一种改进的超短期风电功率预测方法及装置

本发明涉及风电功率预测，具体涉及一种改进的超短期风电功率预测方法及装置。

背景技术：

1、随着清洁能源的需求日益增加，风电与太阳能作为清洁能源的主要组成部分而受到更多的关注。研究表明，清洁能源中的风电在发电稳定性上，会给电网带来更高的运行风险，其发电功率的不确定性将会危害到电力系统的可靠性，进而造成重大经济损失；因此准确的预测风机发电功率值，对于电网的传输和集成是至关重要的。

2、超短期风电功率预测对提高风力发电系统的运行效率和提高经济效益有着重要的影响。为了提高风电功率预测的效果，人们提出了大量的风电功率预测模型。然而，有些单一预测模型没有考虑到数据预处理的必要性和重要性。不能达到较高的预测精度，满足时间序列预测的要求，因此，由于单一模型不可避免的缺陷，一些单一预测模型不能很好的捕捉风速等特征的趋势。因此组合模型被认为是一种很好的方法。现有的风电功率组合预测方法有很多，比如利用emd对风电功率数据分解得到各分量，然后将所有数据输入极限学习机(extreme learning)-长短期记忆网络(long short-term memory,lstm)，并根据风电功率分量的特征选择elm或lstm对分量进行预测，最后叠加各子序列得到风电功率的最终预测结果；利用麻雀优化算法(sparrow search algorithm，ssa)对极限学习机(extremelearning machine，elm)的权值和阈值进行寻优，最终进行预测得到输出结果；但这些组合模型所用的模型均为传统神经网络模型，存在梯度消失和梯度爆炸等问题，而且模型固有的顺序结构具有一定的限制，同时在处理长期依赖关系时存在一定的局限性；导致传统神经网络模型的预测精度有限。

技术实现思路

1、本发明提供了一种改进的超短期风电功率预测方法及装置，以解决现有技术存在的风电功率预测精度不高。

2、一种改进的超短期风电功率预测方法，包括如下步骤：

3、步骤1，获取数据集；分别为10米高度处风速、30米高度处风速、50米高度处风速、70米高度处风速、风机轮毂高度风速、70米高度处风向和当前功率；

4、步骤2，将当前功率利用ivmd进行分解，得到10个imf分量；

5、步骤3，将10个imf分量分别与10米风速、30米风速、50米风速、70米风速和风机轮毂高度风速、70米风相加处理结合，获得结合后的预测数据集；

6、步骤4，将结合后的预测数据集，进行归一化处理；获得归一化后的预测数据集；

7、步骤5，将归一化后的预测数据集，输入到训练后的dcinformer-hssa模型，获得10个预测分量；

8、步骤6，将10个预测分量相加重构，获得预测功率。

9、进一步，步骤2的ivmd是通过hssa算法优化vmd中k和α参数得到的算法；hssa算法通过在初始化阶段引入hénon混沌映射对ssa算法进行种群初始化，数学表达式为：

10、

11、其中,t代表混沌迭代次数；y1(t)和y2(t)代表混沌序列；a＝1.4,b＝0.3时y1(t)和y2(t)表现出混沌特性；

12、在发现者位置非线性权重因子ω获得；非线性权重因子公式为：

13、ω＝(z/itemax)2

14、z为当前迭代次数；itermax为最大迭代次数。

15、进一步，通过hssa算法优化后得到的vmd最佳分解参数为[k,a]＝[10,4000]。

16、进一步，训练后的dcinformer-hssa模型通过如下方法构建：

17、s1,训练数据采集与处理，获得处理后的训练数据；采集到的数据若有空缺值，则根据线性插值填充方法进行空缺值填充；

18、s2,对处理后的训练数据利用斯皮尔曼相关系计算历史风电功率与各输入特征的相关程度，筛选相关程度大于0.4的数据特征；获得筛选后的训练数据；

19、s3,将历史风电功率利用ivmd进行分解，得到10个imf分量；

20、s4,将10个imf分量分别与筛选后的训练数据相结合，获得结合后的训练数据集；

21、s5,将结合后的训练数据集，进行归一化处理；获得归一化后的训练数据集；

22、s6,将归一化后的训练数据集，输入到dcinformer-hssa模型，获得训练好的dcinformer-hssa模型。

23、进一步，dcinformer-hssa模型是通过hssa算法优化dcinformer模型得到的模型。

24、进一步，hssa算法在dcinformer模型训练前对dcinformer模型的编码器层、解码器层、标签长度、预测长度、序列长度、d_model、学习率寻优；将最优参数输入至型；

