CN116930973A - 一种场景自适应的声雷达风功率精确预测方法 - Google Patents
一种场景自适应的声雷达风功率精确预测方法 Download PDFInfo
- Publication number
- CN116930973A CN116930973A CN202311187692.0A CN202311187692A CN116930973A CN 116930973 A CN116930973 A CN 116930973A CN 202311187692 A CN202311187692 A CN 202311187692A CN 116930973 A CN116930973 A CN 116930973A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- sequence
- frequency
- low
- speed 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- SDIXRDNYIMOKSG-UHFFFAOYSA-L disodium methyl arsenate Chemical compound [Na+].[Na+].C[As]([O-])([O-])=O SDIXRDNYIMOKSG-UHFFFAOYSA-L 0.000 title claims abstract description 31
- 230000008859 change Effects 0.000 claims abstract description 107
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 103
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000005311 autocorrelation function Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010408 sweeping Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000006978 adaptation Effects 0.000 claims 4
- 238000004891 communication Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 101150049349 setA gene Proteins 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及风功率预测的技术领域,揭露了一种场景自适应的声雷达风功率精确预测方法,所述方法包括:利用多尺度小波分解将场景风速序列分解为低频变化风速序列和高频变化风速序列;利用低频风速预测模型对低频变化风速序列进行预测;利用集成张量计算以及Transformer模型的高频风速预测模型对高频变化风速序列进行风速预测;将风速预测结果及生成的随机分量进行叠加,得到最终风速预测值,进而计算得到功率预测值。
Description
技术领域
本发明涉及风功率预测的技术领域,尤其涉及一种场景自适应的声雷达风功率精确预测方法。
背景技术
风力发电作为主流的新能源发电方式逐步纳入到社会生产生活中。但随着复杂地形风电场开发面积占比不断增大,其内部流场分布受大气环境、机组运行特性及地形因素耦合影响,速度分布存在严重的时空不均匀性。以山地风场为例,因地形复杂,风机标高差别较大,风速、风向差别显著,尾流影响更无规律,湍流影响结果也不同,从而导致风速和发电量的差异变化较大,这些因素使复杂地形下的风电场风电功率预测难度更大。一般预测模型在地形相对简单的地区,效果较好,但在复杂地形地区,需要针对风电场进行优化调整。针对这一问题,本发明提出一种场景自适应的声雷达风功率精确预测方法,实现不同场景条件下的声雷达风功率精准预测。
发明内容
有鉴于此,本发明提供一种场景自适应的声雷达风功率精确预测方法,目的在于:1)利用多尺度小波分解方式对风速序列进行分解,其中根据不同尺度下分解结果的小波熵自适应决定最终分解层数,小波熵越大则表示该分解结果越混乱无序,将最混乱无序的分解结果作为风速序列的低频变化风速序列,而将其他尺度下的分解结果作为高频变化风速序列,得到多尺度的高频变化风速序列以及单尺度的低频变化风速序列,选取时序预测的方式以及基于Transformer模型的注意力机制预测方式分别对低频变化风速序列以及高频变化风速序列进行风速数据预测,实现结合风速序列数据的多尺度融合下的风速预测;2)根据不同场景下地形环境对风速序列的影响,基于低频变化风速序列以及高频变化风速序列的L1范数对影响幅度进行量化,构成随机分量,进而将低频变化风速序列和高频变化风速序列的预测结果及生成的随机分量进行叠加,得到最终风速预测值,根据最终风速预测值计算得到功率预测值,实现场景自适应的功率预测。
