本发明专利技术公开了一种带有自注意力机制和门控基于图像的风功率短期预测方法及系统，属于风力发电预测技术领域，其中，该方法包括：获取NWP气象数据和SCADA风机数据进行预处理，并将预处理后的数据划分为训练集和测试集；将训练集分解成连续多个历史时间子序列，并重构成二维图像；建立基于残差的深度卷积神经网络，并加入门控卷积神经网络层和自注意力机制，得到带有自注意力机制和门控的基于残差的深度卷积神经网络；将二维图像输入该神经网络中训练；将测试集输入训练好的神经网络中进行预测，得到短期风功率。该方法综合使用历史时序数据与气象网格数据，提取特征转化为图像，用先进的图像处理技术对风力进行预测，大大提高了预测准确率。了预测准确率。了预测准确率。
【技术实现步骤摘要】
带有自注意力机制和门控基于图像的风功率短期预测方法及系统
[0001]本专利技术涉及风力发电预测
，特别涉及一种带有自注意力机制和门控基于图像的风功率短期预测方法及系统。
技术介绍
[0002]随着经济的快速发展和生活水平的不断提高，人类对能源的需求也在不断增加。然而，使用传统的化石能源，如煤、石油和天然气，会释放污染，破坏环境，导致全球变暖。此外，由于化石燃料的不可再生性质和有限的储量，过度开采将导致能源资源枯竭。因此，为了解决能源危机和环境问题，需要可再生能源。风能是一种无污染、分布广泛的可再生能源，受到了全球的广泛关注。
[0003]与化石燃料的稳定供能不同，风力发电系统通常表现出非平稳和非线性的不确定性。温度、湿度、气压、风向、风速等气象参数对风力机产生的风力产生影响。这些因素为包括风能在内的电力系统的管理和运行带来了重大挑战。对该问题的研究表明，准确的风电功率预测通过降低其发电的集成和运行成本，提高了这些系统的可靠性和经济可行性。然而，由于风速和风向的高度不确定性，准确预测是一个困难的过程。风数据的不确定性使模型学习过程复杂化，导致预测误差很大。因此，预测风能被认为是一项具有挑战性的任务。
[0004]众所周知，风速数据具有非平稳和非线性的性质。由于风速与风力的三次关系，功率数据的不确定性水平高于风速数据。因此，对风电数据进行分解，从子序列中提取深层特征信息。VMD是一种非递归的理论基础良好的分解算法，可以同时提取模态。Ceyhun Yildiz等人在论文《An improved residual
‑
based convolutional neural network for very short
‑
term wind power forecasting》中，将时间序列通过VMD提取特征，随后将历史时间序列的特征重建为RGB颜色空间图像。将时间序列转化为视觉模式提供了一个优势，即具有固有空间不变性的2D
‑
CNN视觉表示为卷积层提供了最佳输入，利用图像作为输入输出，建立基于残差的深度学习模型，如图1所示，该模型具有较低的复杂性和较低的计算成本，可根据多个可学习参数，且能产生更有效的预测结果。
[0005]但该模型中，只使用了一种数据，且是以八小时的输入数据为一个单位提取转换为一张图片，而且构建训练集和测试集时图片的选取是随机的，意味着该模型忽略了风速和风力中非常重要的季节性，没有考虑到图片与图片之间的时间关联关系，因此，该深度学习模型最终预测的结果虽有效，但存在很大误差。
技术实现思路
[0006]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
[0007]为此，本专利技术的第一个目的在于提出一种带有自注意力机制和门控基于图像的风功率短期预测方法，该方法大大提升预测准确率。
[0008]本专利技术的第二个目的在于提出一种带有自注意力机制和门控基于图像的风功率
短期预测系统。
[0009]本专利技术的第三个目的在于提出一种风功率短期预测设备。
[0010]本专利技术的第四个目的在于提出一种非临时性计算机可读存储介质。
[0011]为达到上述目的，本专利技术第一方面实施例提出了带有自注意力机制和门控基于图像的风功率短期预测方法，包括以下步骤：步骤S1，获取NWP气象数据和SCADA风机数据进行预处理，并将所述预处理后的数据划分为训练集和测试集；步骤S2，将所述训练集分解成连续的多个历史时间子序列，并将所述多个历史时间子序列重构成二维图像；步骤S3，建立基于残差的深度卷积神经网络，并加入门控卷积神经网络层和自注意力机制，得到带有自注意力机制和门控的基于残差的深度卷积神经网络；步骤S4，将所述二维图像输入所述带有自注意力机制和门控的基于残差的深度卷积神经网络中进行训练；步骤S5，将所述测试集输入训练好的带有自注意力机制和门控的基于残差的深度卷积神经网络中进行预测，得到短期风功率。
[0012]本专利技术实施例的带有自注意力机制和门控基于图像的风功率短期预测方法，第一阶段是基于变分模态分解的特征提取，并将这些特征转化为图像；第二阶段利用带有自注意力机制和门控的基于残差的深度卷积神经网络对风电功率进行预测，该模型采用气象风速、风向、风力数据作为数据集，这些数据来自于数值天气预报NWP和基于SCADA采集的风机数据的结合；即综合使用历史时序数据与气象网格数据，提取特征转化为图像，用先进的图像处理技术对风力进行预测，大大提高了预测准确率。
