【技术实现步骤摘要】
本专利技术涉及风电功率预测，更具体的说是涉及基于二次分解和改进沙猫算法优化神经网络的短期风电功率预测。
技术介绍
1、在实现国家双碳目标的过程中，可再生能源发挥着至关重要的作用，特别是风能。风能具有易获取、无污染、资源丰富等特点，在电力系统中的重要性日益突显。然而，由于风电功率具有不确定性，如果直接把风电输入电网，可能会导致电网的运行不稳定。因此，面对具有复杂因素的风电功率，建立预测精度更高的预测模型变得尤为关键。
2、目前，关于风电功率预测模型的研究已颇为广泛，根据不同的功率预测方式，风电功率预测方法可以分为三类：物理方法、统计方法和机器学习方法。物理方法主要基于当前的气象参数和地理参数，如温度、地形信息、压力和障碍物等，这类方法通过求解复杂的高维非线性方程组来进行预测，但由于物理方法的建模机理复杂、所需信息难以收集，其在短期风电功率预测中的效果并不理想。相比之下，统计方法是通过建立统计学模型来预测风电功率，常见的模型包括自回归移动平均、自回归综合移动平均和灰色模型等。虽然统计模型的建立过程与物理模型相对简单，但由于其非线性拟合能力较弱，因此其在短期预测中预测结果并不好。与前面所提的两种方法进行比较，机器学习的预测方法可以获得更快的计算速度，处理更复杂时间序列数据，特别是长短期记忆(lstm)和门控循环单元(gru)等专门化的结构设计，有效规避了模型训练中的梯度爆炸或消失问题，使其成为风电功率预测等时间序列分析领域的热门方法之一。但在高频、高噪声的实际应用场景如短期风电功率预测中，单一模型的预测精度往往难以满足实际
3、因此，建立预测精度更高的预测模型是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于二次分解和神经网络的短期风电功率预测方法，组合多种模型和智能优化算法，同时针对特定应用场景下数据的特性进行深入分析和优化，降低了短期风电功率预测误差。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一种基于二次分解和神经网络的短期风电功率预测方法，包括以下步骤：
4、获取原始风电功率信号进行降噪处理，并分解成多个初始模态分量；
5、对多个所述初始模态分量进行预处理，提取对应的高分辨率特征信号；
6、将所述高分辨率特征信号输入预训练的风电功率预测模型；
7、输出对应的风电功率预测结果；
8、其中，所述风电功率预测模型为两个并行的分支网络；其中，第一分支网络为双向时域卷积网络与双向门控循环单元；第二分支网络为二维卷积神经网络与双向长短期记忆网络；所述两个并行的分支网络基于改进沙猫算法进行优化。
9、进一步的，所述预处理，具体包括：
10、应用集合经验模态分解对所述初始模态分量进行一次分解，得到多个子序列；
11、并通过改进的集合经验模态分解算法对所述子序列进行二次分解，提取高分辨率特征信号。
12、进一步的，所述第一分支网络通过所述改进沙猫优化算法优化残差块数量和空间丢失因子，捕捉时间序列数据的复杂性；
13、其中，所述双向时域卷积网络通过使用多个残差块和膨胀卷积，扩大模型的感受野，感知更长范围内的数据依赖关系，预测风电功率中的动态变化；每个时域卷积块的输出经过残差块处理，处理后的输出通过一个深度连接层合并，合并后的特征输出被输送到双向门控循环单元层；
14、所述双向门控循环单元的输出与各个时域卷积块的输出再次通过一个深度连接层进行特征融合。
15、进一步的，所述双向门控循环单元使用两个门控循环单元层，前向门控循环单元从开始到结束处理输入序列，而后向门控循环单元以相反方向处理；每个门控循环单元层都维护自己的隐藏状态，并根据当前输入和上一时间步的隐藏状态对其进行更新。
16、进一步的，所述第二分支网络通过所述改进沙猫优化算法调整卷积核步幅、最大池化层和双向长短期记忆网络隐藏单元数超参数，捕捉空间特征；
17、通过二维卷积神经网络提取原始数据的空间特征，再将降维后的序列信息送入双向长短期记忆网络进行进一步的特征提取。
18、进一步的，所述改进沙猫优化算法，具体包括：
19、1)透镜成像反向学习方式：
20、通过调整反向解，使个体跳出局部最优解；
21、在二维空间，[a,b]为解的取值范围，其中y轴为凸透镜，物体的高度为h，其在x轴投影为x，由凸透镜成像，物体倒立实像的高度为h*，其在x轴为x*，公式为：
22、
23、令k＝h/h*，通过调整缩放因子n得到动态新位置；