25、进一步，dcinformer模型是基于informer模型改进的模型，对informer模型的编码器中各注意力块之间的一维卷积替换为扩张因果卷积，扩张卷积运算的公式为：

26、

27、其中，s表示输入的时间序列信息，s-d表示对历史某一位置信息的定位；卷积核k用于设置网络的采样频率，在边缘位置进行适当填充，保证输出和输入维度一致。

28、同时对informer模型的全连接层加入dropout算法和adam优化器。

29、进一步，定义种群数量为pop＝30，空间维度为dim＝4，预警值st＝0.8，发现者比例pd＝0.2，剩余的为加入者，意识到有危险的麻雀的比重sd＝0.2，建立参数搜索空间，丢弃率的取值范围为[0.1,0.4]，学习率的取值范围为[0.00001,0.01]，迭代次数的取值范围为[30,100]，两个编解码器的分配参数取值范围为[1,5]。

30、本发明的第二方面目的在于提供：一种超短期风电功率预测装置，包括：

31、获取模块，被配置为用于获取数据集；分别为10米高度处风速、30米高度处风速、50米高度处风速、70米高度处风速、风机轮毂高度风速、70米高度处风向和当前功率；

32、处理模块，被配置为将当前功率利用ivmd进行分解，得到10个imf分量；ivmd是通过hssa算法优化vmd中k和α参数得到的算法；

33、结合模块，被配置为将10个imf分量分别与10米风速、30米风速、50米风速、70米风速和风机轮毂高度风速、70米风相结合，获得结合后的数据集；

34、归一化模块，被配置为，将结合后的预测数据集，进行归一化处理；获得归一化后的预测数据集；

35、计算模块，被配置为，将归一化后的预测数据集，输入到训练后的dcinformer-hssa模型，获得10个预测分量；

36、重构模块，被配置为将10个预测分量相加重构，获得预测功率。

37、本发明所达到的有益效果为：

38、1.hssa通过将种群分为发现者和跟随者，其中发现者在负责寻找食物，并为整个麻雀种群提供觅食区域和方向，而跟随者则是利用发现者的位置来获取食物，通过迭代过程寻找出dcinformer模型的最优超参数；麻雀搜索算法采用随机初始化方式产生初始解，会导致初始化种群分布不均匀现象，因此，为了解决此问题，初始化阶段引入hénon混沌映射，种群能够最大程度上覆盖搜索盲区，增加麻雀个体多样性，避免出现算法停滞，增强算法寻优能力；ssa在迭代求解过程中，种群中的发现者作为相对较优位置个体，它的位置更新对自身位置的依赖性较强，导致算法迭代前期的搜索能力不足和收敛速度过慢；而在迭代后期又会导致陷入局部最优；由此，发现者位置引入非线性权重因子ω来改进种群中发现者的位置更新公式以平衡算法的局部和全局的搜索能力，同时改善算法的收敛速度；算法迭代前期，应降低发现者个体对于自身位置的依赖性，以获得更大的解空间并提升全局优化能力；迭代后期，应加大对自身位置的依赖程度，以提高收敛速度。

39、2.dcinformer模型将编码器中各注意力块之间的一维卷积替换为扩张因果卷积，卷积核的大小限制了因果卷积对特征的提取，这需要许多层的线性堆叠来捕获更长的相关性；扩张卷积可以来解决这个问题。卷积在卷积过程中以一定的间隔对输入进行采样，采样因子d控制采样率；通过这种方法，卷积网络可以使用更少的层来获得更大的感受野。此外，从每一层到前一层的信息提取都具有带扩张因子的区间采样。

40、3.本发明针对风电数据自身非平稳、波动等特性，采用ivmd对风电功率进行分解，有效降低风电功率的非平稳性，提高预测精度；神经网络人工调参工作量大且准确性得不到保证的问题，提出采用ssa优化；ssa本身存在容易陷入局部最优问题，因此本文提出加入hénon混沌映射和非线性权重因子；风功率预测是时间序列预测，而informer模型的核心是稀疏自注意力机制，它是注意力机制的变体，减少了对外部信息的依赖，更擅长捕捉数据或特征的内部相关性，以此解决长距离依赖捕捉问题；稀疏自注意力机制的目的是从输入的风电特征序列中筛选出少量重要的信息，使用权重代表信息的重要性，使得模型聚焦于更为重要的信息上；同时，对模型的编码器中各注意力块之间的一维卷积替换为扩张因果卷积，使深层网络中高层能够接收更大范围的输入信息来提高模型预测精度，并保证时序预测过程的因果性，最终提高风电功率预测精度。