实现上述目的,本发明提供的一种场景自适应的声雷达风功率精确预测方法,包括以下步骤:
S1:采集场景风速序列数据,利用多尺度小波分解将场景风速序列分解为低频变化风速序列和高频变化风速序列;
S2:构建低频风速预测模型,对低频变化风速序列进行预测;
S3:构建高频风速预测模型,所述模型通过将张量运算与Transformer模型进行集成,利用集成结果对高频变化风速序列进行风速预测;
S4:生成随机分量,将低频变化风速序列和高频变化风速序列的预测结果及生成的随机分量进行叠加,得到最终风速预测值;
S5:利用最终风速预测值计算得到功率预测值。
作为本发明的进一步改进方法:
可选地,所述S1步骤中采集场景风速序列数据,包括:
利用声雷达采集当前场景下的场景风速序列数据,其中场景风速序列数据的形式为:
;
其中:
v表示场景风速序列数据,场景风速序列数据中包含N个时刻的风速数据;
表示t-n时刻的风速数据,/>表示待预测时刻的风速数据,相邻时刻的时间间隔为/>。
可选地,所述S1步骤中利用多尺度小波分解将场景风速序列分解为低频变化风速序列和高频变化风速序列,包括:
利用多尺度小波分解将场景风速序列数据分解为低频变化风速序列和高频变化风速序列,其中多尺度小波分解流程为:
S11:设置当前小波分解尺度为j,j的初始值为1;
S12:对场景风速序列数据进行小波分解,得到尺度j下的风速序列分解结果:
;
其中:
表示小波函数,/>表示小波函数的共轭;/>表示尺度j下的风速序列分解结果;
S13:计算风速序列分解结果的能量/>:
;
S14:基于风速序列分解结果的能量/>计算得到小波熵:
;
其中:
表示风速序列分解结果/>的小波熵;
若小于预设置的熵阈值,则将风速序列分解结果/>作为高频变化风速序列的分解结果,并/>,返回步骤S12;
若大于等于预设置的熵阈值,则将风速序列分解结果/>作为低频变化风速序列的分解结果,转向步骤S15;
S15:构成包含j-1个尺度的高频变化风速序列的分解结果以及j尺度下的低频变化风速序列的分解结果:
;
其中:
表示高频变化风速序列的分解结果集合,表示低频变化风速序列的分解结果集合;
S16:将风速序列分解结果重构为风速序列,其中的重构公式为:
;
其中:
表示风速序列分解结果/>重构得到的风速序列;重构得到的风速序列包括N个时刻的风速数据;
S17:构成高频变化风速序列集合以及低频变化风速序列集合/>。
可选地,所述S2步骤中利用低频风速预测模型对低频变化风速序列进行风速预测,包括:
利用低频风速预测模型对低频变化风速序列进行风速预测,得到待预测时刻的低频风速,其中基于低频风速预测模型的低频风速预测流程为:
S21:计算得到低频变化风速序列的均值:
;
其中:
表示低频变化风速序列/>中的第n个值,对应t-n时刻的低频变化风速数据;计算得到低频变化风速序列的协方差以及自相关函数:
;
其中:
表示低频变化风速序列的k阶协方差函数,/>表示低频变化风速序列的k阶自相关函数;/>,p小于N;
S22:对低频风速预测模型的时序参数进行估计:
;
其中:
表示低频风速预测模型的p阶时序参数;
S23:对低频风速预测模型的噪声参数进行估计:
;
其中:
表示噪声方差;/>表示低频风速预测模型的q阶噪声参数,q小于N;
S24:确定p,q的值:
;
其中:
表示选取使得/>达到最小的p值和q值;
S25:构建低频风速预测模型,得到待预测时刻的低频风速:
;
其中:
表示待预测时刻的低频风速,/>表示白噪声序列。
可选地,所述S3步骤中构建高频风速预测模型,包括:
构建高频风速预测模型,高频风速预测模型包括输入层、张量构建层、张量分解计算层以及Transformer模块;
输入层用于接收高频变化风速序列集合,张量构建层用于将高频变化风速序列集合构建为张量形式的时间序列,张量分解计算层用于将张量形式的时间序列分解为向量,并将向量输入到Transformer模块,Transformer模块对向量依次进行编码以及解码处理,得到高频变化风速序列的预测结果。
可选地,所述S3步骤中利用高频风速预测模型对高频变化风速序列进行风速预测,包括:
利用高频风速预测模型对高频变化风速序列进行风速预测,其中风速预测流程为:
输入层接收步骤S1计算得到的高频变化风速序列集合,并将高频变化风速序列集合/>输入到张量构建层;
张量构建层将高频变化风速序列集合构建为张量形式的时间序列:
;
其中:
X表示张量形式的时间序列,表示高频变化风速序列/>的第N个值,对应尺度j-1下t-N时刻的高频变化风速数据;
