申请/专利权人：广西大学

申请日：2023-09-29

公开（公告）日：2024-03-26

公开（公告）号：CN117764213A

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/06;G06F18/15;G06F17/16;G06F17/15;G06F18/241

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.12#实质审查的生效;2024.03.26#公开

摘要：本发明提出一种图卷积网络Informer平行模型的风电功率及其概率预测方法，该图卷积网络Informer平行模型方法在将风电场原始数据用于训练Informer网络模型、UNet网络模型和FastGCN后，通过UNet网络预测风电机组参数，将风电场各项数据和UNet网络输出的风电机组参数归一化处理并合并排列为图片，输入FastGCN得到预测风电功率，将历史风电功率进行一次积分运算和连续三次微分运算，将历史风电功率数据、积分运算得到的数据和每次微分运算得到的数据输入Informer网络模型，得到预测的风电功率的概率，所提图卷积网络Informer平行模型的风电功率及其概率预测方法能解决风电出力预测准确度较低的问题，实现对预测功率的概率预测的功能，提高风电出力预测的准确度。

主权项：1.一种图卷积网络Informer平行模型的风电功率及其概率预测方法，其特征在于，采用UNet网络对风速、风向和历史风电功率数据进行处理，将UNet网络输出的发电机转速、风轮转速、齿轮箱油温、主轴的叶轮侧轴承温度和发电机绕组温度预测值合并排列为图片后输入FastGCN得到风电功率的预测值；将历史风电出力数据进行微分和积分处理，输入Informer网络模型得到预测的风电功率的概率；综合运用Informer网络模型、UNet网络模型和FastGCN，具有精准预测风电功率及其概率的效果；在使用过程中的步骤为：步骤1：对风电场温度、风速、风向、湿度、气压、空气密度、降水量、空气质量和历史风电功率数据进行连续7天采样，每次采样间隔15分钟，共采集7×24×4组数据；步骤2：将获取的数据中的温度、风速、风向、湿度、气压、空气密度、降水量、空气质量和历史风电功率数据通过Sigmoid函数进行归一化处理，归一化后的数据Sn为： 其中，xn为温度、风速、风向、湿度、气压、空气密度、降水量、空气质量和历史风电功率数据，e表示自然常数；步骤3：将归一化处理后的风速、风向和历史风电功率输入到UNet网络中，通过池化、反卷积、跳跃连接和特征融合操作得到预测1天中每15分钟1组的发电机组状态参数yn，发电机组状态参数yn包含发电机转速、风轮转速、齿轮箱油温、主轴的叶轮侧轴承温度和发电机绕组温度，共24×4组数据；步骤4：将步骤3得到的数据通过Sigmoid函数进行归一化处理，归一化后的数据Mn为： 其中，yn为步骤3预测得到的发电机组状态参数；步骤5：将步骤2与步骤4获得的数据合并为集合K，kn表示集合K中的第n个元素，对K中的元素进行归一化处理得到集合K′，处理后集合K′中的元素k′n为：k′n＝kn×2553其中，kn表示集合K中的第n个元素，k′n表示集合K′中的第n个元素；对k′n向下取整，使集合K′中所有元素均为0-255的整数；步骤6：只保留集合K′中前6348个元素，将这些元素排列为46×46大小的矩阵A1、A2、A3，排列后矩阵A1为： 其中，k′1为集合K′中的第1个元素，k′46为集合K′中的第46个元素，k′2071为集合K′中的第2071个元素，k′2116为集合K′中的第2116个元素；排列后矩阵A2为： 其中，k′2117为集合K′中的第2117个元素，k′2162为集合K′中的第2162个元素，k′4187为集合K′中的第4187个元素，k′4232为集合K′中的第4232个元素；排列后矩阵A3为： 