[0013]另外，根据本专利技术上述实施例的带有自注意力机制和门控基于图像的风功率短期预测方法还可以具有以下附加的技术特征：
[0014]进一步地，在本专利技术的一个实施例中，所述SCADA风机数据包括风功率、10分钟平均风速、风轮转速和风机状态，所述NWP气象数据包括以风场所在坐标为中心7*7网格内的100米横纵向风、温度和湿度。
[0015]进一步地，在本专利技术的一个实施例中，所述步骤S1的预处理过程为：
[0016]使用插值的方法对所述NWP气象数据进行时间粒度的细化，使所述NWP气象数据与所述SCADA风机数据在时间步上对齐，并进行特征拼接。
[0017]进一步地，在本专利技术的一个实施例中，所述步骤S2具体包括：步骤S201，采用变分模态分解VMD将所述训练集分解成所述多个历史时间子序列；步骤S202，采用最小
‑
最大值归一化方法对所述多个历史时间子序列中的风电数据进行归一化处理，以确保所有特征都按照相同尺度分布，并更新所述多个历史时间子序列；步骤S203，将更新后的多个历史时间子序列重构成所述二维图像，其中，所述二维图像包括色调、饱和度和值图，且每个二维图形依次由2
×
4的阵列组成，深度为8位。
[0018]为达到上述目的，本专利技术第二方面实施例提出了带有自注意力机制和门控基于图像的风功率短期预测系统，包括：获取和预处理模块，用于获取NWP气象数据和SCADA风机数据进行预处理，并将所述预处理后的数据划分为训练集和测试集；重构模块，用于将所述训练集分解成连续的多个历史时间子序列，并将所述多个历史时间子序列重构成二维图像；构建模块，用于建立基于残差的深度卷积神经网络，并加入门控卷积神经网络层和自注意力机制，得到带有自注意力机制和门控的基于残差的深度卷积神经网络；训练模块，用于将所述二维图像输入所述带有自注意力机制和门控的基于残差的深度卷积神经网络中进行
训练；预测模块，用于将所述测试集输入训练好的带有自注意力机制和门控的基于残差的深度卷积神经网络中进行预测，得到短期风功率。
[0019]本专利技术实施例的带有自注意力机制和门控基于图像的风功率短期预测系统，第一阶段是基于变分模态分解的特征提取，并将这些特征转化为图像；第二阶段利用带有自注意力机制和门控的基于残差的深度卷积神经网络对风电功率进行预测，该模型采用气象风速、风向、风力数据作为数据集，这些数据来自于数值天气预报NWP和基于SCADA采集的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种带有自注意力机制和门控基于图像的风功率短期预测方法，其特征在于，包括以下步骤：步骤S1，获取NWP气象数据和SCADA风机数据进行预处理，并将所述预处理后的数据划分为训练集和测试集；步骤S2，将所述训练集分解成连续的多个历史时间子序列，并将所述多个历史时间子序列重构成二维图像；步骤S3，建立基于残差的深度卷积神经网络，并加入门控卷积神经网络层和自注意力机制，得到带有自注意力机制和门控的基于残差的深度卷积神经网络；步骤S4，将所述二维图像输入所述带有自注意力机制和门控的基于残差的深度卷积神经网络中进行训练；步骤S5，将所述测试集输入训练好的带有自注意力机制和门控的基于残差的深度卷积神经网络中进行预测，得到短期风功率。2.根据权利要求1所述的带有自注意力机制和门控基于图像的风功率短期预测方法，其特征在于，所述SCADA风机数据包括风功率、10分钟平均风速、风轮转速和风机状态，所述NWP气象数据包括以风场所在坐标为中心7*7网格内的100米横纵向风、温度和湿度。3.根据权利要求1所述的带有自注意力机制和门控基于图像的风功率短期预测方法，其特征在于，所述步骤S1的预处理过程为：使用插值的方法对所述NWP气象数据进行时间粒度的细化，使所述NWP气象数据与所述SCADA风机数据在时间步上对齐，并进行特征拼接。4.根据权利要求1所述的带有自注意力机制和门控基于图像的风功率短期预测方法，其特征在于，所述步骤S2具体包括：步骤S201，采用变分模态分解VMD将所述训练集分解成所述多个历史时间子序列；步骤S202，采用最小
‑
最大值归一化方法对所述多个历史时间子序列中的风电数据进行归一化处理，以确保所有特征都按照相同尺度分布，并更新所述多个历史时间子序列；步骤S203，将更新后的多个历史时间子序列重构成所述二维图像，其中，所述二维图像包括色调、饱和度和值图，且每个二维图形依次由2
×
4的阵列组成，深度为8位。5.一种带有自注意力机制和门控基于图像的风功率短期预测系统，其特征在于，包括：获取和预处理模块，用于获取NWP气象数据和SCADA风机数据进行预处理，并将所述预处理后的数据划分为训练集和测试集；重构模块，用于将所述训练集分解成连续的多个历...
【专利技术属性】
技术研发人员：齐放，孙峣，朱燕，鲁航铭，刘佳沛，陈甜甜，孔德鹏，白芸，王允，
申请(专利权)人：中广核风电有限公司，
类型：发明
国别省市：
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。