张量分解计算层对张量形式的时间序列进行分解,得到分解后的向量形式:
;
其中:
表示时间序列X分解得到的第n个向量,/>;
将分解后的N个向量输入到Transformer模块,Transformer模块对向量进行编码处理,其中第n个向量的编码处理公式为:
;
;
;
其中:
表示Transformer模块中的映射权重矩阵;/>表示向量/>的编码处理结果;
将N个向量的编码处理结果进行叠加处理:
;
其中:C表示叠加处理结果;
设置预测步长为2,基于预测步长对叠加处理结果进行卷积计算以及预测处理:
;
其中:
表示高频变化风速序列的风速预测结果;/>表示卷积计算,卷积核大小为/>,即同预测步长相同;/>表示卷积核权重,/>表示卷积核偏置量;W表示全连接权重矩阵。
可选地,所述S4步骤中生成随机分量,将低频变化风速序列和高频变化风速序列的预测结果及生成的随机分量进行叠加,包括:
生成随机分量,将低频变化风速序列和高频变化风速序列的预测结果及生成的随机分量进行叠加,其中叠加公式为:
;
;
其中:
表示t时刻的最终风速预测值;/>表示随机分量,/>表示0-1之间的随机数,/>表示极小的正数,将/>设置为0.0001;/>表示L1范数。
可选地,所述S5步骤中根据最终风速预测值计算得到功率预测值,包括:
根据最终风速预测值计算得到功率预测值:
;
其中:
表示发电机效率;/>表示风机叶片的扫风面积;/>表示空气密度;/>表示风能利用系数。在本发明实施例中,风机用于获取风能,并将风能输送给发电机,转化为电能。
为了解决上述问题,本发明提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;
通信接口,实现电子设备通信;及处理器,执行所述存储器中存储的指令以实现上述所述的场景自适应的声雷达风功率精确预测方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的场景自适应的声雷达风功率精确预测方法。
相对于现有技术,本发明提出一种场景自适应的声雷达风功率精确预测方法,该技术具有以下优势:
首先,本方案提出一种风速序列分解方法,利用多尺度小波分解将场景风速序列数据分解为低频变化风速序列和高频变化风速序列,其中多尺度小波分解流程为:设置当前小波分解尺度为j,j的初始值为1;对场景风速序列数据进行小波分解,得到尺度j下的风速序列分解结果:
;
其中:
表示小波函数,/>表示小波函数的共轭;/>表示尺度j下的风速序列分解结果;计算风速序列分解结果/>的能量/>:/>;
基于风速序列分解结果的能量/>计算得到小波熵:
;
其中:
表示风速序列分解结果/>的小波熵;若/>小于预设置的熵阈值,则将风速序列分解结果/>作为高频变化风速序列的分解结果,并/>,若/>大于等于预设置的熵阈值,则将风速序列分解结果/>作为低频变化风速序列的分解结果,构成包含j-1个尺度的高频变化风速序列的分解结果以及j尺度下的低频变化风速序列的分解结果:
;
其中:
表示高频变化风速序列的分解结果集合,/>表示低频变化风速序列的分解结果集合;将风速序列分解结果重构为风速序列,其中/>的重构公式为:
;
其中:
表示风速序列分解结果/>重构得到的风速序列;重构得到的风速序列包括N个时刻的风速数据;构成高频变化风速序列集合/>以及低频变化风速序列集合/>。本方案利用多尺度小波分解方式对风速序列进行分解,其中根据不同尺度下分解结果的小波熵自适应决定最终分解层数,小波熵越大则表示该分解结果越混乱无序,将最混乱无序的分解结果作为风速序列的低频变化风速序列,而将其他尺度下的分解结果作为高频变化风速序列,得到多尺度的高频变化风速序列以及单尺度的低频变化风速序列,选取时序预测的方式以及基于Transformer模型的注意力机制预测方式分别对低频变化风速序列以及高频变化风速序列进行风速数据预测,实现结合风速序列数据的多尺度融合下的风速预测。
同时,本方案提出一种基于随机分量的风速预测结果修正方法,通过生成随机分量将低频变化风速序列和高频变化风速序列的预测结果及生成的随机分量进行叠加,其中叠加公式为:
;
;
其中:表示t时刻的最终风速预测值;/>表示随机分量,/>表示0-1之间的随机数,/>表示极小的正数,将/>设置为0.0001;/>表示L1范数。根据不同场景下地形环境对风速序列的影响,本方案基于低频变化风速序列以及高频变化风速序列的L1范数对影响幅度进行量化,构成随机分量,进而将低频变化风速序列和高频变化风速序列的预测结果及生成的随机分量进行叠加,得到最终风速预测值,根据最终风速预测值计算得到功率预测值,实现场景自适应的功率预测。
附图说明
图1为本发明一实施例提供的一种场景自适应的声雷达风功率精确预测方法的流程示意图;