其中，k′4233为集合K′中的第4233个元素，k′4278为集合K′中的第4278个元素，k′6303为集合K′中的第6303个元素，k′6248为集合K′中的第6348个元素；步骤7：将矩阵A1、A2和A3相同位置的值分别作为图片在该像素点位置的红色、绿色和蓝色的值，生成大小为46×46的红绿蓝三色RGB图片；步骤8：将步骤7所得的红绿蓝三色RGB图片输入FastGCN，卷积层中卷积核进行卷积操作，提取图像中的特征信息，将得到的数据输入激活层，通过激活函数进行非线性变换，池化层对特征图进行降采样，重复5次卷积层、激活层和池化层的操作，提取充足的特征信息，将特征信息输入全连接层中分类，得到预测的风电功率；步骤9：将历史风电功率数据进行积分运算，历史风电功率数据经积分运算得到的数据W为： 其中，t为时间，t0为t的最大值，Qt为历史风电功率数据；步骤10：将历史风电功率数据进行微分运算，历史风电功率数据经微分运算得到的数据Q′t为： 其中，Qt为历史风电功率数据；步骤11：将步骤10得到的数据Q′t进行微分运算，Q′t经微分运算得到的数据Q″t为： 其中，Q′t为历史风电功率数据Qt经过1次微分运算后得到的数据；步骤12：将步骤11得到的数据Q″t进行微分运算，Q″t经微分运算得到的数据Q″′t为： 其中，Q″t为Q′t经过2次微分运算后得到的数据；步骤13：将历史风电功率数据Qt及其积分得到的数据W和每次微分得到的数据Q′t、Q″t和Q″′t以长序列的形式输入Informer网络模型，长序列经过预处理转化为特征向量后，输入Informer网络模型的编码器，通过Transformer模型的编码方式进行位置编码，将序列的时间嵌入特征向量，第2i个向量的编码结果PEpos，2i为： 其中，sin为正弦函数，dmodel为输入的特征维度，pos为编码值在整个序列中的位置，2i为编码值的序号；第2i+1个向量编码的结果PEpos，2i+1为： 其中，cos为余弦函数，2i+1为编码值的序号，2i为编码值序号减l得到的值；拼接特征向量得到输入序列的特征矩阵Y，特征矩阵Y的大小为l×d，其中l为序列长度，d为单个样本的维度；查询向量Q为：Q＝YWQ13其中，Y为输入序列的特征矩阵，WQ为Informer网络模型经训练得到的矩阵；键向量K为：K＝YWK14其中，WK为Informer网络模型经训练得到的矩阵；值向量V为：V＝YWV15其中，WV为Informer网络模型经训练得到的矩阵；Softmax激活函数为： 其中，z为输入Softmax激活函数的向量，q表示向量z的第q行，zq为向量z在第q行的数据，∑qzq表示对向量z的所有元素求和；将查询向量Q、键向量K和值向量V输入ProbSparse多头自注意力模块得到特征表示的结果AQ，K，V为： 其中，Softmax为激活函数，KT表示K向量的转置，d为单个样本的维度；ELU激活函数为： 其中，c为输入ELU激活函数的数据；将长序列输入编码器提取长序列的长期相关性特征，提取操作将第t时刻输入的长序列数据变换为矩阵将矩阵输入ProbSparse多头自注意力蒸馏模块进行蒸馏操作，从第j层到第j+1层蒸馏的结果为： 其中，为ProbSparse多头自注意力蒸馏模块对的预处理操作，MaxPool为池化操作函数，ELU为激活函数，表示对在时间维度上进行核宽度为3的一维卷积滤波操作；将ProbSparse多头自注意力模块输出的结果与ProbSparse多头自注意力蒸馏模块输出的结果连接为特征图传入解码器，解码器通过多头注意力机制与编码特征进行交互，最后一次性直接预测输出目标部分至完全连接层，完全连接层预测出概率为95％的风电功率的功率曲线；步骤14：采用步骤1到步骤13的步骤构建另外一个参数和模型都相同的平行模型，采用这个平行模型预测出概率为98％的风电功率的功率曲线；步骤15：采用步骤1到步骤13的步骤构建另外一个参数和模型都相同的平行模型，采用这个平行模型预测出概率为90％的风电功率的功率曲线。

全文数据：

权利要求：

百度查询： 广西大学 一种图卷积网络Informer平行模型的风电功率及其概率预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD