CN116822743A - 一种基于两阶段分解重构与误差校正的风电功率预测方法 - Google Patents

Abstract

本发明公开了一种基于两阶段分解重构与误差校正的风电功率预测方法，包括以下内容：获取风电功率数据并进行处理，并对处理过的风电功率序列进行群稀疏模态分解，得到不同分量，利用改进的MGA算法优化Flowformer模型参数，然后每个分量训练一个Flowformer模型，得到每个分量预测值，将所有分量相加得到风电功率初步预测值；将风电功率初步预测值与真实值做差获得误差序列；对误差序列进行相同的分解、预测操作得到风电功率误差预测值，则最终的预测结果为风电功率初步预测值与风电功率误差预测值之和。与现有技术相比，本发明实现了风电功率预测结果的修正，使预测结果更加准确。

Description

一种基于两阶段分解重构与误差校正的风电功率预测方法

技术领域

本发明涉及风电功率预测领域，尤其涉及一种基于两阶段分解重构与误差校正的风电功率预测方法。

背景技术

由于化石能源受资源储量和环境问题等制约，开发利用可再生能源已成为全球能源发展的必然趋势。风力发电作为一个具有广阔前景的清洁能源，总装机容量近几年成倍增加。风力发电的随机性和波动性严重阻碍了电网安全可靠的运行。预测结果的不准确也会给电网调度造成影响，对电力系统的安全运行造成危害。因此，建立一个准确的风电功率预测模型是解决问题的有效方法。

预测的方法主要有物理方法、统计方法和基于机器学习的预测方法。物理方法需要结合相关天气因素数据、风电场及其周围的地形因素和现场采集得到的数据，建模难度高、计算量巨大且不能实现实时预测。统计方法通过历史天气数据和风电场的历史功率数据之间潜在的映射关系，但由于风电序列的非线性使得统计方法预测存在较大偏差，难以满足风电预测的精度要求。

而风电功率序列具有非平稳性，噪声很强的特点，需要在数据处理方面进一步优化。

发明内容

发明目的：针对背景技术中指出的问题，本发明提出了一种基于两阶段分解重构与误差校正的风电功率预测方法，通过GSDM-Flowformer-误差修正预测模型的建立来提高风电功率的预测精度。

技术方案：本发明公开了一种基于两阶段分解重构与误差校正的风电功率预测方法，包括以下步骤：

步骤1：预先获取风电场的风电功率序列，对数据进行预处理，并划分训练集和测试集；

步骤2：对风电功率序列进行群稀疏模态分解，得到不同的模态分量；

步骤3：采用Circle混沌映射方法对材料生成优化算法MGA进行初始化，并在位置更新处引入Levy飞行；利用改进的材料生成优化算法MGA优化Flowformer模型参数；所述Flowformer模型为将标准Transformer中的二次复杂度Attention替换为Flow-Attention，即得到了Flowformer；

步骤4：以每个分量作为输入分别训练一个Flowformer模型，得到每个分量的预测值，所有分量的预测值相加，得到风电功率初步预测值；

步骤5：将风电功率初步预测值与真实值做差获得误差序列；对误差序列进行相同的群稀疏模态分解、Flowformer模型预测操作得到风电功率误差预测值；风电功率初步预测值与风电功率误差预测值相加得到最终的风电功率预测结果。

进一步地，所述步骤1中对数据预处理具体包括：

采用插值法对异常数据进行剔除、用前一时刻的数据替代异常值；

对空缺数据进行填补，相邻时刻之间缺失的数据，用相邻两数据的平均值替代；

将前70％的数据作为训练集，剩余30％的数据作为测试集。

进一步地，所述步骤2中群稀疏模态分解具体包括：

在频域设计一组理想滤波器记为f来估计IMF，滤波器组F由n个理想滤波器f组成，将滤波器组F建模为一个开断群稀疏一维数组，即一个由1和0组成的稀疏数组，且1倾向于集中于群中，该分解使用惩罚最小二乘估计理想滤波器组，其中使用加权的0范数作为惩罚项，使用基于短窗口能量检测的技术计算加权参数和正则化参数。