图2为本发明一实施例提供的实现场景自适应的声雷达风功率精确预测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种场景自适应的声雷达风功率精确预测方法。所述场景自适应的声雷达风功率精确预测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述场景自适应的声雷达风功率精确预测方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1
参照图1,为本发明的一种场景自适应的声雷达风功率精确预测方法实现总流程图;
其中所述场景自适应的声雷达风功率精确预测方法,包括以下步骤:
S1:采集场景风速序列数据,利用多尺度小波分解将场景风速序列分解为低频变化风速序列和高频变化风速序列。
所述S1步骤中采集场景风速序列数据,包括:
利用声雷达采集当前场景下的场景风速序列数据,其中场景风速序列数据的形式为:
;
其中:
v表示场景风速序列数据,场景风速序列数据中包含N个时刻的风速数据;表示t-n时刻的风速数据,/>表示待预测时刻的风速数据,相邻时刻的时间间隔为/>。
所述S1步骤中利用多尺度小波分解将场景风速序列分解为低频变化风速序列和高频变化风速序列,包括:
利用多尺度小波分解将场景风速序列数据分解为低频变化风速序列和高频变化风速序列,其中多尺度小波分解流程为:
S11:设置当前小波分解尺度为j,j的初始值为1;
S12:对场景风速序列数据进行小波分解,得到尺度j下的风速序列分解结果:
;
其中:
表示小波函数,/>表示小波函数的共轭;/>表示尺度j下的风速序列分解结果;
S13:计算风速序列分解结果的能量/>:
;
S14:基于风速序列分解结果的能量/>计算得到小波熵:
;
其中:
表示风速序列分解结果/>的小波熵;若/>小于预设置的熵阈值,则将风速序列分解结果/>作为高频变化风速序列的分解结果,并/>,返回步骤S12;若/>大于等于预设置的熵阈值,则将风速序列分解结果/>作为低频变化风速序列的分解结果,转向步骤S15;
S15:构成包含j-1个尺度的高频变化风速序列的分解结果以及j尺度下的低频变化风速序列的分解结果:
;
其中:
表示高频变化风速序列的分解结果集合,表示低频变化风速序列的分解结果集合;
S16:将风速序列分解结果重构为风速序列,其中的重构公式为:
;
其中:
表示风速序列分解结果/>重构得到的风速序列;重构得到的风速序列包括N个时刻的风速数据;
S17:构成高频变化风速序列集合以及低频变化风速序列集合/>。
S2:构建低频风速预测模型,对低频变化风速序列进行预测。
所述S2步骤中利用低频风速预测模型对低频变化风速序列进行风速预测,包括:
利用低频风速预测模型对低频变化风速序列进行风速预测,得到待预测时刻的低频风速,其中基于低频风速预测模型的低频风速预测流程为:
S21:计算得到低频变化风速序列的均值:
;
其中:
表示低频变化风速序列/>中的第n个值,对应t-n时刻的低频变化风速数据;计算得到低频变化风速序列的协方差以及自相关函数:
;
其中:
表示低频变化风速序列的k阶协方差函数,/>表示低频变化风速序列的k阶自相关函数;/>,p小于N;
S22:对低频风速预测模型的时序参数进行估计:
;
其中:
表示低频风速预测模型的p阶时序参数;
S23:对低频风速预测模型的噪声参数进行估计:
;
其中:
表示噪声方差;/>表示低频风速预测模型的q阶噪声参数,q小于N;
S24:确定p,q的值:
;
其中:
表示选取使得/>达到最小的p值和q值;
S25:构建低频风速预测模型,得到待预测时刻的低频风速:
;
其中:
表示待预测时刻的低频风速,/>表示白噪声序列。
S3:构建高频风速预测模型,所述模型通过将张量运算与Transformer模型进行集成,利用集成结果对高频变化风速序列进行风速预测。
所述S3步骤中构建高频风速预测模型,包括:
构建高频风速预测模型,高频风速预测模型包括输入层、张量构建层、张量分解计算层以及Transformer模块;
输入层用于接收高频变化风速序列集合,张量构建层用于将高频变化风速序列集合构建为张量形式的时间序列,张量分解计算层用于将张量形式的时间序列分解为向量,并将向量输入到Transformer模块,Transformer模块对向量依次进行编码以及解码处理,得到高频变化风速序列的预测结果。
所述S3步骤中利用高频风速预测模型对高频变化风速序列进行风速预测,包括:
利用高频风速预测模型对高频变化风速序列进行风速预测,其中风速预测流程为:
输入层接收步骤S1计算得到的高频变化风速序列集合,并将高频变化风速序列集合/>输入到张量构建层;
张量构建层将高频变化风速序列集合构建为张量形式的时间序列:
;
其中:
