买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：湖南科技大学

摘要：本发明公开了一种基于多特征融合周期增强的短期风电功率预测方法，属于风电功率预测领域，包括以下步骤：实验对象选定；构建多特征输入集，并对多特征输入集的数据进行预处理；构建TCN周期性信息嵌入层；开发多尺度特征深度融合模块；构建周期性增强Informer模型并进行训练；模型预测效果评估。本发明通过建立与风电功率高度相关的多特征输入集，提高了预测模型的性能，降低了模型内存消耗；通过建立TCN周期性信息嵌入层并发送给Informer进行预测，有效地提取风力发电的周期性特征和趋势；本发明不仅具备较高的准确性和可靠性，而且能够适应风电功率数据的复杂性和多变性，为风电场运营管理提供有价值的决策支持。

主权项：1.一种基于多特征融合周期增强的短期风电功率预测方法，其特征在于，包括以下步骤：步骤1：实验对象选定；步骤2：构建多特征输入集，并对多特征输入集的数据进行预处理；步骤3：构建TCN周期性信息嵌入层；步骤4：开发多尺度特征深度融合模块；步骤5：基于TCN周期性信息嵌入层和多尺度特征深度融合模块构建周期性增强Informer模型，并对周期性增强Informer模型进行训练；步骤6：模型预测效果评估；所述步骤1中，所用的实验对象为配备SCADA系统的风电场实际风电功率数据集；所述步骤2具体过程为：步骤2-1：计算SCADA系统参数数据中目标特征与其他相关特征之间的最大互信息系数；步骤2-2：筛选出与目标特征之间最大互信息系数绝对值高于预设阈值的相关特征，将这些相关特征纳入多特征输入集中；步骤2-3：对筛选出的多特征输入集进行归一化处理；归一化处理采用如下公式表示： 其中，x′表示原始样本数据，xnew表示归一化之后的样本数据，xmax表示原始样本数据的最大值，xmin原始样本数据的最小值；步骤2-4：按照7:3的比例将归一化后的多特征输入集划分为训练集和测试集；所述步骤2-1中，目标特征为变频器电网侧有功功率，利用最大互信息系数理论计算目标特征与其他特征之间的相关性；最大互信息系数原理如下所示：给定变量a＝{x1i,x2i,…,xmi}和b＝{y1,y2,…,ym}，a和b分别代表第i个相关特征序列和目标特征序列；xmi表示第m个样本下的第i个相关特征值，ym表示第m个样本下的目标特征值，m表示样本数量；a和b之间的互信息定义如下： 其中，px,y表示a和b的联合概率密度函数，px和py分别是a和b的边缘概率密度函数；建立不同的网格方案G，将有限数据集Da,b沿X轴和Y轴划分为p段和q段后，互信息的最大值I*D,p,q计算结果为：I*D,p,q＝maxID|g其中，D|g表示有限数据集Da,b在网格G上的分布，通过计算网格方案G中的点在有限数据集Da,b中的比例得到；为了便于比较和分析不同单位或尺度的数据，进行数据标准化： 其中，MDp,q为归一化处理后的I*D,p,q，minp,q代表互信息原；最大互信息值MICD是通过划分不同pⅹq值的网格计算得出的：MICD＝maxp,q＜Bm[MDp,q]其中Bm表示网格划分的上限，取Bm＝m0.6；所述步骤3中，TCN周期性信息嵌入层包括标量投影、局部时间戳和全局时间戳三部分；标量投影采用包含三个隐藏层的TCN，TCN即时序卷积网络，时序卷积网络的核心组成部分包括因果卷积、空洞卷积以及残差块；其中，因果卷积只允许时间t的输出取决于时间t及其之前的神经元被卷积；在因果约束条件下，引入空洞卷积，以指数方式扩大感受野；空洞卷积的核以固定的步长跳过输入样本，扩大覆盖范围；对于一个一维输入序列Z，过滤器为f:{0,1,...,k-1}→R，对于序列元素s的空洞卷积操作F的公式为： 其中，fv表示尺寸为v的过滤器，k为过滤器大小，d为空洞因子，Zs-d·v为序列元素乘以卷积内核中的元素，s-d·v表示过去的方向；此外，TCN的每一层使用一个残差块进行特征提取；在每一层中，对卷积滤波器进行批量归一化处理，并通过在每次空洞因果卷积后添加空间剔除进行正则化处理；考虑到输入和输出宽度不一致的情况，使用额外的1×1卷积，以确保用于元素相加的张量具有一致的形状；所述步骤4中，在编码器和解码器中增加多尺度特征深度融合模块，所述多尺度特征深度融合模块包括一个一维卷积和三个不同大小的最大池化；为了实现全局特征融合，引入内核为1的1D-CNN瓶颈层；为了实现局部特征融合，构建多尺度池化辅助网络，这些网络相互共享信息，从而检测到不同尺度的时间特征；池化层的最小规模设为3，以捕捉短期局部信息，最大规模设为7，以捕捉长期信息；最后，局部多尺度特征和全局特征的结合增强模型对动态序列变化的感知，从而提高风电功率预测的准确性和鲁棒性，从第f层到第f+1层操作由以下公式给出： 其中，Conv1d表示卷积操作，Maxpool表示最大池化操作，K表示Maxpool滑动窗口大小，k1表示窗口大小的取值，ELU表示激活函数，和分别表示t时刻的全局特征和局部特征，表示第f层多头概率稀疏自注意力机制，表示第f+1层多头概率稀疏自注意力机制；所述步骤5中，周期性增强Informer模型包括TCN周期性信息嵌入层、两个堆叠的编码器和一个解码器，编码器和解码器包括多头概率稀疏自注意力机制和多尺度特征深度融合模块；自注意力机制AttnQ,K,V和概率稀疏自注意力机制ProbAttnQ,K,V分别定义为： 其中，为查询向量矩阵、为Q的稀疏矩阵，只包含稀疏性测量下的u个Q，为键向量矩阵、为值向量矩阵，LQ代表Q矩阵的长度，LK代表K矩阵的长度，LV代表V矩阵的长度，dk代表输入向量的维度，KT代表K的转置矩阵，softmax代表激活函数；u＝c×lnLQ其中，超参数c定义为常数样本因子；第z行查询向量qz的稀疏性由最大均值度量，其计算公式为： 其中，maxl表示qz与乘积的最大值，kl表示K的第l行，Lk＝1q′klqz；多头机制为：模型通过矩阵Q、K和V对输入X进行线性投影；然后，这些投影被发送到每个自保持层，最后得到H个自保持加权值与参数矩阵WO的乘积，即多头注意力MultiheadQ,K,V：MultiheadQ,K,V＝ConcatHead1,...,HeadHWO 其中和都为参数矩阵，Headh表示第h个自保持加权值，Concat为连接函数，N＝dkH，N代表每一个注意力输入向量的维度；解码器的输出后面连接一个全连接层，输出预测结果；根据训练集对周期性增强Informer模型进行迭代训练，并根据每一次迭代训练的模型对测试集进行测试，直至达到预设迭代次数或因对测试集的测试损失不下降连续三次触发早停机制。

全文数据：

权利要求：

百度查询： 湖南科技大学 一种基于多特征融合周期增强的短期风电功率预测方法