基于SSD和双重注意力机制BiGRU的风电超短期功率预测方法技术

本发明专利技术涉及一种基于SSD和双重注意力机制BiGRU的风电超短期功率预测方法。本发明专利技术所采用的技术方案是：一种基于SSD和双重注意力机制BiGRU的风电超短期功率预测方法，其特征在于：获取历史风速和历史功率，并对历史风速和历史功率进行归一化处理；对归一化后的历史风速进行SSD分解，获得m个不同频率的信号分量；对归一化后的历史功率进行SSD分解，获得n个不同频率的信号分量；采用BiGRU将分解后得到的m个历史风速信号分量和n个历史功率信号分量分别进行时序信息建模；将所有时序信息模型的输出特征经FT

【技术实现步骤摘要】
基于SSD和双重注意力机制BiGRU的风电超短期功率预测方法


[0001]本专利技术涉及一种基于SSD和双重注意力机制BiGRU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。

技术介绍

[0002]风能作为新型能源，由于其储量无限、安全、清洁等特点使用广泛，得到各国的大力发展。风速的非平稳性导致风力发电功率的随机性和波动性较大，给大规模风力发电并网的安全稳定和经济运行带来了挑战，风力发电功率预测的精确率有待提高。
[0003]短期和超短期预测可以为电力调度和风电发电并网安全提供可靠的电力暂态信息，因此，风电功率预测研究主要集中在短期和超短期风电功率预测上。风电功率预测大致分为以下四种类型:(1)物理方法；(2)统计方法；(3)深度学习方法；(4)混合方法。
[0004]物理方法主要基于数值天气预报(numerical weather prediction,NWP)，利用风速、温度等气象信息和地理信息进行风电功率预测。由于需要详细的风电电站地理信息和气象数据，建模过程复杂。统计方法通过建立气象和其他相关信息与风电功率之间的统计关系，进行风电功率的预测。统计方法较物理方法建模简单，在早期得到广泛应用。
[0005]随着深度学习的快速发展，并在各种领域取得重大成功，基于深度学习的风电功率预测方法被大量研究。基于BiGRU网络的时间序列建模被证明在风电功率预测方面表现良好，比传统统计方法和浅层神经网络方法预测效果更好。注意力机制和深度学习相结合，将深度学习网络的学习重点聚焦在重要信息上，有效提升了网络的学习能力。
[0006]混合模型预测方法是风电功率预测领域的研究热点，目前混合模型主要分为两种，一种是基于聚类算法的天气分型混合预测模型，另一种是基于信号分解的混合预测模型。基于信号分解方法的混合预测模型(“分解
‑
预测
‑
重构”方法)在风电功率预测中越来越受到关注。小波变换、变分模态分解、经验模态分解和奇异谱分解(SSD)等信号分解方法可以有效降低风电信号的随机性和波动性，被应用于风电功率预测中。
[0007]虽然风电功率的预测方法越来越收到研究人员的关注，但现有方法依然存在预测精确率不足的问题。

