【技術實現步驟摘要】
本專利技術涉及風電功率預測，具體是一種基于自適應小波分解和改進transformer的時空風電功率預測方法。
技術介紹
1、風機的發電功率受到風速、風向及時間等多種因素的影響，表現出明顯的隨機性、波動性和間歇性，增加了風力發電管理的難度，而風電功率的準確預測可以大大降低這種不確定性，在實現高風電滲透率并網、維持電力供需平衡、提高電力系統運行效率和經濟性等方面發揮著重要作用。
2、基于深度學習的方法在風電功率預測方面展現出巨大優勢，研究已經證明transformer網絡在風電功率預測任務中的可行性，其通過高度并行化的自注意機制實現了有效的序列特征學習，具有更快的訓練速度及更強的長期依賴建模能力。然而，傳統transformer網絡中采用的自注意力采用逐點點積計算注意力，不僅計算復雜度較高，同時缺乏對時間序列局部特征的良好感知，長期依賴性建模也存在局限，因此傳統transformer網絡的長期預測能力和局部特征提取能力較差，在風電功率預測任務中難以取得理想效果。同時，基于transformer的風電功率預測方法面臨著風電功率固有的非平穩性挑戰，一些研究通過歸一化、差分等平穩化方法對風電功率時序進行預處理，以消除風電功率時序的非平穩性，但是導致了過平穩化問題，使模型難以捕獲到時序中重要的趨勢、季節性等時間信息。
3、針對上述問題，本專利技術提出一種基于自適應小波分解和改進transformer的時空風電功率預測方法。
技術實現思路
1、針對現有技術的不足，本專利技
2、本專利技術解決所述技術問題采用如下的技術方案：
3、一種基于自適應小波分解和改進transformer的時空風電功率預測方法，包括以下步驟：
4、第一步：獲取目標風電場歷史時期的風電功率序列以及影響風電功率的特征序列并進行預處理，計算各個特征序列與風電功率序列的相關性，保留與風電功率相關性高的特征序列，并對風電功率序列和保留的特征序列進行歸一化處理；
5、第二步：提取風電功率序列和各個特征序列的頻域特征；
6、使用自適應多級小波分解算法對風電功率序列進行逐級分解，得到多個高頻分量和一個低頻分量；分解過程表示為：
7、
8、a0＝xorigin?(3)
9、
10、式中，dk、ak是第k級分解得到的高頻分量和低頻分量，ak-1是第k-1級分解得到的低頻分量，a0是初始低頻分量，xorigin是風電功率序列，σ(·)表示sigmoid激活函數，是第k級的低通濾波器的可學習權重矩陣和偏置，是第k級的高通濾波器的可學習權重矩陣和偏置，ε表示可學習參數，l1,l2,...,lc是低通濾波器的系數，h1,h2,...,hc是高通濾波器的系數，c是系數個數；
11、各個高頻分量和低頻分量經過頻域歸一化模塊，得到頻域歸一化的高頻分量和低頻分量；將所有頻域歸一化的高頻分量和低頻分量在特征維度上進行級聯，得到風電功率序列的頻域特征；
12、同理，得到各個特征序列的頻域特征；
13、第三步：風電功率序列和各個特征序列的頻域特征組成特征x，對特征x進行周期性嵌入和空間嵌入，得到特征xin；
14、第四步：基于transformer網絡構建風電功率預測模型，包括u-net網絡、逆傅里葉變換和預測層；將特征xin輸入到u-net網絡中進行特征提取，u-net網絡的輸出特征經過逆傅里葉變換后，再經過預測層，得到風電功率預測值；
15、所述u-net網絡包括多個時空編碼器層和時空解碼器層，各個時空編碼器層與對應的時空解碼器層進行跳躍連接；時空編碼器層和時空解碼器層均包括時空注意力塊、層歸一化和前饋神經網絡，輸入特征經過時空注意力塊后與自身進行殘差連接，殘差連接得到的特征經過層歸一化后作為前饋神經網絡的輸入特征，前饋神經網絡的輸入特征與輸出特征進行殘差連接后再經過層歸一化，得到時空編碼器層或時空解碼器層的輸出特征；
16、第五步：對風電功率預測模型進行訓練，通過反向傳播對風電功率預測模型、高通濾波器和低通濾波器的參數進行更新，得到訓練后的風電功率預測模型，將訓練后的風電功率預測模型用于風電功率的預測。
17、進一步的，在模型訓練過程中，通過平穩性校正損失函數計算訓練損失；平穩性校正損失函數l表示為：
18、l＝l1+λl2?(12)
19、
20、式中，l1為huber損失，l2為數據分布約束損失，λ、δ是超參數，y、分別為風電功率序列的真實值和預測值，r(y)、是風電功率序列的真實值y和預測值的自相關矩陣，||·||f為f范數，conv(·)是協方差計算函數；yi、yj分別表示起始時間為i時刻和j時刻的風電功率序列，i,j∈[t+1,t+δt]，t是當前時刻，δt是時間步長，μi、μj分別表示yi和yj的方差。
21、進一步的，所述時空注意力塊包括多頭自注意力單元、因果卷積自注意力單元和門控融合單元；多頭自注意力單元采用多頭自注意力提取空間特征，因果卷積自注意力單元采用因果卷積自注意力提取時間特征，門控融合單元對空間特征和時間特征進行融合，得到時空融合特征；門控融合單元的融合過程表示為：
22、xst,out＝z⊙xs+(1-z)⊙xt?(9)
23、z＝σ(xswz,1+xfwz,2+bz)?????(10)
24、式中，xst,out是時空融合特征，xs、xt分別是空間特征和時間特征，⊙表示逐元素點積，wz,1和wz,2是可學習的權重參數，bz是偏置。
25、進一步的，定義日內嵌入矩陣、日嵌入矩陣、月嵌入矩陣和空間嵌入矩陣，分別從日內嵌入矩陣、日嵌入矩陣和月嵌入矩陣提取日內嵌入特征、日嵌入特征和月嵌入特征；將特征x、日內嵌入特征、日嵌入特征、月嵌入特征和空間嵌入特征在特征維度進行級聯，得到特征xin。
26、與現有技術相比，本專利技術的有益效果是：
27、1、針對現有時空風電功率預測在處理原始時間序列數據面臨的高噪聲、高波動性和非平穩性等問題，序列的不同特征模式在時域上雜糅，僅依賴時域分析難以有效提取不同分辨率下的多種特征模式。為了解決這些問題，本專利技術對小波分解算法進行改進，在訓練過程中自適應調整小波分解系數，優化了小波分解過程，這種自適應特性使得模型在不同環境和條件下都能保持較高的預測精度。通過小波分解，將各個序列分解為低頻分量和高頻分量，能夠有效提取多級時頻特征，充分挖掘序列的特征，從而提高噪聲抵抗能力，使模型在處理高噪聲數據時更加穩健。
28、2、將頻率分解應用于時間序列并輸入transformer模型進行特征提取時會出現頻率偏差問題，導致模型主要學習序列中的低頻特征，而忽視高頻特征，使模型不均衡地關注能量較高的頻率特征，無法準確捕獲重要的高頻特征，因本文檔來自技高網...
【技術保護點】
1.一種基于自適應小波分解和改進Transformer的時空風電功率預測方法，其特征在于，該方法包括以下步驟：
2.根據權利要求1所述的基于自適應小波分解和改進Transformer的時空風電功率預測方法，其特征在于，在模型訓練過程中，通過平穩性校正損失函數計算訓練損失；平穩性校正損失函數L表示為：
3.根據權利要求1或2所述的基于自適應小波分解和改進Transformer的時空風電功率預測方法，其特征在于，所述時空注意力塊包括多頭自注意力單元、因果卷積自注意力單元和門控融合單元；多頭自注意力單元采用多頭自注意力提取空間特征，因果卷積自注意力單元采用因果卷積自注意力提取時間特征，門控融合單元對空間特征和時間特征進行融合，得到時空融合特征；門控融合單元的融合過程表示為：
4.根據權利要求1所述的基于自適應小波分解和改進Transformer的時空風電功率預測方法，其特征在于，定義日內嵌入矩陣、日嵌入矩陣、月嵌入矩陣和空間嵌入矩陣，分別從日內嵌入矩陣、日嵌入矩陣和月嵌入矩陣提取日內嵌入特征、日嵌入特征和月嵌入特征；將特征X、日內嵌入特征、日嵌入特征
...【技術特征摘要】
1.一種基于自適應小波分解和改進transformer的時空風電功率預測方法，其特征在于，該方法包括以下步驟：
2.根據權利要求1所述的基于自適應小波分解和改進transformer的時空風電功率預測方法，其特征在于，在模型訓練過程中，通過平穩性校正損失函數計算訓練損失；平穩性校正損失函數l表示為：
3.根據權利要求1或2所述的基于自適應小波分解和改進transformer的時空風電功率預測方法，其特征在于，所述時空注意力塊包括多頭自注意力單元、因果卷積自注意力單元和門控融合單元；多頭自注意力單元采...
【專利技術屬性】
技術研發人員：顧軍華，崔雨桐，張亞娟，蔣家海，郭丁瑋，于繼偉，
申請(專利權)人：河北工業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。