System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于COA-CNN-BiLSTM-AM的短期风电功率预测方法技术_技高网

一种基于COA-CNN-BiLSTM-AM的短期风电功率预测方法技术

技术编号:42808183 阅读:31 留言:0更新日期:2024-09-24 20:51
本发明专利技术公开了一种基于COA‑CNN‑BiLSTM‑AM的短期风电功率预测方法,其特征在于,包括以下步骤:S1,风电数据预处理;S2,对预处理后的数据样本按比例划分为训练集、验证集和测试集;S3,构建CNN‑BiLSTM‑AM组合模型;S4,使用COA算法优化CNN‑BiLSTM‑AM组合模型的超参数;S5,用优化后的COA‑CNN‑BiLSTM‑AM组合模型预测未来的风电功率;S6,采用MAE、RMSE和R<supgt;2</supgt;作为评价指标对组合模型进行性能评估。该模型能够模拟浣熊捕猎和躲避捕食者行为中的搜索策略,以找到模型超参数的最优配置。使模型更加适应风电功率预测任务的特性,从而提升预测性能,模型拟合效果更好。

【技术实现步骤摘要】

本专利技术涉及风电功率预测领域,特别涉及一种基于coa-cnn-bilstm-am的短期风电功率预测方法。


技术介绍

1、随着全球对可持续发展和应对气候变化重视程度的不断提高,各国对可再生能源的投资和关注不断增加,清洁无污染的风能是当今及未来能源结构中备受推崇的可再生能源之一。根据调查,截至2023年底,全球风电累计装机容量达到1021 gw,突破了1000 gw的里程碑目标,比2022年增长13%。这表明全球风电产业已经形成了相当的规模,并持续为全球能源结构转型做出贡献。风电功率预测是确保风电有效并网、减轻电网负担及优化调度策略的关键手段,提高风电功率预测的准确性对电网的安全稳定运行和风电产业的健康发展具有重要意义。

2、在风电功率预测领域中,国内外广泛采纳的方法有物理法、统计法和机器学习法。近年来,随着人工智能的发展,一些深度学习模型也逐渐应用于风电功率预测,主要有卷积神经网络(cnn)、长短期记忆网络(lstm)、门控循环单元(gru)和transformer模型。这些方法可以从历史风电功率数据中学习非线性关系和时序特征,但也存在一些缺点:一方面风电功率受风速、风向、地理、气象等多种复杂因素的影响,这些因素具有时间相关性和空间相关性,单一模型往往难以全面捕捉这些因素的复杂性和动态变化,从而导致预测精度受限;另一方面传统的模型参数选择和调整往往依赖于经验和手动调整,效率较低且易陷入局部最优。因此,需要一种综合考虑多模型组合和模型参数智能优化的短期风电功率预测方法,以提高预测精度和可靠性。


<b>技术实现思路

1、为了解决现有问题,本专利技术提供了一种基于coa-cnn-bilstm-am的短期风电功率预测方法,具体方案如下:

2、一种基于coa-cnn-bilstm-am的短期风电功率预测方法,包括以下步骤:

3、s1,风电数据预处理;

4、s2,对预处理后的数据样本按比例划分为训练集、验证集和测试集;

5、s3,构建cnn-bilstm-am组合模型;

6、s4,使用coa算法优化cnn-bilstm-am组合模型的超参数;

7、s5,用优化后的coa-cnn-bilstm-am组合模型预测未来的风电功率;

8、s6,采用mae、rmse和r2作为评价指标对组合模型进行性能评估。

9、优选地,步骤s1中预处理的步骤包括:

10、s11,对数据集中的缺失值进行识别后采用三次样条插值方法进行填充,提高数据的完整性和可用性;

11、s12,采用min-max normalization方法对数据进行归一化处理,消除不同特征之间的量纲和尺度差异;

12、s13,采用pearson相关系数对多个影响风电功率的因素进行分析,筛选出所有与风电功率相关系数大于0.5的特征。

13、优选地,步骤s3中cnn-bilstm-am组合模型的构建包括以下步骤:

14、s31,cnn模块中通过卷积层中的多个卷积核在输入数据上进行滑动窗口操作,以提取局部特征,每个卷积核都会生成一个特征映射,表示输入数据中与卷积核匹配的特征强度和位置,通过堆叠多个卷积层,提取出更高级别的抽象特征,为了降低特征维度和减少计算量,在卷积层之后添加池化层,池化层通过对特征映射进行下采样来保留重要信息并减少冗余;

15、s32,bilstm模块接收来自cnn模块提取的特征序列,对于输入序列中的每个时间步长,bilstm都会生成一个结合了正向和反向隐藏状态的输出,这个输出同时包含了当前时间步长的前后文信息,有助于更准确地捕捉序列中的长期依赖关系;

16、s33,am模块通过加权整合bilstm的输出特征,动态地调整对不同时间步长上特征的关注度,重视关键信息,忽略冗余信息;

17、s34,经过am加权处理后的特征会被传递给全连接层,全连接层负责将特征映射到预测目标上,并输出最终的预测结果。

18、优选地,步骤s4中使用coa算法优化cnn-bilstm-am组合模型的超参数,包括以下步骤:

19、s41,确定优化目标,明确组合模型中需要被优化的超参数是:cnn卷积层的卷积核数量、bilstm隐含层单元个数、学习率和迭代次数;

20、s42,初始化种群,在coa算法中,种群由一组候选解组成,每个候选解代表一组特定的超参数配置,随机生成一组候选解作为初始种群,这些候选解在搜索空间内均匀分布;

21、s43,设计适应度函数,将模型的损失函数值作为适应度函数,在训练过程中,模型会尝试最小化损失函数;

22、s44,更新种群,coa算法通过模拟浣熊的狩猎行为和逃离捕食者行为来更新种群,这一过程包括两个阶段:探索阶段模拟浣熊攻击和捕猎鬣蜥的行为,一部分候选解会基于当前最优解进行探索,尝试找到更好的解空间区域;开发阶段模拟浣熊逃离捕食者的行为,所有候选解会在当前位置附近进行局部搜索,以找到更精细的解;

23、s45,迭代优化,重复执行评估适应度和更新种群的过程,直到达到预定的最大迭代次数,在迭代过程中,种群会逐渐向最优解收敛,即找到一组能够最大化模型性能的超参数配置。

24、优选地,步骤s5中使用优化后的coa-cnn-bilstm-am组合模型预测风电功率包括以下步骤:

25、s51,将最终找到的最优超参数配置应用于组合模型;

26、s52,使用bilstm、cnn-bilstm和cnn-bilstm-am三种模型在测试集数据上预测未来时间段内的风电功率;

27、s53,使用优化后的coa-cnn-bilstm-am组合模型在测试集数据上预测未来时间段内的风电功率。

28、优选地,步骤s6中对组合模型进行性能评估包括:

29、s61,将coa-cnn-bilstm-am、cnn-bilstm-am、cnn-bilstm、bilstm四种模型的预测结果进行对比;

30、s62,采用mae、rmse和r2作为评价指标对模型性能进行评估。

31、本专利技术的有益效果在于:

32、本专利技术提出的coa-cnn-bilstm-am方法使用coa算法优化组合模型中的四个超参数:cnn卷积层的卷积核数量、bilstm隐含层的单元数量、学习率和迭代次数,coa通过模拟浣熊捕猎和躲避捕食者两个阶段的搜索策略,在全局搜索与局部搜索间达到一个良好的平衡,能够在解空间中进行广泛的全局搜索,同时在发现潜在优质解时进行有效局部搜索,找到模型超参数的最优配置。coa-cnn-bilstm-am方法不仅通过组合模型来全面捕捉风电功率数据的潜在模式和规律,而且通过智能优化算法对组合模型进行参数调优和结构优化,从而提高风电功率的预测精度。

本文档来自技高网...

【技术保护点】

1.一种基于COA-CNN-BiLSTM-AM的短期风电功率预测方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的方法,其特征在于,步骤S1中预处理的步骤包括:

3.根据权利要求1所述的方法,其特征在于,步骤S3中CNN-BiLSTM-AM组合模型的构建包括以下步骤:

4.根据权利要求1所述的方法,其特征在于,步骤S4中使用COA算法优化CNN-BiLSTM-AM组合模型的超参数,包括以下步骤:

5.根据权利要求1所述的方法,其特征在于,步骤S5中使用优化后的COA-CNN-BiLSTM-AM组合模型预测风电功率包括以下步骤:

6.根据权利要求1所述的方法,其特征在于,步骤S6中对组合模型进行性能评估包括:

【技术特征摘要】

1.一种基于coa-cnn-bilstm-am的短期风电功率预测方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的方法,其特征在于,步骤s1中预处理的步骤包括:

3.根据权利要求1所述的方法,其特征在于,步骤s3中cnn-bilstm-am组合模型的构建包括以下步骤:

4.根据权利要求1所述的方法...

【专利技术属性】
技术研发人员:李立
申请(专利权)人:安庆职业技术学院
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1