进一步地，所述群稀疏模态分解的具体步骤如下：

求解IMF只需求解理想滤波器组f，转化为求解以下优化问题来估计理想滤波器组f：

其中，λ是正则化参数，它控制测量数据的保真度和滤波器组的开关群稀疏度，开关群稀疏度由测得，{w_i}是一组正加权参数；强制解决开关稀疏数组f，不管权重{w_i}的取值；λ的两个极值，即0和∞，分别强制f的所有项都等于1和0，因此λ的值必须明智地选择，以获取所需的结果，最后给出λ的最优选择；

从可以看出，目标函数γ是可分离的，通过求解f的第i项：

式中，c_y[i]为c_y的第i项，Ⅱ_{f}为指标参数；为了确定上式的最优解，首先考虑c_y[i]＝0的情况，当f＝0时，目标函数γ_i最小；对于c_y[i]≠0的情况，构成γ_i的两项都是非负值；所以只有当任意一项为0时，γ_i才能最小；这只能在f等于1或0时发生，这是理想滤波器的理想开关特性，当f取1或0时，目标函数分别取λw_i或c_y[i]；

根据λw_i和c_y[i]之间的关系，目标函数最小值表示为：

对于较小的系数c_y[i]，选择较小的权重参数w_i，该系数被较大的系数包围；对于略大的系数c_y[i]，选择较大的权重参数w_i，周围的系数值较小；对于其他情况令

为了满足上述要求，使用以下公式计算w_i：

式中，g_i表示以第i个频率仓为中心，持续时间为M的短窗口内c_y的平均能量，定义为：

其中，M＝2m+1；

将提出的w_i表达式代入式中，重新排列各项，得到估计滤波器组的第i项的表达式：

g_i是c_y在持续时间为M的短窗口内的平均能量，解释为在由M个样本组成的以第i个样本为中心的短窗口内的能量检测问题；

正则化参数的最优值取决于噪声方差和计算能量的窗口的大小，阈值参数λ的最优值计算为：

其中，σ_v为噪声方差；

在窄带正弦模式的频带内使用较小的m值，而在宽带FM模式的频带内使用较大的m值，运行第k次迭代后，使用下式更新m^k+1：

确认f^k中J块的数量和一组相关的系数{Υ_j,j＝1,…,J}，估计个IMFs的波形；

构造第j个滤波器：设置f_j＝0，然后更新f_j[J_j]＝1，其中0∈R^T是一维矩阵它的所有项都等于零，构造求出第j个模态：

构建IMF矩阵

进一步地，所述步骤3中改进的材料生成优化算法MGA优化Flowformer模型参数具体包括：Flowformer模型中学习率、编码器层数和解码器层数。

进一步地，所述步骤3中改进的材料生成优化算法MGA具体包括如下步骤：

将Flowformer模型参数作为算法的输入，设置上下限；适应度值为训练集均方根误差；

其中，为预测值，Y为实际值，n为训练集样本个数；

引入Circle映射的种群初始化操作，Circle映射产生混沌序列的表达式如下：

其中，num_i表示第i个混沌序列数，mod(a,b)表示a对b的取余运算；

材料的位置初始化，如下式所示：

材料Mat由多个周期元素PTE^j组成：

Mat＝[PTE¹ PTE² …PTE^j … PTE^d] (13)

其中，d是每种材料中元素的数量；

根据目标函数计算适应度值，并根据适应度值筛选出最优解；

对每个PTE使用连续概率分布来配置化合物，该化合物被视为新的PTE，在此基础上引入Levy飞行，如下所示：

其中，r₁和r₂分别为[1,n]和[1,d]区间内的均匀分布随机整数；是从Mat中随机选择的PTE；e^-是数学模型中用正态高斯分布表示的模拟电子丢失、获得或共享过程的概率分量；/>为元素相乘，δ为[0,1]间随机数，β＝1.5，Levy(β)是一个随机搜索路径，其随机步长表现为一个Levy分布；/>表示新材料的位置；

生成服从Levy分布的公式：

u～N(0,σ²),v-N(0,1)(16)

新创建的PTE用于生产新材料Mat_new1，然后将其作为新的备选解添加到初始材料列表Mat中：

通过化学反应概念对生产新材料的过程进行数学建模，确定一个整数随机数，该数与参与化学反应的初始材料的数量有关；对于每种材料，还计算了参与因子P，不同的材料将参与不同过程的反应，数学表示如下：

