CN112990553A - 使用自注意机制和双线性融合的风电超短期功率预测方法 - Google Patents
使用自注意机制和双线性融合的风电超短期功率预测方法 Download PDFInfo
- Publication number
- CN112990553A CN112990553A CN202110199424.5A CN202110199424A CN112990553A CN 112990553 A CN112990553 A CN 112990553A CN 202110199424 A CN202110199424 A CN 202110199424A CN 112990553 A CN112990553 A CN 112990553A
- Authority
- CN
- China
- Prior art keywords
- data
- attention mechanism
- power
- nwp
- wind
- 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.)
- Granted
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 62
- 230000004927 fusion Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000010606 normalization Methods 0.000 claims abstract description 19
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 238000010248 power generation Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 7
- 238000011160 research Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
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
- 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
-
- 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
- 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
- H02J3/38—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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Power Engineering (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种使用自注意机制和双线性融合的风电超短期功率预测方法,具有NWP数据处理支路和历史功率数据处理支路,其中:NWP数据处理支路,包括:获取NWP数据;对NWP数据进行数据归一化操作;将NWP数据中的风速风向输入GRU网络模型学习风速风向的时序特征,使用注意力机制实现对时间序列的自动化关注;历史功率数据处理支路,包括:获取历史功率数据;对历史功率数据进行数据补缺、数据清洗和数据归一化操作;将历史功率数据输入GRU网络模型学习功率数据的时序特征,使用注意力机制实现对时间序列的自动化关注;根据双线性信息融合框架将NWP数据处理和历史功率数据处理两条支路的信息进行融合,再经过全连接层进行超短期风力发电的预测。
Description
技术领域
本发明涉及一种使用自注意机制和双线性融合的风电超短期功率预测方法。适用于风力发电功率预测领域。
背景技术
国外在风电场功率预测领域有近20年的历史,较为成熟的研究有丹麦Ris国家实验室开发的Prediktor、丹麦技术大学的WPPT(Wind Power Prediction Tool)、德国OlenBurg大学研发的Previent等等。我国在风电场功率预测领域的研究取得了一定的成果,成果多集中在统计模型算法的研究。
国内外使用深度学习技术进行风电功率预测研究的非常少,此类研究处正于起步阶段。现有的研究集中于采用深度学习算法预测风速的研究,少部分研究关注了风电功率的预测。
H.Z.Wang等人提出使用深度信念网络来预测短期风速,先将风速进行小波分解,再建立四层的深度信念网络来学习分解后的数据,最后将网络输出数据进行网络重构得到预测风速,该模型在实例中取得了较高的精度。Qinghua Hu等人则在风速数据丰富的风电场训练基于深度学习的风速预测模型,然后利用迁移学习算法将训练好的风速预测网络迁移至风速数据较少的风电场,风速数据较少的风电场使用迁移网络再经过少量数据训练后能得到较高精度的风速预测模型。
总体而言,现阶段还未形成系统化的功率预测大数据分析方法,缺乏建模数据、模型结构、建模思路、模型适应性等多方面的分析。并且目前深度学习模型用于风电功率预测系统都是确定性系统,模型无法展示预测结果的可信程度。在实际使用中,模型预测无法做到较高的准确性,在预测错误的时候,盲目信任预测结果可能对发电机造成严重伤害。
风电功率预测方法是影响预测的准确率的关键因素,当前的传统风功率预测方法主要有基于统计的方法,基于物理建模的方法以及基于人工智能技术的方法。但单一技术难以实现高精度预测,无法充分挖掘出未来风电出力与各因素之间关系,加之噪声数据影响,使得超短期风功率预测成为多变量高度非线性的复杂问题。
发明内容
