申请/专利权人：广东工业大学

申请日：2024-03-13

公开（公告）日：2024-04-16

公开（公告）号：CN117892113A

主分类号：G06F18/213

分类号：G06F18/213;G06N3/0442;G06N3/045;G06N3/0985;G06Q10/04;G06Q50/06;H02J3/00;H02J3/38

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.03#实质审查的生效;2024.04.16#公开

摘要：本发明涉及风电功率预测的技术领域，更具体地，涉及一种自适应VMD和双重降维注意力机制的风电功率预测方法，双重降维注意力机制可以有效的对高维风电功率数据进行降维，可实现高维风电功率数据的降维和特征提取，减少数据冗余，有助于提升风电功率的预测精度；自适应VMD算法能够将功率信号分解成更容易训练的分量，从而提高训练效率；而采用纵横交叉优化算法优化网络模型的超参数矩阵，能够解决由神经网路搭建的网络模型中可能存在的局部最优问题。本发明自适应VMD和双重降维注意力机制的风电功率预测方法，不仅具有较高的训练效率，而且可以对高维风电功率数据进行降维、解决神经网络模型的局部最优问题，从而提高风电功率的预测精度。

主权项：1.一种自适应VMD和双重降维注意力机制的风电功率预测方法，其特征在于，包括以下步骤：S10.获取目标风电场的功率序列和不同高度的风速序列、温度序列和气压序列，并进行预处理；S20.将预处理后的功率序列以及不同高度的风速序列、温度序列和气压序列构成特征矩阵X；S30.构建包括主动降维层和被动降维层的双重降维注意力机制和门控循环单元网络模型；S40.将步骤S20中所述的特征矩阵X输入所述主动降维层进行特征筛选降维，利用平均影响值MIV降维方法挖掘出对功率影响最大的特征；S50.运用纵横交叉优化算法以加权包络变化率作为变分模态分解VMD的适应度函数对功率序列进行分解，将分解后的功率序列加入降维后的特征矩阵；S60.将包含分解后的功率序列的降维后的特征矩阵输送至步骤S30中所述的被动降维层，再次充分挖掘不同特征与功率之间的关系，并赋予权重，得到赋予权重后的特征矩阵；S70.将赋予权重后的特征矩阵输送至门控循环单元网络，门控循环单元网络充分挖掘赋予权重后的特征矩阵中存在的隐含关系；S80.预测模型采用纵横交叉优化算法优化门控循环单元网络中的超参数矩阵θ，完成预测模型的训练；S90.使用训练好的预测模型预测目标风电场未来时刻的功率时间序列。

全文数据：

权利要求：

百度查询： 广东工业大学 一种自适应VMD和双重降维注意力机制的风电功率预测方法

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