其中，Mat_m是从初始Mat中随机选择的第m种材料；p_m是Mat_m参与的正态高斯分布因子；Mat_new2是该化学反应模型生成的新材料；

考虑到化合物和化学反应构型方法，总体备选方案组合如下：

根据目标函数计算新材料的适应度值，新材料取代最差的适应度值的材料，通过化学物和化学反应生成新材料的过程不断更新，并更新全局最优解；

判断是否达到最大迭代次数，若达到，则将最好的适应度值对应的材料的所在的位置作为输出，更新Flowformer模型参数。

进一步地，所述步骤3和步骤4中所提的Flowformer模型具体为：

通过网络流视角重新分析经典注意力机制中的信息流动，并通过守恒性质将竞争机制引入注意力机制设计，设计如下Flow-Attention机制，自然地竞争机制引入其中，具体包含竞争、聚合、分配三部分：

其中，V表示源，R表示汇，从源V基于学习到的流容量汇聚至汇R；汇的流入信息量I∈R^n×1，对应着注意力权重矩阵的行和；源流出的信息量O∈R^m×1，对应着注意力矩阵的列和；Q为queries,K为keys；表示竞争源，它是基于流入守恒的非平凡的重新加权；A是聚合的源信息，并通过矩阵乘法的结合性计算；⊙表示按元素相乘；φ(·)为非线性函数；

其中

和/>分别表示守恒输入流和输出流的容量。

进一步地，所述步骤5中所提的误差校正具体包括：

将风电功率初步预测值与真实的训练样本做差获得误差序列，训练集和测试集的误差都保留；

对训练集和测试集都进行误差序列进行群稀疏模态分解，通过Flowformer训练得到J个模型；

用分解后的误差序列训练集训练得到的J个模型预测分解后的J个误差序列测试集，再将误差序列测试集的J个预测值求和得到风电功率误差预测值；

风电功率初步预测值与风电功率误差预测值相加得到最终的风电功率预测结果，实现误差校正，得到更为准确的预测值。

有益效果：

1.风电功率序列具有非平稳性，本发明采用群稀疏模态分解(GSMD)对原始数据分解，与VMD相比，GSMD采用理想滤波器，而VMD是基于Wiener滤波器。因此，获得的IMF总是正交的；VMD需要先验已知，而在GSWD中，IMF的数量是根据分析的信号本身估计；每个IMF在频域中的能量集中来自动调整每个IMF的BW。

2.Transformer其核心组件注意力机制随着输入序列的增长呈现二次复杂度，严重阻碍Transformer在长序列处理上的应用；Flow-Attention的设计依赖于网络流中的守恒原理，对信息流的重新整合，本发明将Transformer中的二次复杂度Attention替换为Flow-Attention，得到Flowformer，可以处理长度更长的风电功率输入序列，具有线性复杂度。

3.本发明预测方法中充分考虑了误差序列，对误差序列进行GSWD分解，更加凸显误差序列的细节，将各个分量分别带入Flowformer中进行预测，得到的误差值与风电功率预测值相加，得到最终的预测结果，能够预测一段时间内的风电功率。

附图说明

图1为本发明的流程图；

图2为改进的材料生成优化算法流程图；

图3为误差校正过程图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明提供一种基于两阶段分解重构与误差校正的风电功率预测方法，如图1所示，具体包括以下步骤：

步骤1：预先获取风电场的风电功率序列，对数据进行预处理，并划分训练集和测试集。

采用插值法对异常数据进行剔除、用前一时刻的数据替代异常值；

对空缺数据进行填补，相邻时刻之间缺失的数据，用相邻两数据的平均值替代；

将前70％的数据作为训练集，剩余30％的数据作为测试集。

步骤2：对风电功率序列进行群稀疏模态分解，得到不同的模态分量。

在频域设计一组理想滤波器记为f来估计IMF，将滤波器组F建模为一个开断群稀疏一维数组，即一个由1和0组成的稀疏数组，且1倾向于集中于群中。该分解使用惩罚最小二乘估计理想滤波器组，其中使用加权的0范数作为惩罚项。此外，使用基于短窗口能量检测的技术计算了加权参数和正则化参数。