本发明要解决的技术问题是:针对上述存在的问题,提供一种使用自注意机制和双线性融合的风电超短期功率预测方法。
本发明所采用的技术方案是:一种使用自注意机制和双线性融合的风电超短期功率预测方法,其特征在于,具有NWP数据处理支路和历史功率数据处理支路,其中:
NWP数据处理支路,包括:
获取NWP数据;
对NWP数据进行数据归一化操作;
将NWP数据中的风速风向输入GRU网络模型学习风速风向的时序特征,使用注意力机制实现对时间序列的自动化关注;
历史功率数据处理支路,包括:
获取历史功率数据;
对历史功率数据进行数据补缺、数据清洗和数据归一化操作;
将历史功率数据输入GRU网络模型学习功率数据的时序特征,使用注意力机制实现对时间序列的自动化关注;
根据双线性信息融合框架将NWP数据处理和历史功率数据处理两条支路的信息进行融合,再经过全连接层进行超短期风力发电的预测。
所述注意力机制使用的是通道注意力机制。
通道注意力机制中C为4,H为64,W为1。
所述信息融合将两个分支的信息特征进行外积,先将其中一个分支的信息特质进行转置,再进行叉乘求外积;然后对外积结果求平方根,最后经过全连接层完成整个信息融合。
一种使用自注意机制和双线性融合的风电超短期功率预测装置,其特征在于,具有NWP数据处理支路模块、历史功率数据处理支路模块和信息融合模块;
所述NWP数据处理支路模块,包括:
NWP数据获取模块,用于获取NWP数据;
NWP数据预处理模块,用于对NWP数据进行数据归一化操作;
风速风向时序特征提取模块,用于将NWP数据中的风速风向输入GRU网络模型学习风速风向的时序特征,使用注意力机制实现对时间序列的自动化关注;
所述历史功率数据处理支路模块,包括:
历史功率数据获取模块,用于获取历史功率数据;
历史功率数据预处理模块,用于对历史功率数据进行数据补缺、数据清洗和数据归一化操作;
功率数据时序特征提取模块,用于将历史功率数据输入GRU网络模型学习功率数据的时序特征,使用注意力机制实现对时间序列的自动化关注;
所述信息融合模块,用于根据双线性信息融合框架将NWP数据处理和历史功率数据处理两条支路的信息进行融合,再经过全连接层进行超短期风力发电的预测。
所述注意力机制使用的是通道注意力机制。
通道注意力机制中C为4,H为64,W为1。
所述信息融合将两个分支的信息特征进行外积,先将其中一个分支的信息特质进行转置,再进行叉乘求外积;然后对外积结果求平方根,最后经过全连接层完成整个信息融合。
一种存储介质,其上存储有可供处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现所述使用自注意机制和双线性融合的风电超短期功率预测方法的步骤。
一种电子设备,具有存储器和处理器,存储器上存储有可供处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现所述使用自注意机制和双线性融合的风电超短期功率预测方法的步骤。
本发明的有益效果是:本发明具有NWP数据处理支路和历史功率数据处理支路,分别使用NWP数据和历史功率数据数作为输入,并对数据进行了数据清洗和归一化操作,为模型的训练学习减小了误差;在训练模型选择上,使用了技术成熟的GRU,其是LSTM网络的一种变体,比LSTM的结构更加简单,同时处理时序信息时效果也更加好,该网络可以很好地提取数据的时序和统计特征;在对时序信息的选取上,使用通道注意力机制对信息实现自动化关注,通过学习决定时序数据中对最终输出的影响权重。本发明最后对两个分支输出的特征进行双线性信息融合,提高模型的精度和鲁棒性。
附图说明
图1为实施例的整体框图。
图2为实施例中信息融合框图。
图3为实施例中通道注意力机制框图。
具体实施方式
本实施例为一种使用自注意机制和双线性融合的风电超短期功率预测方法,包括可同时或先后进行的NWP数据处理支路和历史功率数据处理支路,以及最后进行的信息融合步骤。
本例中NWP数据处理支路包括以下步骤:
S1、获取NWP数据;
S2、数据预处理操作,为了避免数据的剧烈变化对网络训练造成重大干扰,本实施例对NWP数据作数据的归一化操作;
S3、对预处理后NWP数据的风速风向进行训练,此步骤使用GRU网络来作为模型,希望可以提取出风速风向的时序特征。GRU网络是循环神经网络(Recurrent NeuralNetwork,RNN)的一种,和LSTM(Long-Short Term Memory)一样,也是为了解决长期记忆和反向传播中的梯度等问题而提出来的。
本实施例使用的GRU网络参数如表一所示,其输入为连续4个时刻的功率预测特征,两个GRU模块和一个全连接层构成,最终经过降维和全连接层后输出为100*16。
表一提取时序特征的GRU参数
输入尺寸 | |
GRU1 | 100×4×1 |
GRU2 | 100×4×64 |
全连接层 | 100×4×64 |
使用的GRU模型内部都嵌入了一个注意力(attention)机制,并且会有一个降维的操作,将维度降至二维,以方便后续的信息融合。
S4、加入自注意力机制,使用的是通道注意力机制,其中C为4,H为64,W为1。将输入的A经过维数转换和经过转置后的A进行相乘,之后再使用softmax函数进行处理,得到X矩阵(C×C)。此处的X其实实质上就是一个实现自动化关注的权重,将其与经过维数转换后的A进行相乘,便得到了经过注意力加权的输出;最后经过维数转换后再与原始的A进行相加,得到最终的输出E。
本实施例中输入是一个四维的特征量,尺寸为100×4×64×1,先对其进行尺寸的重新调整,将其调整到100×4×64,再将其维度进行换位,得到100×64×4,将换位前后的信息进行张量的相乘,再经过softmax之后得到一个权值,这个权值便是注意力机制所得出的权值。最后再将该权值与原信息作张量的相乘,便可以实现对时间序列的自动化关注,将网络的学习重心有效地放到风速风向的时间序列中更为重要的信息上。经过注意力机制之后的信息的尺寸为100×4×64×1。
