【技术实现步骤摘要】
本专利技术涉及风力发电领域，特别涉及一种基于cnn-bigru-attention的超短期风电功率预测方法。
技术介绍
1、可再生能源在能源结构中的不断增加，风电作为其中的重要组成部分，受到了越来越多的关注。然而，风电的不稳定性和间歇性给电力系统的稳定运行带来了挑战，特别是在超短期内。在这种情况下，准确的超短期风电功率预测对于电力系统的运行和调度至关重要。
2、传统的风电功率预测方法主要基于统计模型或物理模型，这些方法往往依赖于历史数据和气象条件，但难以捕捉到数据中的复杂非线性关系和风场内部的微观变化。为了提高预测的准确性和稳定性，近年来，深度学习技术开始被引入到风电功率预测中。
3、然而现有的神经网络和注意力机制通常集中在电功率的数据预测上，对于时间序列数据，以及关键时间点的捕捉则不够准确和稳定，尤其是在短期的电功率预测流程中，基于时序构建风速、风向等气象信息与风电功率之间的复杂关联构件模型才是超短期下预测的关键。
技术实现思路
1、本专利技术要解决的技术问题是克服现有技术的缺陷，提供一种基于cnn-bigru-attention的超短期风电功率预测方法，通过结合cnn用于时间序列数据的空间特征提取、bigru用于捕捉长期依赖关系和注意力机制用于提高关键时间点的重要性。
2、为了解决上述技术问题，本专利技术提供了如下的技术方案：
3、本专利技术一种基于cnn-bigru-attention的超短期风电功率预测方法，具体步骤如下：p>
4、s1.数据采集，将一段时间内所采集的数据设置为原始数据集，所采集的数据包含有风速、风向和风电功率；
5、s2.数据预处理模块，包含有数据归一化单元、数据集切割单元和数据维度转换单元，通过数据归一化单元按照时序将风速、风向和风电功率统一建立时序表，根据数据趋势由数据集切割单元提取特征区域，并对相同时间段下的因素链接，即风速、风向和风电功率基于数据维度转换单元将特征之间相互联系；
6、s3.深度学习网络模块，包含有cnn算法、bigru算法和attention层，通过cnn算法对数据特征提取，并由bigru算法链接特征提取区域的上下数据，并attention层对重要数据加权，以提高文本数据的建模性能，使形成的模型能够完成超短期的预测。
7、2.根据权利要求1所述的一种基于cnn-bigru的超短期风电功率预测方法，其特征在于，所述cnn算法下还包含有卷积层、全连接层、池化层和relu函数，卷积层用于在输入数据上应用卷积操作提取数据局部特征；池化层用于减小卷积层输出的空间维度，通过对局部区域进行最大池化操作；全连接层通过将前一层的所有节点连接到当前层的每个节点，将高级抽象的特征映射到输出空间。
8、3.根据权利要求1所述的一种基于cnn-bigru的超短期风电功率预测方法，其特征在于，步骤s3下，还包括对模型的进一步优化：
9、s31.计算均方根误差，评估了预测值与真实值之间的整体偏差，越小表示模型的预测能力越好；
10、s32.计算平均绝对误差，评估了预测值与真实值之间的平均绝对偏差，也反映了模型的预测准确度，值越小表示模型的预测效果越好；
11、s33.计算平均绝对百分比误差，考虑了预测值相对于真实值的百分比偏差，是一种相对误差指标，越小表示模型的相对误差越小；
12、s34.在s31-s33所计算的值达到设定阈值时，则将步骤s3所的模型输出至数据库中保存；在s31-s33所计算的值未达到设定阈值时，返回到步骤s2重新循环。
13、与现有技术相比，本专利技术的有益效果如下：
14、本专利技术通过提出了一种基于cnn-bigru的超短期风电功率预测方法，首先，将数据进行预处理，通过数据预处理模块将数据进行归一化、数据集切割和数据维度转换将原始数据进行预处理。其次，进入深度学习模块，通过cnn和bigru再到attention层对数据集进行处理分析。最后，建立了一个cnn-bigru-attention的风能预测模型，此类模型结构具有更高的预测精度和准确性。
本文档来自技高网...【技术保护点】
1.一种基于CNN-BIGRU-Attention的超短期风电功率预测方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的一种基于CNN-BIGRU-Attention的超短期风电功率预测方法，其特征在于，所述CNN算法下还包含有卷积层、全连接层、池化层和ReLU函数，卷积层用于在输入数据上应用卷积操作提取数据局部特征；池化层用于减小卷积层输出的空间维度，通过对局部区域进行最大池化操作；全连接层通过将前一层的所有节点连接到当前层的每个节点，将高级抽象的特征映射到输出空间。
3.根据权利要求1所述的一种基于CNN-BIGRU-Attention的超短期风电功率预测方法，其特征在于，步骤S3下，还包括对模型的进一步优化：
【技术特征摘要】
1.一种基于cnn-bigru-attention的超短期风电功率预测方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的一种基于cnn-bigru-attention的超短期风电功率预测方法，其特征在于，所述cnn算法下还包含有卷积层、全连接层、池化层和relu函数，卷积层用于在输入数据上应用卷积操作提取数...
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。