求解IMF只需求解理想滤波器组f，可以转化为求解以下优化问题来估计理想滤波器组f：

其中，λ是正则化参数，它控制测量数据的保真度和滤波器组的开关群稀疏度，开关群稀疏度由测得，{w_i}是一组正加权参数。强制解决开关稀疏数组f，不管权重{w_i}的取值。λ的两个极值，即0和∞，分别强制f的所有项都等于1和0。因此λ的值必须明智地选择，以获取所需的结果，最后给出λ的最优选择。

从可以看出，目标函数γ是可分离的，可以通过求解f的第i项：

式中，c_y[i]为c_y的第i项，Ⅱ_{f}为指标参数。为了确定上式的最优解，首先考虑c_y[i]＝0的情况，当f＝0时，目标函数γ_i最小。对于c_y[i]≠0的情况，可以看出，构成γ_i的两项都是非负值；所以只有当任意一项为0时，γ_i才能最小。这只能在f等于1或0时发生，这是理想滤波器的理想开关特性。当f取1或0时，目标函数分别取λw_i或c_y[i]。

因此，根据λw_i和c_y[i]之间的关系，目标函数最小值可以表示为：

对于较小的系数c_y[i]，选择较小的权重参数w_i，该系数被较大的系数包围；对于略大的系数c_y[i]，选择较大的权重参数w_i，周围的系数值较小；对于其他情况令

为了满足上述要求，使用以下公式计算w_i：

式中，g_i表示以第i个频率仓为中心，持续时间为M的短窗口内c_y的平均能量，定义为：

其中，M＝2m+1

将提出的w_i表达式代入式中，重新排列各项，得到估计滤波器组的第i项的表达式：

g_i是c_y在持续时间为M的短窗口内的平均能量，可以解释为在由M个样本组成的以第i个样本为中心的短窗口内的能量检测问题。

正则化参数的最优值取决于噪声方差和计算能量的窗口的大小，阈值参数λ的最优值可计算为：

其中，σ_v为噪声方差。

在窄带正弦模式的频带内使用较小的m值，而在宽带FM模式的频带内使用较大的m值。运行第k次迭代后，使用下式更新m^k+1：

确认f^k中J块的数量和一组相关的系数{Υ_j,j＝1,…,J}，估计个IMFs的波形

构造第j个滤波器：设置f_j＝0,然后更新f_j[J_j]＝1,其中0∈R^T是一维矩阵它的所有项都等于零，构造求出第j个模态：

构建IMF矩阵

步骤3：采用Circle混沌映射方法对MGA进行初始化，并在位置更新处引入Levy飞行；利用改进的MGA算法优化Flowformer模型参数。

通过材料生成优化算法的优化Flowformer模型中编码器层数，解码器层数，将这两个参数作为算法的输入，设置上下限；适应度值为训练集均方根误差；

其中，为预测值，Y为实际值，n为训练集样本个数。

随机初始化生成的初始种群个体的分布并不均匀，混沌映射具有随机性、遍历性能更好地初始化种群，引入Circle映射的种群初始化操作，Circle映射产生混沌序列的表达式如下：

其中，num_i表示第i个混沌序列数，mod(a,b)表示a对b的取余运算。

材料的位置初始化，如下式所示：

材料Mat由多个周期元素PTE^j组成：

Mat＝[PTE¹ PTE² … PTE^j … PTE^d] (13)

其中，d是每种材料中元素的数量；

根据目标函数计算适应度值，并根据适应度值筛选出最优解；

对每个PTE使用连续概率分布来配置化合物，该化合物被视为新的PTE，在此基础上引入Levy飞行，如下所示：

其中，r₁和r₂分别为[1,n]和[1,d]区间内的均匀分布随机整数；是从Mat中随机选择的PTE；e^-是数学模型中用正态高斯分布表示的模拟电子丢失、获得或共享过程的概率分量；/>为元素相乘，δ为[0,1]间随机数，β＝1.5，Levy(β)是一个随机搜索路径，其随机步长表现为一个Levy分布；/>表示新材料的位置。