24、通过变换得出d维空间中的反向点位置为沙猫个体最新位置：
25、
26、
27、其中，k为物体高度与物体倒立实像高度的比例，xbest(t)为沙猫个体当前位置，为沙猫个体最新位置，t为当前迭代次数，t为最大迭代次数；
28、2)莱维飞行游走方式：
29、在沙猫优化算法的攻击阶段，使沙猫个体能够在短距离的局部搜索和长距离的跳跃式全局搜索之间切换；
30、沙猫个体位置的更新公式为：
31、l＝xbest-xbest(t)
32、
33、其中，xbest为当前最优解，rl为随机步长系数，l为当前位置与最优位置之间的偏移量；
34、3)三角形游走方式：
35、沙猫个体在沿一个方向逐渐靠近猎物的同时，通过在周围进行一种三角形随机性的游走，使个体在搜索过程中更灵活地游走，找到更优解；
36、沙猫个体位置的更新公式为：
37、a＝l2+lp2-2*lp*l*cos(2*pi*rand)
38、
39、其中，lp表示随机步长，表示更新位置时a步长，cos(2*pi*rand)表示生成的随机角度，rand表示一个生成随机数的函数，pi＝π。
40、进一步的，所述两个并行的分支网络基于改进沙猫算法进行优化，包括：所述两个并行的分支网络利用改进沙猫算法动态调整子序列预测权重，并通过动态寻优融合所述两个并行的分支网络；
41、具体包括：
42、1)设定权重向量w＝[w1,w2]，
43、其中，w1和w2分别对应于第一分支网络与第二分支网络的权重；
44、2)构建目标函数为：
45、
46、3)使用拉格朗日乘数法引入一个乘数λ，处理权重的约束条件，w1+w2＝1且
47、4)引入约束条件的二次罚函数ψ(w)：
48、
49、5)将目标函数与罚函数结合起来形成新的损失函数：
50、
51、6)利用动态寻优来调整权重向量w，使得最终的损失函数最小化，从而实现两个分支网络的最佳融合；
52、式中，n为验证集的样本数量，本文档来自技高网...
【技术保护点】
1.一种基于二次分解和神经网络的短期风电功率预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于二次分解和神经网络的短期风电功率预测方法，其特征在于，所述预处理，具体包括：
3.如权利要求1所述的一种基于二次分解和神经网络的短期风电功率预测方法，其特征在于，所述第一分支网络通过所述改进沙猫优化算法优化残差块数量和空间丢失因子，捕捉时间序列数据的复杂性；
4.如权利要求3所述的一种基于二次分解和神经网络的短期风电功率预测方法，其特征在于，所述双向门控循环单元使用两个门控循环单元层，前向门控循环单元从开始到结束处理输入序列，而后向门控循环单元以相反方向处理；每个门控循环单元层都维护自己的隐藏状态，并根据当前输入和上一时间步的隐藏状态对其进行更新。
5.如权利要求1所述的一种基于二次分解和神经网络的短期风电功率预测方法，其特征在于，所述第二分支网络通过所述改进沙猫优化算法调整卷积核步幅、最大池化层和双向长短期记忆网络隐藏单元数超参数，捕捉空间特征；
6.如权利要求1所述的一种基于二次分解和神经网络的短期风电功率
7.如权利要求1所述的一种基于二次分解和神经网络的短期风电功率预测方法，其特征在于，所述两个并行的分支网络基于改进沙猫算法进行优化，包括：所述两个并行的分支网络利用改进沙猫算法动态调整子序列预测权重，并通过动态寻优融合所述两个并行的分支网络；
...【技术特征摘要】
1.一种基于二次分解和神经网络的短期风电功率预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于二次分解和神经网络的短期风电功率预测方法，其特征在于，所述预处理，具体包括：
3.如权利要求1所述的一种基于二次分解和神经网络的短期风电功率预测方法，其特征在于，所述第一分支网络通过所述改进沙猫优化算法优化残差块数量和空间丢失因子，捕捉时间序列数据的复杂性；
4.如权利要求3所述的一种基于二次分解和神经网络的短期风电功率预测方法，其特征在于，所述双向门控循环单元使用两个门控循环单元层，前向门控循环单元从开始到结束处理输入序列，而后向门控循环单元以相反方向处理；每个门控循环单元层都维护自己的隐藏状态，...
【专利技术属性】
技术研发人员：赵小强，杜胜昌，赵春雨，孙凯文，徐海玮，何嘉琦，柳勇勇，白志杰，
申请(专利权)人：兰州理工大学，
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。