【技术实现步骤摘要】
本专利技术涉及风电功率预测，特别是涉及一种基于时空相关性挖掘和多重注意力机制的风电功率预测方法。
技术介绍
1、在太阳能、潮汐能和波浪能等可再生能源中，风力发电因其高效、廉价和丰富等优点居于主导地位，然而由于风速的随机性、间歇性、波动性十分突出，风力发电体现出极强的不稳定性，风电预测仍然是解决风力发电不稳定问题的主要方法，对风电进行准确预测可以方便电力系统提前制订及时的储能或调度措施来满足电网稳定性要求。
2、现有技术中的风电预测方法大致可分为基于物理方法和基于数据驱动方法这两大类，其中物理方法基于气象学和风力发电机组的工作原理建立数学模型，考虑风速、风向、机组特性等因素来预测功率输出，该模型构造复杂，对原始数据有较严格的要求；数据驱动法包括统计法和深度学习法，其中，统计法基于历史风速和功率数据建立统计模型，如时间序列分析、回归分析等，通过对历史数据的分析来预测未来的功率输出；越来越多的学者使用基于深度学习的模型进行风功率预测，因为这种方法具有更灵活的参数，并且可以大大提高时间序列特征的学习能力。此外，组合方法即将多种方法结合使用，如统计模型与物理模型的结合、机器学习与物理模型的结合等，综合考虑不同因素的影响，以此来提高预测精度。
3、但是由于风速受到多种因素的影响，如地理位置、气候和季节等，因此风电功率输出呈现出明显的时空相关性，区域内相邻风电场之间具有时空相关性。近年来，时空融合预测方法得到了国内外的广泛关注，最常见的方法是对时间和空间分别建模提取相关特征，但这种方法对并未充分挖掘相邻站点间的时空相关
4、因此，提出一种通过充分挖掘相邻站点间的时空相关性以提高风电功率预测准确度的预测方法是十分必要的。
技术实现思路
1、本专利技术的目的在于，提供一种基于时空相关性挖掘的风电功率预测方法，充分挖掘区域内相邻站点间的时空相关性，从而进一步提高风电功率预测准确度，促进大规模风电的消纳。
2、为解决实现上述技术目的，本专利技术提供一种基于时空相关性挖掘的风电功率预测方法，包括：
3、选择n个相邻站点在预定时间段内的风电功率历史数据；
4、根据所有站点风电功率历史数据构建初始目标矩阵、第p层子序列矩阵以及超前或延迟t个步长的时间矩阵；
5、对所述初始目标矩阵、第p层子序列矩阵以及超前或延迟t个步长的时间矩阵分别进行标准化操作，得到原始数据标准化后目标矩阵，第p层子序列标准化后目标矩阵以及输入特征超前或延迟t步标准化后目标矩阵；
6、构建三层注意力机制，以标准化后的目标矩阵，以及作为输入特征，基于三层注意力机制根据标准化后的输入特征与目标站点风电序列之间的相关程度的强弱对各层输入特征分配不同的权重，并输入gru模型进行训练，得到第一预测结果、第二预测结果以及第三预测结果；
7、以所述第一预测结果、第二预测结果以及第三预测结果作为输入特征，再次输入所述gru模型进行训练，得到目标站点的最终预测结果。
8、可选的，在选择n个相邻站点在预定时间段内的风电功率历史数据的步骤之后，还包括对数据进行预处理：对所有站点的风电功率历史数据进行可视化处理，检查是否存在异常数据并进行数据清洗；
9、其中，n个站点的风电功率历史数据为：。
10、可选的，所述异常数据包括缺失值、重复值或离群值中的一种或多种；
11、可视化处理包括：散点图、直方图、趋势图或概率密度分布图中的一种或多种方式。
12、可选的，所述数据清洗包括：删除重复数据、箱型图检测异常数据、随机森林回归填补缺失数据或日期格式转换中的一种或多种方式。
13、可选的，利用预处理后的数据，计算n个站点互相之间的皮尔逊相关系数，选择站点n的风电历史数据作为预测目标，其余站点的风电历史数据作为输入特征，从而构建初始目标矩阵；
14、<mstyle displaystyle="true" mathcolor="#000000"><msub><mi>x</mi><mi>original</mi></msub><mi>=</mi><mrow><mo>[</mo><mrow><msub><mi>x</mi><mn>1</mn></msub><mi>,</mi><mi>…</mi><mi>,</mi><msub><mi>x</mi><mrow><mi>n</mi><mi>−</mi><mn>1</mn></mrow></msub><mi>|</mi><msub><mi>x</mi><mi>n</mi></msub></mrow><mo>]</mo></mrow></mstyle>；
15、式中，“|”前为输入特征，“|”后为预测目标，分别为n个站点的风电功率历史数据。
16、可选的，利用小波分解预处理后的数据，用不同频率的滤波器分解不同频率的信号，将各站点数据分解成p层不同频率的子序列之后，计算各站点相同频率子序列之间的皮尔逊相关系数，第p层的子序列矩阵为；
17、<mstyle displaystyle="true" mathcolor="#000000"><msub><mi>x</mi><mrow><mi>dwt</mi><mi>_</mi><mi>p</mi></mrow></msub><mi>=</mi><mrow><mo>[</mo><mrow><msub><mi>x</mi><mrow><mn>1</mn><mi>,</mi><mi>p</mi></mrow></msub><mi>,</mi><mi>…</mi><mi>,</mi><msub><mi>x</mi><mrow><mi>n本文档来自技高网...
