[发明专利]使用自注意机制和双线性融合的风电超短期功率预测方法

权利要求书

1.一种使用自注意机制和双线性融合的风电超短期功率预测方法，其特征在于，具有NWP数据处理支路和历史功率数据处理支路，其中：

NWP数据处理支路，包括：

获取NWP数据；

对NWP数据进行数据归一化操作；

将NWP数据中的风速风向输入GRU网络模型学习风速风向的时序特征，使用注意力机制实现对时间序列的自动化关注；

历史功率数据处理支路，包括：

获取历史功率数据；

对历史功率数据进行数据补缺、数据清洗和数据归一化操作；

将历史功率数据输入GRU网络模型学习功率数据的时序特征，使用注意力机制实现对时间序列的自动化关注；

根据双线性信息融合框架将NWP数据处理和历史功率数据处理两条支路的信息进行融合，再经过全连接层进行超短期风力发电的预测。

2.根据权利要求1所述的使用自注意机制和双线性融合的风电超短期功率预测方法，其特征在于：所述注意力机制使用的是通道注意力机制。

3.根据权利要求2所述的使用自注意机制和双线性融合的风电超短期功率预测方法，其特征在于：通道注意力机制中C为4，H为64，W为1。

4.根据权利要求1所述的使用自注意机制和双线性融合的风电超短期功率预测方法，其特征在于：所述信息融合将两个分支的信息特征进行外积，先将其中一个分支的信息特质进行转置，再进行叉乘求外积；然后对外积结果求平方根，最后经过全连接层完成整个信息融合。

5.一种使用自注意机制和双线性融合的风电超短期功率预测装置，其特征在于，具有NWP数据处理支路模块、历史功率数据处理支路模块和信息融合模块；

所述NWP数据处理支路模块，包括：

NWP数据获取模块，用于获取NWP数据；

NWP数据预处理模块，用于对NWP数据进行数据归一化操作；

风速风向时序特征提取模块，用于将NWP数据中的风速风向输入GRU网络模型学习风速风向的时序特征，使用注意力机制实现对时间序列的自动化关注；

所述历史功率数据处理支路模块，包括：

历史功率数据获取模块，用于获取历史功率数据；

历史功率数据预处理模块，用于对历史功率数据进行数据补缺、数据清洗和数据归一化操作；

功率数据时序特征提取模块，用于将历史功率数据输入GRU网络模型学习功率数据的时序特征，使用注意力机制实现对时间序列的自动化关注；

所述信息融合模块，用于根据双线性信息融合框架将NWP数据处理和历史功率数据处理两条支路的信息进行融合，再经过全连接层进行超短期风力发电的预测。

6.根据权利要求5所述的使用自注意机制和双线性融合的风电超短期功率预测装置，其特征在于：所述注意力机制使用的是通道注意力机制。

7.根据权利要求6所述的使用自注意机制和双线性融合的风电超短期功率预测装置，其特征在于：通道注意力机制中C为4，H为64，W为1。

8.根据权利要求5所述的使用自注意机制和双线性融合的风电超短期功率预测装置，其特征在于：所述信息融合将两个分支的信息特征进行外积，先将其中一个分支的信息特质进行转置，再进行叉乘求外积；然后对外积结果求平方根，最后经过全连接层完成整个信息融合。

9.一种存储介质，其上存储有可供处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现权利要求1～4任意一项所述使用自注意机制和双线性融合的风电超短期功率预测方法的步骤。

10.一种电子设备，具有存储器和处理器，存储器上存储有可供处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现权利要求1～4任意一项所述使用自注意机制和双线性融合的风电超短期功率预测方法的步骤。