本例中历史功率数据处理支路包括以下步骤:
S1、获取历史功率数据;
S2、数据预处理操作,为了避免数据的剧烈变化对网络训练造成重大干扰,本实施例对历史功率数据作了数据的归一化操作。
同时,由于历史功率数据存在不少异常值以及数据缺失的问题,因此需要对历史功率数据进行数据清洗等预处理,主要包括数据补缺、异常数据处理和数据归一化:将风电功率值小于零的用零值代替,并把空缺值使用与其相似的数据样本的均值取代;然后对初始的风电数据中的异常数据进行去除校正,例如远偏离于均值的数据;最后利用“线性归一化”法,对历史功率数据进行归一化处理,以避免给之后的训练带来过大的波动。
S3、对预处理后历史功率数据进行训练,此步骤使用与NWP数据处理支路相同的GRU网络模型,期望可以从历史功率数据中提取出有效的时间序列,GRU网络参数也如表一所示。
使用的GRU模型内部都嵌入了一个注意力(attention)机制,并且会有一个降维的操作,将维度降至二维,以方便后续的信息融合。
S4、加入自注意力机制,使用的是通道注意力机制,其输入是一个四维的特征量,尺寸为100×4×64×1,先对其进行尺寸的重新调整,将其调整到100×4×64,再将其维度进行换位,得到100×64×4,将换位前后的信息进行张量的相乘,再经过softmax之后得到一个权值,这个权值便是注意力机制所得出的权值。最后再将该权值与原信息作张量的相乘,便可以实现对时间序列的自动化关注,将网络的学习重心有效地放到风速风向的时间序列中更为重要的信息上。经过注意力机制之后的信息的尺寸为100×4×64×1。
本实施例中信息融合根据双线性信息融合框架将NWP数据处理和历史功率数据处理两条支路的信息进行融合,再使用全连接网络进行降维,最终得到所需的超短期风电预测模型,具体包括:
首先将风速风向和历史功率两个分支提取的100*16的特征矩阵进行数据连接,生成一个100*32的组合矩阵,对该组合矩阵进行外积,得到一个100×32×32的张量,之后再将其尺寸重整为100×1024,然后进行去二次方的操作,之后再进行归一化,最后通过全连接层将其维度从1024降至1,网络整体输出的尺寸为100×1,100为训练的batch size。
本实施例还提供一种使用自注意机制和双线性融合的风电超短期功率预测装置,具有NWP数据处理支路模块、历史功率数据处理支路模块和信息融合模块。
本例中NWP数据处理支路模块包括:NWP数据获取模块、NWP数据预处理模块和风速风向时序特征提取模块,其中NWP数据获取模块用于获取NWP数据;NWP数据预处理模块用于对NWP数据进行数据归一化操作;风速风向时序特征提取模块用于将NWP数据中的风速风向输入GRU网络模型学习风速风向的时序特征,使用注意力机制实现对时间序列的自动化关注。
本实施例中历史功率数据处理支路模块包括:历史功率数据获取模块、历史功率数据预处理模块和功率数据时序特征提取模块,其中历史功率数据获取模块用于获取历史功率数据;历史功率数据预处理模块用于对历史功率数据进行数据补缺、数据清洗和数据归一化操作;功率数据时序特征提取模块用于将历史功率数据输入GRU网络模型学习功率数据的时序特征,使用注意力机制实现对时间序列的自动化关注。
本实施例中信息融合模块用于根据双线性信息融合框架将NWP数据处理和历史功率数据处理两条支路的信息进行融合,再经过全连接层进行超短期风力发电的预测。
本实施例还提供一种存储介质,其上存储有可供处理器执行的计算机程序,该计算机程序被执行时实现本实施例中使用自注意机制和双线性融合的风电超短期功率预测方法的步骤。
本实施例还提供一种电子设备,具有存储器和处理器,存储器上存储有可供处理器执行的计算机程序,该计算机程序被执行时实现本实施例中使用自注意机制和双线性融合的风电超短期功率预测方法的步骤。
Claims (10)
1.一种使用自注意机制和双线性融合的风电超短期功率预测方法,其特征在于,具有NWP数据处理支路和历史功率数据处理支路,其中:
NWP数据处理支路,包括:
获取NWP数据;
对NWP数据进行数据归一化操作;
将NWP数据中的风速风向输入GRU网络模型学习风速风向的时序特征,使用注意力机制实现对时间序列的自动化关注;
历史功率数据处理支路,包括:
获取历史功率数据;
对历史功率数据进行数据补缺、数据清洗和数据归一化操作;
将历史功率数据输入GRU网络模型学习功率数据的时序特征,使用注意力机制实现对时间序列的自动化关注;
根据双线性信息融合框架将NWP数据处理和历史功率数据处理两条支路的信息进行融合,再经过全连接层进行超短期风力发电的预测。
2.根据权利要求1所述的使用自注意机制和双线性融合的风电超短期功率预测方法,其特征在于:所述注意力机制使用的是通道注意力机制。
3.根据权利要求2所述的使用自注意机制和双线性融合的风电超短期功率预测方法,其特征在于:通道注意力机制中C为4,H为64,W为1。
4.根据权利要求1所述的使用自注意机制和双线性融合的风电超短期功率预测方法,其特征在于:所述信息融合将两个分支的信息特征进行外积,先将其中一个分支的信息特质进行转置,再进行叉乘求外积;然后对外积结果求平方根,最后经过全连接层完成整个信息融合。
5.一种使用自注意机制和双线性融合的风电超短期功率预测装置,其特征在于,具有NWP数据处理支路模块、历史功率数据处理支路模块和信息融合模块;
所述NWP数据处理支路模块,包括:
NWP数据获取模块,用于获取NWP数据;
NWP数据预处理模块,用于对NWP数据进行数据归一化操作;
风速风向时序特征提取模块,用于将NWP数据中的风速风向输入GRU网络模型学习风速风向的时序特征,使用注意力机制实现对时间序列的自动化关注;
所述历史功率数据处理支路模块,包括:
历史功率数据获取模块,用于获取历史功率数据;
