【技术实现步骤摘要】
一种基于MI
‑
VMD
‑
DA
‑
EDLSTM
‑
VEC的多维特征组合预测方法
[0001]本专利技术涉及一种风力发电预测模型领域,具体的涉及一种基于 MI
‑
VMD
‑
DA
‑
EDLSTM
‑
VEC的多维特征组合预测方法。
技术介绍
[0002]随着全球能源结构的变化,风能在未来能源中的比重逐渐提高。风力发电的快速发展带 来了与电力系统可靠性和安全性相关的许多挑战。由于风速的间歇性和随机性,电力系统中 的电压和频率波动较大,导致风力发电过程的充满不确定性。因此,准确有效的预测风电功 率对于保障电力系统的不间断运行和充分利用风能资源至关重要。目前,风电功率的短期预 测方法可以分为3类:1)模型驱动;2)数据驱动;3)模型和数据集成驱动。
[0003]模型驱动基于数值天气预报(NWP)模型,通过计算热力学和流体动力学(CFD)模型的三维 空间和时间信息来预测气象变量,并使用适合于给定风电场的风电功率曲线转换为风功率。 这种模型驱动方法的准确性很大程度上取决于NWP模型,NWP模型需要提供气象数据和风 力发电机物理特性数据,但这些数据并不总是可用的,而且该模型需要大量计算和时间。因 此,这些方法可能不适合实际的风电功率预测(WPF)应用。
[0004]数据驱动则通过寻找输入变量和风电功率之间的映射关系来进行预测,许多统计模型和 机器学习模型都是为此而研究的。统计模 ...
【技术保护点】
【技术特征摘要】
1.一种基于MI
‑
VMD
‑
DA
‑
EDLSTM
‑
VEC的多维特征组合预测方法,其特征在于,具体包括:S1,对原始特征序列x(t)进行MI特征选择得到风电功率、风速和温度序列;S2,分别对风电功率、风速和温度序列进行VMD分解得到模态分量;S3,基于使用了双层注意力机制的编码解码模型DA
‑
EDLSTM对于VMD分解得到的模态分量进行模型训练和预测,得到初始预测序列通过得到原始预测误差e(t);S4,对原始预测误差e(t)进行VMD分解预处理,使用单层LSTM模型进行再训练预测得到误差预测序列并对原始预测结果进行修正得到最终预测结果2.根据权利要求1所述的基于MI
‑
VMD
‑
DA
‑
EDLSTM
‑
VEC的多维特征组合预测方法,其特征在于,步骤S1具体包括:S11,基于公式1计算原始特征序列x(t)与目标序列Y的互信息,进行互信息量排序,其中原始风速序列包括风电、温度、气压、密度和风向,其中,p(x,y)是x和y的联合概率密度函数,而p(x)和p(y)是边际密度函数,如果x与y完全不相关,则p(x,y)将等于p(x)p(y),其互信息将等0,若I(X;Y)越大,则表示两个变量相关性越强;S12,基于特征序列x(t)和目标序列Y的互信息排序,选择互信息最大的3维特征序列,其中3维特征序列为风电功率、风速和温度。3.根据权利要求2所述的基于MI
‑
VMD
‑
DA
‑
EDLSTM
‑
VEC的多维特征组合预测方法,其特征在于,步骤S2具体包括:对风电功率、风速和温度序列分别分解成具有中心频率K个模态分量u
k
(k=1,2,...,k),其中,每个模态分量的带宽估计之和被最小化,包括如下步骤:S21,通过对每个模态分量u
k
进行希尔伯特变换得到相应的频谱;S22,通过指数混合调制算法将u
k
的频谱移动到各自的估计中心频率ω
k
;S23,使用信号的高斯平滑度和梯度平方准则来解调和估计u
k
的带宽。4.根据权利要求2所述的基于MI
‑
VMD
‑
DA
‑
EDLSTM
‑
VEC的多维特征组合预测方法,其特征在于,步骤S3中所述使用了双层注意力机制的编码解码模型DA
‑
EDLSTM包括依次耦接的输入层、编码层、解码层和输出层,所述编码层对于输入特征使用注意力机制,所述解码层使用时间注意力机制。5.根据权利要求4所述的用于短期风电功率预测的MI
‑
VMD
‑
DA
‑
EDLSTM
‑
VEC的组合模型,其特征在于,编码层对于输入特征使用注意力机制具体包括:S31,基于公式2和公式3对输入观测序列X中的第k维特征序列X
k
构造注意机制;构造注意机制;其中,和是模型需要学习的参数,和是编码层的隐藏状态和单元状态,m是隐藏层的大小,T是观测时间序列的窗口长度;
S32,基于softmax函数将得到的归一化,并且注意力权重之和为1;S33,对于每个时刻的输入X
t
,为其中...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。