生成服从Levy分布的公式：

u～N(0,σ²),v-N(0,1) (16)

新创建的PTE用于生产新材料Mat_new1，然后将其作为新的备选解添加到初始材料列表Mat中：

通过化学反应概念对生产新材料的过程进行数学建模，确定一个整数随机数，该数与参与化学反应的初始材料的数量有关；对于每种材料，还计算了参与因子P，不同的材料将参与不同过程的反应，数学表示如下：

其中，Mat_m是从初始Mat中随机选择的第m种材料；p_m是Mat_m参与的正态高斯分布因子；Mat_new2是该化学反应模型生成的新材料；

考虑到化合物和化学反应构型方法，总体备选方案组合如下：

根据目标函数计算新材料的适应度值，新材料取代最差的适应度值的材料，通过化学物和化学反应生成新材料的过程不断更新，并更新全局最优解；

判断是否达到最大迭代次数，若达到，则将最好的适应度值对应的材料的所在的位置作为输出，更新Flowformer模型的编码器层数、解码器层数。

步骤4：以每个分量作为输入分别训练一个Flowformer模型，得到每个分量的预测值，所有分量的预测值相加，得到风电功率初步预测值。

将标准Transformer中的二次复杂度Attention替换为Flow-Attention,即得到了Flowformer。

通过网络流视角重新分析经典注意力机制中的信息流动，并通过守恒性质将竞争机制引入注意力机制设计，以避免平凡注意力问题。

网络流视觉下的Attention从内部和外部两个视角来分析

在注意力机制内部，信息流动可以表示为：从源(V)基于学习到的流容量汇聚至汇(R)。其中汇的流入信息量I∈R^n×1，对应着注意力权重矩阵的行和；源流出的信息量O∈R^{m ×1}，对应着注意力矩阵的列和，其计算过程如下：

其中，Q为queries,K为keys。

在注意力机制外部，源(V)的信息来自于上一层网络，汇(R)的信息也将提供给下面的前馈层。

通过分别控制注意力机制与外部网络的交互，来实现固定资源，从而分别引起源和汇内部的竞争，以避免平凡注意力。将注意力机制与外部网络的交互信息量设置为默认值1。

通过以下公式验证：

通过将守恒引入注意力机制，得到了引入竞争之后的源、汇分别的流出、流入量：

注意到，此时表示汇流入信息量一定情况下，每个源提供的信息量，因此代表了源的重要性；/>表示源流出信息量一定情况下，竞争之后，每个汇的所得信息量，代表了汇所需要获取的信息量。

基于此，设计如下Flow-Attention机制，自然地竞争机制引入其中，具体包含竞争、聚合、分配三部分：

表示竞争源，它是基于流入守恒的非平凡的重新加权；A是聚合的源信息，并通过矩阵乘法的结合性计算；⊙表示按元素相乘；φ(·)为非线性函数。

步骤5：将风电功率初步预测值与真实值做差获得误差序列；对误差序列进行相同的分解、预测操作得到风电功率误差预测值；风电功率初步预测值与风电功率误差预测值相加得到最终的风电功率预测结果。

将风电功率初步预测值与真实的训练样本做差获得误差序列，训练集和测试集的误差都保留。对训练集和测试集都进行误差序列进行群稀疏模态分解，通过Flowformer训练得到J个模型。用分解后的误差序列训练集训练得到的J个模型预测分解后的J个误差序列测试集，再将误差序列测试集的J个预测值求和得到风电功率误差预测值。风电功率初步预测值与风电功率误差预测值相加得到最终的风电功率预测结果，实现误差校正，得到更为准确的预测值。

上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于两阶段分解重构与误差校正的风电功率预测方法，其特征在于，包括以下步骤：

步骤1：预先获取风电场的风电功率序列，对数据进行预处理，并划分训练集和测试集；

步骤2：对风电功率序列进行群稀疏模态分解，得到不同的模态分量；

步骤3：采用Circle混沌映射方法对材料生成优化算法MGA进行初始化，并在位置更新处引入Levy飞行；利用改进的材料生成优化算法MGA优化Flowformer模型参数；所述Flowformer模型为将标准Transformer中的二次复杂度Attention替换为Flow-Attention，即得到了Flowformer；

