[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

说明书

本发明涉及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，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。

技术领域

本发明涉及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。适用于风力发电功率预测领域。

背景技术

国外在风电场功率预测领域有近20年的历史，较为成熟的研究有丹麦Ris国家实验室开发的Prediktor、丹麦技术大学的WPPT(Wind Power Prediction Tool)、德国OlenBurg大学研发的Previent等等。我国在风电场功率预测领域的研究取得了一定的成果，成果多集中在统计模型算法的研究。

国内外使用深度学习技术进行风电功率预测研究的非常少，此类研究处正于起步阶段。现有的研究集中于采用深度学习算法预测风速的研究，少部分研究关注了风电功率的预测。

H.Z.Wang等人提出使用深度信念网络来预测短期风速，先将风速进行小波分解，再建立四层的深度信念网络来学习分解后的数据，最后将网络输出数据进行网络重构得到预测风速，该模型在实例中取得了较高的精度。Qinghua Hu等人则在风速数据丰富的风电场训练基于深度学习的风速预测模型，然后利用迁移学习算法将训练好的风速预测网络迁移至风速数据较少的风电场，风速数据较少的风电场使用迁移网络再经过少量数据训练后能得到较高精度的风速预测模型。

总体而言，现阶段还未形成系统化的功率预测大数据分析方法，缺乏建模数据、模型结构、建模思路、模型适应性等多方面的分析。并且目前深度学习模型用于风电功率预测系统都是确定性系统，模型无法展示预测结果的可信程度。在实际使用中，模型预测无法做到较高的准确性，在预测错误的时候，盲目信任预测结果可能对发电机造成严重伤害。

风电功率预测方法是影响预测的准确率的关键因素，当前的传统风功率预测方法主要有基于统计的方法，基于物理建模的方法以及基于人工智能技术的方法。但单一技术难以实现高精度预测，无法充分挖掘出未来风电出力与各因素之间关系，加之噪声数据影响，使得超短期风功率预测成为多变量高度非线性的复杂问题。

发明内容

本发明要解决的技术问题是：针对上述存在的问题，提供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。

本发明所采用的技术方案是：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。