【技术保护点】
1.一种基于时空相关性挖掘的风电功率预测方法，其特征在于，包括：
2.如权利要求1所述的基于时空相关性挖掘的风电功率预测方法，其特征在于，在选择N个相邻站点在预定时间段内的风电功率历史数据的步骤之后，还包括对数据进行预处理：对所有站点的风电功率历史数据进行可视化处理，检查是否存在异常数据并进行数据清洗；
3.如权利要求2所述的基于时空相关性挖掘的风电功率预测方法，其特征在于，所述异常数据包括缺失值、重复值或离群值中的一种或多种；
4.如权利要求2所述的基于时空相关性挖掘的风电功率预测方法，其特征在于，所述数据清洗包括：删除重复数据、箱型图检测异常数据、随机森林回归填补缺失数据或日期格式转换中的一种或多种方式。
5.如权利要求2所述的基于时空相关性挖掘的风电功率预测方法，其特征在于，利用预处理后的数据计算N个站点互相之间的皮尔逊相关系数，选择站点N的风电历史数据作为预测目标，其余站点的风电历史数据作为输入特征，从而构建初始目标矩阵；
6.如权利要求5所述的基于时空相关性挖掘的风电功率预测方法，其特征在于，利用小波分解预处理
7.如权利要求6所述的基于时空相关性挖掘的风电功率预测方法，其特征在于，针对预处理后的数据，保持预测目标站点数据不变，将其他站点超前或延迟T个步长，再分别计算其余站点与目标站点超前或延迟T个步长的皮尔逊系数，选择与站点N皮尔逊相关系数最大的超前或延迟数据作为输入特征，构建超前或延迟T个步长的时间矩阵为；
8.如权利要求7所述的基于时空相关性挖掘的风电功率预测方法，其特征在于，标准化操作后得到：；
9.如权利要求1所述的基于时空相关性挖掘的风电功率预测方法，其特征在于，以第一预测结果、第二预测结果以及第三预测结果作为输入特征，输入GRU模型进行训练，得到站点N的最终预测结果为；
...【技术特征摘要】
1.一种基于时空相关性挖掘的风电功率预测方法，其特征在于，包括：
2.如权利要求1所述的基于时空相关性挖掘的风电功率预测方法，其特征在于，在选择n个相邻站点在预定时间段内的风电功率历史数据的步骤之后，还包括对数据进行预处理：对所有站点的风电功率历史数据进行可视化处理，检查是否存在异常数据并进行数据清洗；
3.如权利要求2所述的基于时空相关性挖掘的风电功率预测方法，其特征在于，所述异常数据包括缺失值、重复值或离群值中的一种或多种；
4.如权利要求2所述的基于时空相关性挖掘的风电功率预测方法，其特征在于，所述数据清洗包括：删除重复数据、箱型图检测异常数据、随机森林回归填补缺失数据或日期格式转换中的一种或多种方式。
5.如权利要求2所述的基于时空相关性挖掘的风电功率预测方法，其特征在于，利用预处理后的数据计算n个站点互相之间的皮尔逊相关系数，选择站点n的风电历史数据作为预测目标，其余站点的风电历史数据作为输入特征，从而构建初始目标矩阵...
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。