技术实现思路

[0008]本专利技术要解决的技术问题是：针对上述存在的问题，提供一种基于SSD和双重注意力机制BiGRU的风电超短期功率预测方法。
[0009]本专利技术所采用的技术方案是：一种基于SSD和双重注意力机制BiGRU的风电超短期功率预测方法，其特征在于：
[0010]获取历史风速和历史功率，并对历史风速和历史功率进行归一化处理；
[0011]对归一化后的历史风速进行SSD分解，获得m个不同频率的信号分量；对归一化后的历史功率进行SSD分解，获得n个不同频率的信号分量；
[0012]采用BiGRU将分解后得到的m个历史风速信号分量和n个历史功率信号分量分别进
行时序信息建模；
[0013]将所有时序信息模型的输出特征经FT
‑
Attention模块后共同输入到决策层进行信息融合和决策，获得最终的风电功率预测结果；所述FT
‑
Attention模块包含两部分，分别学习不同特征和不同时序时刻的重要程度。
[0014]所述FT
‑
Attention模块输入为包含h个特征和w个时序时刻的矩阵X∈R
h*w
；
[0015]当对特征进行学习时，首先通过全局平均池化得到向量Z
f
＝[z1，z2，...，z
h
]，其中然后通过两次一维卷积和非线性映射得到权值向量；最后将权值向量与原始输入矩阵X相乘得到特征加权后的矩阵
[0016]同理得到时序加权后的矩阵
[0017]经过特征加权和时序加权后的信息
[0018]所述对历史风速和历史功率进行归一化处理，采用min
‑
max归一化方法。
[0019]所述决策层采用2个全连接层对所有时序信息模型的输出特征进行融合和决策。
[0020]一种基于SSD和双重注意力机制BiGRU的风电超短期功率预测装置，其特征在于：
[0021]信息获取模块，用于获取历史风速和历史功率，并对历史风速和历史功率进行归一化处理；
[0022]数据分解模块，用于对归一化后的历史风速进行SSD分解，获得m个不同频率的信号分量；对归一化后的历史功率进行SSD分解，获得n个不同频率的信号分量；
[0023]建模模块，用于采用BiGRU将分解后得到的m个历史风速信号分量和n 个历史功率信号分量分别进行时序信息建模；
[0024]结果预测模块，用于将所有时序信息模型的输出特征经FT
‑
Attention模块后共同输入到决策层进行信息融合和决策，获得最终的风电功率预测结果；所述FT
‑
Attention模块包含两部分，分别学习不同特征和不同时序时刻的重要程度。
[0025]一种存储介质，其上存储有能被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基于SSD和双重注意力机制BiGRU的风电超短期功率预测方法的步骤。
[0026]一种风电超短期功率预测设备，具有存储器和处理器，存储器上存储有能被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基于 SSD和双重注意力机制BiGRU的风电超短期功率预测方法的步骤。
[0027]本专利技术的有益效果是：为了应对风电数据的随机性和波动性对预测效果带来的影响，本专利技术采用奇异谱分解(SSD)方法对历史风速数据和历史功率数据进行模式分解，本专利技术采用BiGRU网络对SSD分解后得到的m个历史风速信号和n个历史功率信号进行时序建模，结合FT
‑
Attention模块和决策层进行信息融合和决策，获得最终的高精度的风电功率预测结果。
附图说明
[0028]图1为实施例的流程图。
[0029]图2为GRU的内部结构图。
[0030]图3为BiGRU的结构图。
[0031]图4为实施例中FT
‑
Attention模块的结构图。
具体实施方式
[0032]如图1所示，本实施例为一种基于SSD和双重注意力机制BiGRU的风电超短期功率预测方法，具体包括以下步骤：
[0033]S1、获取历史风速和历史功率，并对历史风速和历史功率进行归一化处理。
[0034]由于风速与风电功率密切相关，历史时刻的风电功率与预测时刻的风电功率具有时间相关性，本例选择风速和历史功率作为原始输入。
[0035]为了消除数据之间的量纲影响，需要进行数据标准化处理，本实施例对所有变量分别进行了min
‑
max标准化(Min
‑
Max Normalization)归一化，如公式 (1)：
...

【技术保护点】

【技术特征摘要】
1.一种基于SSD和双重注意力机制BiGRU的风电超短期功率预测方法，其特征在于：获取历史风速和历史功率，并对历史风速和历史功率进行归一化处理；对归一化后的历史风速进行SSD分解，获得m个不同频率的信号分量；对归一化后的历史功率进行SSD分解，获得n个不同频率的信号分量；采用BiGRU将分解后得到的m个历史风速信号分量和n个历史功率信号分量分别进行时序信息建模；将所有时序信息模型的输出特征经FT
‑
Attention模块后共同输入到决策层进行信息融合和决策，获得最终的风电功率预测结果；所述FT
‑
Attention模块包含两部分，分别学习不同特征和不同时序时刻的重要程度。2.根据权利要求1所述的基于SSD和双重注意力机制BiGRU的风电超短期功率预测方法，其特征在于：所述FT
‑
Attention模块输入为包含h个特征和w个时序时刻的矩阵X∈R
h*w
；当对特征进行学习时，首先通过全局平均池化得到向量Z
f
＝[z1，z2，...，z
h
]，其中然后通过两次一维卷积和非线性映射得到权值向量；最后将权值向量与原始输入矩阵X相乘得到特征加权后的矩阵同理得到时序加权后的矩阵经过特征加权和时序加权后的信息3.根据权利要求1所述的基于SSD和双重注意力机制BiGRU的风电超短期功率预测方法，其特征在于，所述对历史风速和历史功率进行归一化处理，采用min
...

【专利技术属性】
技术研发人员：董雪，赵生校，杨江浩，卢迪，陈晓锋，陆艳艳，赵岩，赵宏伟，刘磊，
申请(专利权)人：中国电建集团华东勘测设计研究院有限公司，
类型：发明
国别省市：