X表示张量形式的时间序列,表示高频变化风速序列/>的第N个值,对应尺度j-1下t-N时刻的高频变化风速数据;张量分解计算层对张量形式的时间序列进行分解,得到分解后的向量形式:
;
其中:
表示时间序列X分解得到的第n个向量,/>;
将分解后的N个向量输入到Transformer模块,Transformer模块对向量进行编码处理,其中第n个向量的编码处理公式为:
;
;
;
其中:
表示Transformer模块中的映射权重矩阵;/>表示向量/>的编码处理结果;将N个向量的编码处理结果进行叠加处理:
;
其中:
C表示叠加处理结果;设置预测步长为2,基于预测步长对叠加处理结果进行卷积计算以及预测处理:
;
其中:
表示高频变化风速序列的风速预测结果;/>表示卷积计算,卷积核大小为/>,即同预测步长相同;/>表示卷积核权重,/>表示卷积核偏置量;W表示全连接权重矩阵。
S4:生成随机分量,将低频变化风速序列和高频变化风速序列的预测结果及生成的随机分量进行叠加,得到最终风速预测值。
所述S4步骤中生成随机分量,将低频变化风速序列和高频变化风速序列的预测结果及生成的随机分量进行叠加,包括:
生成随机分量,将低频变化风速序列和高频变化风速序列的预测结果及生成的随机分量进行叠加,其中叠加公式为:
;
;
其中:
表示t时刻的最终风速预测值;/>表示随机分量,/>表示0-1之间的随机数,/>表示极小的正数,将/>设置为0.0001;/>表示L1范数。
S5:利用最终风速预测值计算得到功率预测值。
所述S5步骤中根据最终风速预测值计算得到功率预测值,包括:
根据最终风速预测值计算得到功率预测值:
;
其中:
表示发电机效率;/>表示风机叶片的扫风面积;/>表示空气密度;/>表示风能利用系数。
实施例2
如图2所示,是本发明一实施例提供的实现场景自适应的声雷达风功率精确预测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(SecureDigital, SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(用于实现声雷达风功率精确预测的程序12等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接,并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图2仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图2示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
采集场景风速序列数据,利用多尺度小波分解将场景风速序列分解为低频变化风速序列和高频变化风速序列;
构建低频风速预测模型,对低频变化风速序列进行预测;
构建高频风速预测模型,所述模型通过将张量运算与Transformer模型进行集成,利用集成结果对高频变化风速序列进行风速预测;
生成随机分量,将低频变化风速序列和高频变化风速序列的预测结果及生成的随机分量进行叠加,得到最终风速预测值;
利用最终风速预测值计算得到功率预测值。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种场景自适应的声雷达风功率精确预测方法,其特征在于,所述方法包括:
S1:采集场景风速序列数据,利用多尺度小波分解将场景风速序列分解为低频变化风速序列和高频变化风速序列;
S2:构建低频风速预测模型,对低频变化风速序列进行预测;
S3:构建高频风速预测模型,所述模型通过将张量运算与Transformer模型进行集成,利用集成结果对高频变化风速序列进行风速预测;
S4:生成随机分量,将对低频变化风速序列和高频变化风速序列的预测结果及生成的随机分量进行叠加,得到最终风速预测值;
S5:利用最终风速预测值计算得到功率预测值。
2.如权利要求1所述的一种场景自适应的声雷达风功率精确预测方法,其特征在于,所述S1步骤中采集场景风速序列数据,包括:
利用声雷达采集当前场景下的场景风速序列数据,其中场景风速序列数据的形式为:
;
其中:
v表示场景风速序列数据,场景风速序列数据中包含N个时刻的风速数据;
表示t-n时刻的风速数据,/>表示待预测时刻的风速数据,相邻时刻的时间间隔为/>。
3.如权利要求2所述的一种场景自适应的声雷达风功率精确预测方法,其特征在于,所述S1步骤中利用多尺度小波分解将场景风速序列分解为低频变化风速序列和高频变化风速序列,包括:
利用多尺度小波分解将场景风速序列数据分解为低频变化风速序列和高频变化风速序列,其中多尺度小波分解流程为:
S11:设置当前小波分解尺度为j,j的初始值为1;
S12:对场景风速序列数据进行小波分解,得到尺度j下的风速序列分解结果:
;
其中:
