (zh) | 一种自适应vmd和双重降维注意力机制的风电功率预测方法 | |
CN110738363A (zh) | 一种光伏发电功率预测模型及其构建方法和应用 | |
CN117151770A (zh) | 一种基于注意力机制的lstm碳价预测方法和*** | |
CN116646927A (zh) | 一种基于分段滤波与纵横聚类的风电功率预测方法 | |
Chen et al. | Interval prediction of photovoltaic power using improved NARX network and density peak clustering based on kernel mahalanobis distance | |
CN115936062A (zh) | 基于场景生成与深度学习的光伏功率日前区间预测方法 | |
CN115713144A (zh) | 基于组合cgru模型的短期风速多步预测方法 | |
CN114897260A (zh) | 基于lstm神经网络的短期风速预测模型建模方法及预测方法 | |
CN115577845A (zh) | 一种基于bilstm-mdn的传输线路动态热定值概率预测方法 | |
CN114971022A (zh) | 基于D-value-LSTM神经网络模型的风电功率预测方法 |
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 |