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：武汉大学

摘要：本发明属于电力电网技术领域，具体涉及基于离散化的海上风电并网系统状态概率预测方法及装置，其包括：S1、预处理海上风电场输出功率的时序连续数据，进行离散化，构建状态转移链数据；S2、叠加因果自注意力模块构造海上风电并网系统状态概率预测模型；S3、使用状态转移链数据训练海上风电并网系统状态概率预测模型；S4、根据海上风电并网系统状态对应的概率分布，完成状态概率预测。本发明将海上风电实时运行数据离散化并构建为状态转移链数据，然后训练海上风电概率预测模型，预测得到系统状态和概率，最后对输出结果进行采样分析，确定任意区间的概率；为海上风电系统风险评估，实时预警提供支撑，保障海上风电并网系统安全和可靠运行。

主权项：1.一种基于离散化的海上风电并网系统状态概率预测方法，其特征在于,其包括以下步骤：S1：预处理海上风电场输出功率的时序连续数据，进行离散化，构建状态转移链数据，具体包括以下子步骤：S11：对收集到的海上风电场输出功率的时序连续数据Xt进行预处理，使用第一数据符号ERROR替换异常数据，使用第二数据符号NONE填补缺失数据；S12：对时序连续数据进行离散化，确定时序连续数据的离散级数N，将时序连续数据Xt离散为时序离散数据Xd的公式为： 其中，xt为时序连续数据中的元素；xd为时序离散数据中的元素；xmax为时序连续数据最大值；xmin为时序连续数据最小值；为向下取整数运算；N为时序连续数据的离散级数；∈为离散化参数；S13：将第一数据符号ERROR和第二数据符号NONE分别编码为时序连续数据的离散级数N和N+1，得到状态转移链数据Xc；S2：叠加因果自注意力模块构造海上风电并网系统状态概率预测模型，具体包括以下子步骤：S21：搭建包括多头注意力机制子模块和层归一化以及残差连接子模块的单个因果自注意力模块；所述多头注意力机制子模块为： 其中，MuHeQ,K,V为多头注意力机制子模块的输出；Q为查询元素；K为键元素；V为值元素；为向量拼接操作；Wo为拼接后做线性变换所需要的参数矩阵；n为映射子空间个数；headi为第i个语义子空间中的注意力机制输出结果，i∈1、2…n；所述层归一化以及残差连接子模块为：out＝LaNoAddQ+MuHeQ,K,V；其中，out为层归一化以及残差连接子模块的输出；LaNo为层归一化函数；Add为残差连接函数；S22：对步骤S21中搭建的每个因果自注意力模块进行位置编码，以保持时序离散数据的时序信息；所述位置编码使用正弦函数和余弦函数的组合为时序离散数据中的每个数据生成唯一的位置编码，生成方法为： 其中，PEpos,2j为时序离散数据奇数位置编码；PEpos,2j+1为时序离散数据偶数位置编码；pos为时序离散数据的提取位置；j为海上风电并网系统状态概率预测模型的维度索引；dmodel为海上风电并网系统状态概率预测模型的维度；S23：通过堆叠步骤S21中的单个因果自注意力模块，根据待处理的时序离散数据Xc的数列长度Lmax,堆叠Lmax个因果自注意力模块构造海上风电并网系统状态概率预测模型；S3：使用步骤S1得到的状态转移链数据训练步骤S2得到的海上风电并网系统状态概率预测模型，具体包括以下子步骤：S31：获取步骤S1中的状态转移链数据Xc，构造状态转移链数据样本，并划分为训练集数据样本和验证集数据样本；S32：分批次对海上风电并网系统状态概率预测模型进行训练，输入训练集数据样本，使用梯度下降法优化步骤S2中海上风电并网系统状态概率预测模型的参数矩阵Wo；采用的混合交叉熵均方误差损失函数为： 其中，Loss为混合交叉熵均方误差损失函数；λ为权重系数；为海上风电并网系统状态对应的概率分布；yi为训练集数据样本的真实值；为yi连续化之后的值；为进行连续化处理之后的概率分布；Lmax为时序离散数据Xc的数列长度；S33：使用验证集数据样本验证步骤S2中海上风电并网系统状态概率预测模型的预测精度，并使用测试集数据样本对海上风电并网系统的状态概率进行预测，确定海上风电并网系统状态对应的概率分布；S4：根据海上风电并网系统状态对应的概率分布，完成状态概率预测；获取步骤S3中的海上风电并网系统状态对应的概率分布为统计概率采样值总数量Ns和目标概率采样值数量ns，计算海上风电并网系统状态目标区间的概率为： 其中，P为海上风电并网系统状态目标区间的概率；ns为目标概率采样值数量；Ns为概率采样值总数量。

全文数据：

权利要求：

百度查询： 武汉大学 基于离散化的海上风电并网系统状态概率预测方法及装置