表示小波函数,/>表示小波函数的共轭;
表示尺度j下的风速序列分解结果;
S13:计算风速序列分解结果的能量/>:
;
S14:基于风速序列分解结果的能量/>计算得到小波熵:
;
其中:
表示风速序列分解结果/>的小波熵;
若小于预设置的熵阈值,则将风速序列分解结果/>作为高频变化风速序列的分解结果,并/>,返回步骤S12;
若大于等于预设置的熵阈值,则将风速序列分解结果/>作为低频变化风速序列的分解结果,转向步骤S15;
S15:构成包含j-1个尺度的高频变化风速序列的分解结果以及j尺度下的低频变化风速序列的分解结果:
;
其中:
表示高频变化风速序列的分解结果集合,/>表示低频变化风速序列的分解结果集合;
S16:将风速序列分解结果重构为风速序列,其中的重构公式为:
;
其中:
表示风速序列分解结果/>重构得到的风速序列;重构得到的风速序列包括N个时刻的风速数据;
S17:构成高频变化风速序列集合以及低频变化风速序列集合。
4.如权利要求1所述的一种场景自适应的声雷达风功率精确预测方法,其特征在于,所述S2步骤中利用低频风速预测模型对低频变化风速序列进行风速预测,包括:
利用低频风速预测模型对低频变化风速序列进行风速预测,得到待预测时刻的低频风速,其中基于低频风速预测模型的低频风速预测流程为:
S21:计算得到低频变化风速序列的均值:
;
其中:
表示低频变化风速序列/>中的第n个值,对应t-n时刻的低频变化风速数据;
计算得到低频变化风速序列的协方差以及自相关函数:
;
其中:
表示低频变化风速序列的k阶协方差函数,/>表示低频变化风速序列的k阶自相关函数;/>,p小于N;
S22:对低频风速预测模型的时序参数进行估计:
;
其中:
表示低频风速预测模型的p阶时序参数;
S23:对低频风速预测模型的噪声参数进行估计:
;
其中:
表示噪声方差;
表示低频风速预测模型的q阶噪声参数,q小于N;
S24:确定p,q的值:
;
其中:
表示选取使得/>达到最小的p值和q值;
S25:构建低频风速预测模型,得到待预测时刻的低频风速:
;
其中:
表示待预测时刻的低频风速,/>表示白噪声序列。
5.如权利要求1所述的一种场景自适应的声雷达风功率精确预测方法,其特征在于,所述S3步骤中构建高频风速预测模型,包括:
构建高频风速预测模型,高频风速预测模型包括输入层、张量构建层、张量分解计算层以及Transformer模块;
输入层用于接收高频变化风速序列集合,张量构建层用于将高频变化风速序列集合构建为张量形式的时间序列,张量分解计算层用于将张量形式的时间序列分解为向量,并将向量输入到Transformer模块,Transformer模块对向量依次进行编码以及解码处理,得到高频变化风速序列的预测结果。
6.如权利要求5所述的一种场景自适应的声雷达风功率精确预测方法,其特征在于,所述S3步骤中利用高频风速预测模型对高频变化风速序列进行风速预测,包括:
利用高频风速预测模型对高频变化风速序列进行风速预测,其中风速预测流程为:
输入层接收步骤S1计算得到的高频变化风速序列集合,并将高频变化风速序列集合/>输入到张量构建层;
张量构建层将高频变化风速序列集合构建为张量形式的时间序列:
;
其中:
X表示张量形式的时间序列,表示高频变化风速序列/>的第N个值,对应尺度j-1下t-N时刻的高频变化风速数据;
张量分解计算层对张量形式的时间序列进行分解,得到分解后的向量形式:
;
其中:
表示时间序列X分解得到的第n个向量,/>;
将分解后的N个向量输入到Transformer模块,Transformer模块对向量进行编码处理,其中第n个向量的编码处理公式为:
;
;
;
其中:
表示Transformer模块中的映射权重矩阵;
表示向量/>的编码处理结果;
将N个向量的编码处理结果进行叠加处理:
;
其中:
C表示叠加处理结果;
设置预测步长为2,基于预测步长对叠加处理结果进行卷积计算以及预测处理:
;
其中:
表示高频变化风速序列的风速预测结果;
表示卷积计算,卷积核大小为/>,即同预测步长相同;
表示卷积核权重,/>表示卷积核偏置量;
W表示全连接权重矩阵。
7.如权利要求1所述的一种场景自适应的声雷达风功率精确预测方法,其特征在于,所述S4步骤中生成随机分量,将低频变化风速序列和高频变化风速序列的预测结果及生成的随机分量进行叠加,包括:
生成随机分量,将低频变化风速序列和高频变化风速序列的预测结果及生成的随机分量进行叠加,其中叠加公式为:
;
;
其中:
表示高频变化风速序列的风速预测结果;
表示待预测时刻的低频风速;
表示风速序列分解结果重构得到的风速序列;
表示t时刻的最终风速预测值;
表示随机分量,/>表示0-1之间的随机数,/>表示极小的正数,将/>设置为0.0001;
表示L1范数。