历史功率数据预处理模块,用于对历史功率数据进行数据补缺、数据清洗和数据归一化操作;
功率数据时序特征提取模块,用于将历史功率数据输入GRU网络模型学习功率数据的时序特征,使用注意力机制实现对时间序列的自动化关注;
所述信息融合模块,用于根据双线性信息融合框架将NWP数据处理和历史功率数据处理两条支路的信息进行融合,再经过全连接层进行超短期风力发电的预测。
6.根据权利要求5所述的使用自注意机制和双线性融合的风电超短期功率预测装置,其特征在于:所述注意力机制使用的是通道注意力机制。
7.根据权利要求6所述的使用自注意机制和双线性融合的风电超短期功率预测装置,其特征在于:通道注意力机制中C为4,H为64,W为1。
8.根据权利要求5所述的使用自注意机制和双线性融合的风电超短期功率预测装置,其特征在于:所述信息融合将两个分支的信息特征进行外积,先将其中一个分支的信息特质进行转置,再进行叉乘求外积;然后对外积结果求平方根,最后经过全连接层完成整个信息融合。
9.一种存储介质,其上存储有可供处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现权利要求1~4任意一项所述使用自注意机制和双线性融合的风电超短期功率预测方法的步骤。
10.一种电子设备,具有存储器和处理器,存储器上存储有可供处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现权利要求1~4任意一项所述使用自注意机制和双线性融合的风电超短期功率预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110199424.5A CN112990553B (zh) | 2021-02-23 | 2021-02-23 | 使用自注意机制和双线性融合的风电超短期功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110199424.5A CN112990553B (zh) | 2021-02-23 | 2021-02-23 | 使用自注意机制和双线性融合的风电超短期功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112990553A true CN112990553A (zh) | 2021-06-18 |
CN112990553B CN112990553B (zh) | 2023-11-14 |
Family
ID=76349504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110199424.5A Active CN112990553B (zh) | 2021-02-23 | 2021-02-23 | 使用自注意机制和双线性融合的风电超短期功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990553B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379142A (zh) * | 2021-06-23 | 2021-09-10 | 西安理工大学 | 一种基于风速修正和融合模型的短期风电功率预测方法 |
CN113964825A (zh) * | 2021-10-21 | 2022-01-21 | 中国电建集团华东勘测设计研究院有限公司 | 基于二次分解和BiGRU的超短期风电功率预测方法 |
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 |
CN113988394A (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 | 基于格拉姆矩阵和卷积神经网络的风电超短期功率预测方法 |
CN117893362A (zh) * | 2024-03-18 | 2024-04-16 | 广东工业大学 | 一种多时空尺度的海上风电特征筛选及增强的功率预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108448610A (zh) * | 2018-03-12 | 2018-08-24 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
CN109802430A (zh) * | 2018-12-29 | 2019-05-24 | 上海电力学院 | 一种基于LSTM-Attention网络的风电电网控制方法 |
CN110334870A (zh) * | 2019-07-09 | 2019-10-15 | 福州大学 | 基于门控循环单元网络的光伏电站短期功率预测方法 |
CN111160621A (zh) * | 2019-12-06 | 2020-05-15 | 江苏方天电力技术有限公司 | 一种融合多源信息的短期风电功率预测方法 |
CN112036658A (zh) * | 2020-09-09 | 2020-12-04 | 华东交通大学 | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 |
-
2021
- 2021-02-23 CN CN202110199424.5A patent/CN112990553B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108448610A (zh) * | 2018-03-12 | 2018-08-24 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