步骤4：以每个分量作为输入分别训练一个Flowformer模型，得到每个分量的预测值，所有分量的预测值相加，得到风电功率初步预测值；

步骤5：将风电功率初步预测值与真实值做差获得误差序列；对误差序列进行相同的群稀疏模态分解、Flowformer模型预测操作得到风电功率误差预测值；风电功率初步预测值与风电功率误差预测值相加得到最终的风电功率预测结果。

2.根据权利要求1所述的一种基于两阶段分解重构与误差校正的风电功率预测方法，其特征在于，所述步骤1中对数据预处理具体包括：

采用插值法对异常数据进行剔除、用前一时刻的数据替代异常值；

对空缺数据进行填补，相邻时刻之间缺失的数据，用相邻两数据的平均值替代；

将前70％的数据作为训练集，剩余30％的数据作为测试集。

3.根据权利要求1所述的一种基于两阶段分解重构与误差校正的风电功率预测方法，其特征在于，所述步骤2中群稀疏模态分解具体包括：

在频域设计一组理想滤波器记为f来估计IMF，滤波器组F由n个理想滤波器f组成，将滤波器组F建模为一个开断群稀疏一维数组，即一个由1和0组成的稀疏数组，且1倾向于集中于群中，该分解使用惩罚最小二乘估计理想滤波器组，其中使用加权的0范数作为惩罚项，使用基于短窗口能量检测的技术计算加权参数和正则化参数。

4.根据权利要求2所述的一种基于两阶段分解重构与误差校正的风电功率预测方法，其特征在于，所述群稀疏模态分解的具体步骤如下：

求解IMF只需求解理想滤波器组f，转化为求解以下优化问题来估计理想滤波器组f：

其中，λ是正则化参数，它控制测量数据的保真度和滤波器组的开关群稀疏度，开关群稀疏度由测得，{w_i}是一组正加权参数；强制解决开关稀疏数组f，不管权重{w_i}的取值；λ的两个极值，即0和∞，分别强制f的所有项都等于1和0，因此λ的值必须明智地选择，以获取所需的结果，最后给出λ的最优选择；

从可以看出，目标函数γ是可分离的，通过求解f的第i项：

式中，c_y[i]为c_y的第i项，Ⅱ_{f}为指标参数；为了确定上式的最优解，首先考虑c_y[i]＝0的情况，当f＝0时，目标函数γ_i最小；对于c_y[i]≠0的情况，构成γ_i的两项都是非负值；所以只有当任意一项为0时，γ_i才能最小；这只能在f等于1或0时发生，这是理想滤波器的理想开关特性，当f取1或0时，目标函数分别取λw_i或c_y[i]；

根据λw_i和c_y[i]之间的关系，目标函数最小值表示为：

对于较小的系数c_y[i]，选择较小的权重参数w_i，该系数被较大的系数包围；对于略大的系数c_y[i]，选择较大的权重参数w_i，周围的系数值较小；对于其他情况令

为了满足上述要求，使用以下公式计算w_i：

式中，g_i表示以第i个频率仓为中心，持续时间为M的短窗口内c_y的平均能量，定义为：

其中，M＝2m+1；

将提出的w_i表达式代入式中，重新排列各项，得到估计滤波器组的第i项的表达式：

g_i是c_y在持续时间为M的短窗口内的平均能量，解释为在由M个样本组成的以第i个样本为中心的短窗口内的能量检测问题；

正则化参数的最优值取决于噪声方差和计算能量的窗口的大小，阈值参数λ的最优值计算为：

其中，σ_v为噪声方差；

在窄带正弦模式的频带内使用较小的m值，而在宽带FM模式的频带内使用较大的m值，运行第k次迭代后，使用下式更新m^k+1：

确认f^k中J块的数量和一组相关的系数{Υ_j,j＝1,…,J}，估计个IMFs的波形；

构造第j个滤波器：设置f_j＝0，然后更新f_j[J_j]＝1，其中0∈R^T是一维矩阵它的所有项都等于零，构造求出第j个模态：

构建IMF矩阵

5.根据权利要求1所述的一种基于两阶段分解重构与误差校正的风电功率预测方法，其特征在于，所述步骤3中改进的材料生成优化算法MGA优化Flowformer模型参数具体包括：Flowformer模型中学习率、编码器层数和解码器层数。