8.如权利要求7所述的一种场景自适应的声雷达风功率精确预测方法,其特征在于,所述S5步骤中根据最终风速预测值计算得到功率预测值,包括:
根据最终风速预测值计算得到功率预测值:
;
其中:
表示发电机效率;
表示风机叶片的扫风面积;
表示空气密度;
表示风能利用系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311187692.0A CN116930973B (zh) | 2023-09-15 | 2023-09-15 | 一种场景自适应的声雷达风功率精确预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311187692.0A CN116930973B (zh) | 2023-09-15 | 2023-09-15 | 一种场景自适应的声雷达风功率精确预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116930973A true CN116930973A (zh) | 2023-10-24 |
CN116930973B CN116930973B (zh) | 2023-12-08 |
Family
ID=88384700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311187692.0A Active CN116930973B (zh) | 2023-09-15 | 2023-09-15 | 一种场景自适应的声雷达风功率精确预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116930973B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825289A (zh) * | 2015-12-17 | 2016-08-03 | 国网江苏省电力公司经济技术研究院 | 风功率时间序列的预测方法 |
CN110082841A (zh) * | 2019-04-18 | 2019-08-02 | 东华大学 | 一种短期风速预测方法 |
CN111598313A (zh) * | 2020-04-28 | 2020-08-28 | 西安理工大学 | 一种风功率预测方法 |
WO2022033258A1 (zh) * | 2020-08-14 | 2022-02-17 | 中国科学院分子细胞科学卓越创新中心 | 基于自动储层神经网络的多步预测未来风速的方法和系统 |
CN115859816A (zh) * | 2022-12-08 | 2023-03-28 | 北京智慧空间科技有限责任公司 | 一种基于cnn-lstm算法的风功率分钟级预测方法及系统 |
WO2023070960A1 (zh) * | 2021-10-29 | 2023-05-04 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于卷积transformer架构的风功率预测方法、系统及设备 |
CN116565840A (zh) * | 2023-04-20 | 2023-08-08 | 湖南大学 | 一种用于风电场风功率预测的高精度风速软测量方法 |
CN116577843A (zh) * | 2023-03-13 | 2023-08-11 | 湖南赛能环测科技有限公司 | 一种分布式声雷达风功率预测方法 |
-
2023
- 2023-09-15 CN CN202311187692.0A patent/CN116930973B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825289A (zh) * | 2015-12-17 | 2016-08-03 | 国网江苏省电力公司经济技术研究院 | 风功率时间序列的预测方法 |
CN110082841A (zh) * | 2019-04-18 | 2019-08-02 | 东华大学 | 一种短期风速预测方法 |
CN111598313A (zh) * | 2020-04-28 | 2020-08-28 | 西安理工大学 | 一种风功率预测方法 |
WO2022033258A1 (zh) * | 2020-08-14 | 2022-02-17 | 中国科学院分子细胞科学卓越创新中心 | 基于自动储层神经网络的多步预测未来风速的方法和系统 |
WO2023070960A1 (zh) * | 2021-10-29 | 2023-05-04 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于卷积transformer架构的风功率预测方法、系统及设备 |