CN109802430A (zh) * | 2018-12-29 | 2019-05-24 | 上海电力学院 | 一种基于LSTM-Attention网络的风电电网控制方法 |
CN110334870A (zh) * | 2019-07-09 | 2019-10-15 | 福州大学 | 基于门控循环单元网络的光伏电站短期功率预测方法 |
CN111160621A (zh) * | 2019-12-06 | 2020-05-15 | 江苏方天电力技术有限公司 | 一种融合多源信息的短期风电功率预测方法 |
CN112036658A (zh) * | 2020-09-09 | 2020-12-04 | 华东交通大学 | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 |
Non-Patent Citations (2)
Title |
---|
杨茂 等: ""基于多位置 NWP 和门控循环单元的风电功率超短期预测"", 《电力系统自动化》 * |
赏益;高志球;韩威;: "基于RF和GRU组合算法的超短期风电功率预测", 中国科技论文, no. 09 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379142A (zh) * | 2021-06-23 | 2021-09-10 | 西安理工大学 | 一种基于风速修正和融合模型的短期风电功率预测方法 |
CN113379142B (zh) * | 2021-06-23 | 2023-08-15 | 西安理工大学 | 一种基于风速修正和融合模型的短期风电功率预测方法 |
CN113964825A (zh) * | 2021-10-21 | 2022-01-21 | 中国电建集团华东勘测设计研究院有限公司 | 基于二次分解和BiGRU的超短期风电功率预测方法 |
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 |
CN113988394A (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 | 基于格拉姆矩阵和卷积神经网络的风电超短期功率预测方法 |
CN117893362A (zh) * | 2024-03-18 | 2024-04-16 | 广东工业大学 | 一种多时空尺度的海上风电特征筛选及增强的功率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112990553B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112990553A (zh) | 使用自注意机制和双线性融合的风电超短期功率预测方法 | |
CN112149316B (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
CN110212528B (zh) | 一种配电网量测数据缺失重构方法 | |
CN111582551B (zh) | 风电场短期风速预测方法、系统及电子设备 | |
CN112836434A (zh) | 融合时序特征和统计特征的风电超短期功率预测方法 | |
CN114239718B (zh) | 基于多元时序数据分析的高精度长期时间序列预测方法 | |
CN112116130B (zh) | 一种基于可变结构深度学习框架的短期调度规则提取方法 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
CN112669168A (zh) | 一种风电功率短期预测方法 | |
CN114091615A (zh) | 一种基于生成对抗网络的电能计量数据补全方法和系统 | |
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系统 | |
CN116599050A (zh) | 基于自注意力机制的光伏预测方法及相关装置 | |
CN115983494A (zh) | 一种新建小样本风电场的短期风电功率预测方法及系统 | |
CN113361782B (zh) | 基于改进mkpls的光伏发电功率短期滚动预测方法 | |
CN117424229A (zh) | 基于低风速功率修正的超短期风电功率预测方法及系统 | |
CN117033987A (zh) | 一种基于小波的风电场发电功率效率预测方法 | |
CN113537573B (zh) | 基于双重时空特征提取的风电功率运行趋势预测方法 | |
CN114819382B (zh) | 一种基于lstm的光伏功率预测方法 | |
CN116070768A (zh) | 一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法 | |
CN107563573B (zh) | 一种基于自适应学习混合模型的太阳能发电量的预测方法 | |
CN116739130A (zh) | TCN-BiLSTM网络的多时间尺度负荷预测方法 | |
CN109840629B (zh) | 基于小波变换-树突状神经元模型的光伏功率预测方法 | |
Jianli et al. | Wind power forecasting by using artificial neural networks and Grubbs criterion | |
CN110829434A (zh) | 一种提高深度神经网络潮流模型扩展性的方法 |
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 |