6.根据权利要求1或5所述的一种基于两阶段分解重构与误差校正的风电功率预测方法，其特征在于，所述步骤3中改进的材料生成优化算法MGA具体包括如下步骤：

将Flowformer模型参数作为算法的输入，设置上下限；适应度值为训练集均方根误差；

其中，为预测值，Y为实际值，n为训练集样本个数；

引入Circle映射的种群初始化操作，Circle映射产生混沌序列的表达式如下：

其中，num_i表示第i个混沌序列数，mod(a,b)表示a对b的取余运算；

材料的位置初始化，如下式所示：

材料Mat由多个周期元素PTE^j组成：

Mat＝[PTE¹ PTE² …PTE^j … PTE^d] (13)

其中，d是每种材料中元素的数量；

根据目标函数计算适应度值，并根据适应度值筛选出最优解；

对每个PTE使用连续概率分布来配置化合物，该化合物被视为新的PTE，在此基础上引入Levy飞行，如下所示：

其中，r₁和r₂分别为[1,n]和[1,d]区间内的均匀分布随机整数；是从Mat中随机选择的PTE；e^-是数学模型中用正态高斯分布表示的模拟电子丢失、获得或共享过程的概率分量；/>为元素相乘，δ为[0,1]间随机数，β＝1.5，Levy(β)是一个随机搜索路径，其随机步长表现为一个Levy分布；/>表示新材料的位置；

生成服从Levy分布的公式：

u～N(0,σ²),v-N(0,1) (16)

新创建的PTE用于生产新材料Mat_new1，然后将其作为新的备选解添加到初始材料列表Mat中：

通过化学反应概念对生产新材料的过程进行数学建模，确定一个整数随机数，该数与参与化学反应的初始材料的数量有关；对于每种材料，还计算了参与因子P，不同的材料将参与不同过程的反应，数学表示如下：

其中，Mat_m是从初始Mat中随机选择的第m种材料；p_m是Mat_m参与的正态高斯分布因子；Mat_new2是该化学反应模型生成的新材料；

考虑到化合物和化学反应构型方法，总体备选方案组合如下：

根据目标函数计算新材料的适应度值，新材料取代最差的适应度值的材料，通过化学物和化学反应生成新材料的过程不断更新，并更新全局最优解；

判断是否达到最大迭代次数，若达到，则将最好的适应度值对应的材料的所在的位置作为输出，更新Flowformer模型参数。

7.根据权利要求1所述的一种基于两阶段分解重构与误差校正的风电功率预测方法，其特征在于，所述步骤3和步骤4中所提的Flowformer模型具体为：

通过网络流视角重新分析经典注意力机制中的信息流动，并通过守恒性质将竞争机制引入注意力机制设计，设计如下Flow-Attention机制，自然地竞争机制引入其中，具体包含竞争、聚合、分配三部分：

其中，V表示源，R表示汇，从源V基于学习到的流容量汇聚至汇R；汇的流入信息量I∈R^{n ×1}，对应着注意力权重矩阵的行和；源流出的信息量O∈R^m×1，对应着注意力矩阵的列和；Q为queries,K为keys；表示竞争源，它是基于流入守恒的非平凡的重新加权；A是聚合的源信息，并通过矩阵乘法的结合性计算；⊙表示按元素相乘；φ(·)为非线性函数；

其中

和/>分别表示守恒输入流和输出流的容量。

8.根据权利要求1所述的一种基于两阶段分解重构与误差校正的风电功率预测方法，其特征在于，所述步骤5中所提的误差校正具体包括：

将风电功率初步预测值与真实的训练样本做差获得误差序列，训练集和测试集的误差都保留；

对训练集和测试集都进行误差序列进行群稀疏模态分解，通过Flowformer训练得到J个模型；

用分解后的误差序列训练集训练得到的J个模型预测分解后的J个误差序列测试集，再将误差序列测试集的J个预测值求和得到风电功率误差预测值；

风电功率初步预测值与风电功率误差预测值相加得到最终的风电功率预测结果，实现误差校正，得到更为准确的预测值。