CN115859816A (zh) * | 2022-12-08 | 2023-03-28 | 北京智慧空间科技有限责任公司 | 一种基于cnn-lstm算法的风功率分钟级预测方法及系统 |
CN116577843A (zh) * | 2023-03-13 | 2023-08-11 | 湖南赛能环测科技有限公司 | 一种分布式声雷达风功率预测方法 |
CN116565840A (zh) * | 2023-04-20 | 2023-08-08 | 湖南大学 | 一种用于风电场风功率预测的高精度风速软测量方法 |
Non-Patent Citations (2)
Title |
---|
JIE WAN 等: "Ultra-short-term wind speed prediction based on multi-scale predictability analysis", 《CLUSTER COMPUTING》, pages 1 - 15 * |
韩晓娟 等: "基于小波包分解的混合储能技术在平抑风电场功率波动中的应用", 《中国电机工程学报》, vol. 33, no. 19, pages 8 - 13 * |
Also Published As
Publication number | Publication date |
---|---|
CN116930973B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11308406B2 (en) | Method of operating neural networks, corresponding network, apparatus and computer program product | |
CN116934098A (zh) | 一种技术性贸易措施风险量化评估方法 | |
CN114241230A (zh) | 目标检测模型剪枝方法和目标检测方法 | |
Yang et al. | DASNet: Dynamic activation sparsity for neural network efficiency improvement | |
CN114494800B (zh) | 预测模型训练方法、装置、电子设备及存储介质 | |
Zhao et al. | Image quality assessment based on complementary local feature extraction and quantification | |
CN115796231B (zh) | 一种时态分析的超短期风速预测方法 | |
CN116930973B (zh) | 一种场景自适应的声雷达风功率精确预测方法 | |
CN116383666B (zh) | 一种电力数据预测方法、装置及电子设备 | |
CN104239689B (zh) | 基于优化相关向量机的短期风速预测方法 | |
CN117195059A (zh) | 一种供水管网水体污染快速检测方法 | |
CN116577843A (zh) | 一种分布式声雷达风功率预测方法 | |
CN114743003B (zh) | 基于图像分类的因果解释方法、装置、设备及存储介质 | |
CN115167641B (zh) | 一种惯性自适应温控方法及系统 | |
CN116862303B (zh) | 城市内涝隐患分级及评估方法 | |
CN117710020B (zh) | 一种基于大数据的用户喜好的分析方法 | |
Xiao-lan et al. | Short-term wind speed forecast of wind farm based on V-system and LSSVM | |
CN116451886B (zh) | 一种高标准农田水平衡计算方法 | |
CN105915891B9 (zh) | 一种基于暗场方差信号的图像传感器关键参数测试方法 | |
CN113868093B (zh) | 垃圾文件监测方法、装置、设备及存储介质 | |
CN116185159B (zh) | 基于低功耗控制技术的开关唤醒方法及装置 | |
CN116207864B (zh) | 基于物联网实现低压台区下的电力设备控制方法及系统 | |
CN117826113B (zh) | 一种深度感知的雷达微信号检测方法 | |
CN117152614A (zh) | 基于高光谱成像的水质污染监测方法、装置、设备及介质 | |
CN117372204A (zh) | 基于深度学习实现ems能量管理的方法及系统 |
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 |